CN106022509A - 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 - Google Patents
考虑地域和负荷性质双重差异的配电网空间负荷预测方法 Download PDFInfo
- Publication number
- CN106022509A CN106022509A CN201610302160.0A CN201610302160A CN106022509A CN 106022509 A CN106022509 A CN 106022509A CN 201610302160 A CN201610302160 A CN 201610302160A CN 106022509 A CN106022509 A CN 106022509A
- Authority
- CN
- China
- Prior art keywords
- load
- sample
- classification
- bunch
- curve
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000009977 dual effect Effects 0.000 title abstract 2
- 238000011835 investigation Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 240000002853 Nelumbo nucifera Species 0.000 claims description 6
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 6
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004064 recycling Methods 0.000 claims description 3
- 238000012552 review Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000002354 daily effect Effects 0.000 description 18
- 238000011161 development Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种考虑地域和负荷性质双重差异的配电网空间负荷预测方法。现有空间负荷预测方法未考虑地域差异以及样本类型、质量对负荷密度的影响,适用性不足。本发明首先建立考虑地域差异的全样本空间。然后通过典型日负荷曲线对负荷进行校验和精选,筛选出具有典型性的样本。通过加权欧式距离度量,对负荷所在地区进行聚类。之后进行子样本空间匹配,判断样本所属类型。利用SVM算法预测待测地块的负荷密度,并通过负荷密度计算该地块的未来负荷总量。本发明具有较高的负荷预测精度,方便应用。
Description
技术领域
本发明属于电力系统领域,具体是一种适用于配电网的空间负荷聚类及预测方法。
背景技术
随着城镇化进程的发展和经济结构的调整,城网负荷呈现显著增长,对城市电网规划设计提出更高要求。
空间负荷预测是城市配电网规划的基础。空间负荷预测的各种方法中负荷密度指标法适用于土地规划较为明确的区域,在我国应用较多。方法应用关键是确定各规划区地块的负荷密度。
用电负荷受当地经济及产业发展情况影响明显,负荷密度体现出较大的地域差异,各地无法沿用或借鉴同一套标准,若分别对当地负荷指标进行研究又极其费时费力。现有负荷预测方法均未考虑地域差异对负荷密度的影响,在各地应用适用性较弱,存在明显不足。
发明内容
本发明的目的在于针对现有技术的不足,提供一种考虑地域和负荷性质双重差异的配电网空间负荷预测方法。
本发明方法包括以下步骤:
步骤1:建立考虑地域差异的全样本空间,全样本空间中包含各样本所在地区的区域负荷密度评估指标,即区域信息,与各类样本的负荷密度及影响因素信息,即分类负荷信息;
步骤2:获取典型日负荷曲线:
2.1)采集得到分属工业、居民住宅、商业等L个类别的典型用户的日负荷曲线,即初始分类,设每条日负荷曲线有q个量测数据,记第i条日负荷曲线yi为yi=[yi1,yi2,…,yiq];
2.2)设yimax为第i条日负荷曲线的负荷峰值,利用极大值标准化方法对每条日负荷曲线进行标准化处理,去除基荷数据的影响;
2.3)设定聚类数k,以各类标准化曲线的中心线作为初始聚类中心;
2.4)以标准化后负荷曲线的每个采集点数据作为输入,以负荷曲线间的余弦相似度作为相似性度量判据,将用户分为曲线形态相似的k个类别,重新标记该用户分类,记作聚类分类;
2.5)比较、分析各用户的初始分类与聚类分类结果,剔除分类不正确或用电行为不典型的用户后,求取各类负荷的典型日负荷曲线,即标准化后同类日负荷曲线的中心线,记作yl(l=1,2,…,L);
步骤3:负荷分类校验及精选,具体步骤如下:
3.1)采集得到T个调研样本的日负荷曲线并对其进行极大值标准化处理,记标准化处理后的调研样本的日负荷曲线为ct(t=1,2,…,T);
3.2)依次计算标准化处理后每个调研样本的日负荷曲线ct与各类典型日负荷曲线yl的余弦相似度,
3.3)找出与ct最相似,即与ct的余弦相似度最大的典型日负荷曲线y*,对ct标记y*所属分类,记作校验分类;
3.4)比较cη的初始分类和校验分类,筛选并人工复核两次分类不同的样本,修正所有分类错误样本的类标签;
3.5)设定聚类数k=2,以2.2节所述方法对每类样本进行再次聚类,把元素较少的一类剔除,把元素较多的一类作为该类负荷的精选样本,从而可得到负荷分类正确且具备行业典型性的样本;
步骤4:形成分层级子样本空间。以各负荷所在地区为聚类的簇,各指标为簇中的对象,采用式(2)所示的加权欧式距离度量簇之间的距离。设R为m×14阶标准化矩阵,Ra是簇Ca中的对象,Rb是簇Cb中的对象,则簇Ca与簇Cb的距离为:
若簇Ca与簇Cb的距离是所有不同簇中距离最小的,那么簇Ca与簇Cb将被合并;
步骤5:进行子样本空间匹配,按式(2)求取其与第一层级各样本空间,即各区域类型,区域信息的最小加权欧式距离,与哪个区域类型区域信息的加权欧式距离最小,该样本就属于哪个区域类型,然后再根据负荷性质匹配第二层级子样本空间,用该子样本空间的数据样本作为SVM模型的训练样本。
步骤6:利用SVM预测待测地块的负荷密度,具体如下:
6.1)确定输入向量和输出向量,把负荷密度的影响因素作为输入向量,把负荷密度作为输出样本;
6.2)数据预处理,为便于数据分析,对训练样本和待测样本进行归一化处理;
6.3)选取SVM核函数及确定SVM建模参数,以径向基核函数作为回归模型中的核函数,并利用粒子群算法对建模过程需要的惩罚参数和核参数进行寻优。
6.4)预测负荷密度,将寻优后的参数输入SVM模型,得到待测地块的预测负荷密度值;
步骤7:进行空间负荷预测,采用式(3)计算该类负荷的未来负荷预测值Wi,
Wi=ρi·Si (3)
式中ρi为预测得到的第i类负荷的负荷密度,Si为该类负荷土地使用面积;
然后如式(4)所示将各类型负荷的未来负荷预测值Wi相加,再利用同时率ρ修正,可得到该规划区的未来负荷总量W,
本发明首先建立考虑地域差异的全样本空间。然后通过典型日负荷曲线对负荷进行校验和精选,筛选出具有典型性的样本。通过加权欧式距离度量,对负荷所在地区进行聚类。之后进行子样本空间匹配,判断样本所属类型。利用SVM算法预测待测地块的负荷密度,并通过负荷密度计算该地块的未来负荷总量。经过算例验证可知,该方法具有较高的预测精度。
具体实施方式
以下以实施例对本发明做进一步的阐述。
步骤1:以浙江电网为例,对杭州、宁波等11个城市的各地块分负荷类型进行广泛调研。建立考虑地域差异的全样本空间,该实施例的全样本空间构成如下:1)除湖州外浙江其他10个城市的区域信息;2)杭州、宁波等10个城市分属工业、商业、居民住宅、行政办公等四种主要负荷类型共2386个调研样本的负荷密度及影响因素信息。
再以100个样本2016年1月某工作日的24点日负荷曲线为对象,利用改进k-means算法对其进行聚类分析,聚类结果见下表。
步骤2:从中每类优选25个样本总计100个样本,提取各类负荷的典型日负荷曲线:
2.1)每条日负荷曲线有q个量测数据,记第i条日负荷曲线yi为yi=[yi1,yi2,…,yiq];
2.2)设yimax为第i条日负荷曲线的负荷峰值,利用极大值标准化方法对每条日负荷曲线进行标准化处理,去除基荷数据的影响;
2.3)设定聚类数k=4,以各类标准化曲线的中心线作为初始聚类中心。
2.4)以标准化后负荷曲线的每个采集点数据作为输入,以负荷曲线间的余弦相似度作为相似性度量判据,将用户分为曲线形态相似的k个类别,重新标记该用户分类,记作聚类分类;
2.5)比较、分析各用户的初始分类与聚类分类结果,剔除分类不正确或用电行为不典型的用户后,求取各类负荷的典型日负荷曲线,即标准化后同类日负荷曲线的中心线,记作yl(l=1,2,…,L)。
步骤3:负荷分类校验及精选,具体步骤如下:
3.1)获取T个调研样本的日负荷曲线并对其进行极大值标准化处理,记标准化处理后的调研样本的日负荷曲线为ct(t=1,2,…,T);
3.2)依次计算标准化处理后每个调研样本的日负荷曲线ct与各类典型日负荷曲线yl的余弦相似度。
3.3)找出与ct最相似,即与ct的余弦相似度最大的典型日负荷曲线y*,对ct标记y*所属分类,记作校验分类;
3.4)比较cη的初始分类和校验分类,筛选并人工复核两次分类不同的样本,修正所有分类错误样本的类标签;
3.5)设定聚类数k=2,以步骤2对每类样本进行再次聚类,把元素较少的一类剔除,把元素较多的一类作为该类负荷的精选样本,从而得到负荷分类正确且具备行业典型性的样本。
步骤4:将10个城市的区域信息组成判别矩阵,形成分层级子样本空间。以各地区指标为聚类的簇,采用式(2)度量簇之间的距离。设R为m×14阶标准化矩阵,Ra是簇Ca中的对象,Rb是簇Cb中的对象,则簇Ca与簇Cb的距离为:
若簇Ca与簇Cb的距离是所有不同簇中距离最小的,那么簇Ca与簇Cb将被合并。兼顾各地区样本数量,将10个城市分为3类,将金华、台州、嘉兴、绍兴、温州定为区域I型,衢州、丽水、舟山定为区域II型,杭州、宁波定为区域III型。由此,根据区域分类、校验后负荷分类对全样本空间进行两级划分,得到12个子样本空间,用来存放SVM的训练样本。
步骤5:进行子样本空间匹配,按式(2)求取其与第一层级各样本空间,即各区域类型区域信息的最小加权欧式距离,与哪个区域类型区域信息的加权欧式距离最小,该样本就属于哪个区域类型,然后再根据负荷性质匹配第二层级子样本空间,用该子样本空间的数据样本作为SVM模型的训练样本。本实施例中选取区域I型—居民负荷的子样本空间作为SVM的训练样本,其相对误差为2.80%,满足精度要求。
步骤6:利用SVM预测待测地块的负荷密度,具体如下:
6.1)确定输入向量和输出向量。把负荷密度的影响因素作为输入向量,把负荷密度作为输出样本。
6.2)数据预处理。为便于数据分析,对训练样本和待测样本进行归一化处理。
6.3)选取SVM核函数及确定SVM建模参数。以径向基核函数作为回归模型中的核函数,并利用粒子群算法对建模过程需要的惩罚参数和核参数进行寻优。
6.4)预测负荷密度。将寻优后的参数输入SVM模型,得到待测地块的预测负荷密度值。
步骤7:进行空间负荷预测,采用式(3)计算该类负荷的未来负荷预测值Wi。
Wi=ρi·Si (3)
式中ρi为预测得到的第i类负荷的负荷密度,Si为该类负荷土地使用面积。
然后如式(4)所示将各类型负荷的未来负荷预测值Wi相加,再利用同时率ρ修正,可得到该规划区的未来负荷总量W。
Claims (2)
1.一种考虑地域和负荷性质双重差异的配电网空间负荷预测方法,其特征在于,包括以下步骤:
步骤1:建立考虑地域差异的全样本空间,全样本空间中包含各样本所在地区的区域负荷密度评估指标,即区域信息,与各类样本的负荷密度及影响因素信息,即分类负荷信息;
步骤2:获取典型日负荷曲线:
2.1)采集得到分属工业、居民住宅、商业,L个类别的典型用户的日负荷曲线,即初始分类,设每条日负荷曲线有q个量测数据,记第i条日负荷曲线yi为yi=[yi1,yi2,…,yiq];
2.2)设yimax为第i条日负荷曲线的负荷峰值,利用极大值标准化方法对每条日负荷曲线进行标准化处理,去除基荷数据的影响;
2.3)设定聚类数k,以各类标准化曲线的中心线作为初始聚类中心;
2.4)以标准化后负荷曲线的每个采集点数据作为输入,以负荷曲线间的余弦相似度作为相似性度量判据,将用户分为曲线形态相似的k个类别,重新标记该用户分类,记作聚类分类;
2.5)比较、分析各用户的初始分类与聚类分类结果,剔除分类不正确或用电行为不典型的用户后,求取各类负荷的典型日负荷曲线,即标准化后同类日负荷曲线的中心线,记作yl(l=1,2,…,L);
步骤3:负荷分类校验及精选,具体步骤如下:
3.1)采集得到T个调研样本的日负荷曲线并对其进行极大值标准化处理,记标准化处理后的调研样本的日负荷曲线为ct(t=1,2,…,T);
3.2)依次计算标准化处理后每个调研样本的日负荷曲线ct与各类典型日负荷曲线yl的余弦相似度,
3.3)找出与ct最相似,即与ct的余弦相似度最大的典型日负荷曲线y*,对ct标记y*所属分类,记作校验分类;
3.4)比较cη的初始分类和校验分类,筛选并人工复核两次分类不同的样本,修正分类错误样本的类标签;
3.5)设定聚类数k=2,以步骤2对每类样本进行再次聚类,把元素较少的一类剔除,把元素较多的一类作为该类负荷的精选样本,从而可得到负荷分类正确且具备行业典型性的样本;
步骤4:形成分层级子样本空间,以各地区指标为聚类的簇,采用式(2)度量簇之间的距离,设R为m×14阶标准化矩阵,Ra是簇Ca中的对象,Rb是簇Cb中的对象,则簇Ca与簇Cb的距离为:
若簇Ca与簇Cb的距离是所有不同簇中距离最小的,那么簇Ca与簇Cb将被合并;
步骤5:进行子样本空间匹配,按式(2)求取其与第一层级各样本空间,即各区域类型,区域信息的最小加权欧式距离,与哪个区域类型区域信息的加权欧式距离最小,该样本就属于哪个区域类型,然后再根据负荷性质匹配第二层级子样本空间,用该子样本空间的数据样本作为SVM模型的训练样本;
步骤6:利用SVM预测待测地块的负荷密度。
2.根据权利要求1所述的预测方法,其特征在于,所述的步骤6:利用SVM预测待测地块的负荷密度,
具体如下:
6.1)确定输入向量和输出向量,把负荷密度的影响因素作为输入向量,把负荷密度作为输出样本;
6.2)数据预处理,为便于数据分析,对训练样本和待测样本进行归一化处理;
6.3)选取SVM核函数及确定SVM建模参数,以径向基核函数作为回归模型中的核函数,并利用粒子群算法对建模过程需要的惩罚参数和核参数进行寻优;
6.4)预测负荷密度,将寻优后的参数输入SVM模型,得到待测地块的预测负荷密度值;
步骤7:进行空间负荷预测,采用式(3)计算该类负荷的未来负荷预测值Wi,
Wi=ρi·Si (3)
式中ρi为预测得到的第i类负荷的负荷密度,Si为该类负荷土地使用面积;
然后如式(4)所示将各类型负荷的未来负荷预测值Wi相加,再利用同时率ρ修正,得到该规划区的未来负荷总量W,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610302160.0A CN106022509B (zh) | 2016-05-07 | 2016-05-07 | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610302160.0A CN106022509B (zh) | 2016-05-07 | 2016-05-07 | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106022509A true CN106022509A (zh) | 2016-10-12 |
CN106022509B CN106022509B (zh) | 2019-11-26 |
Family
ID=57100005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610302160.0A Active CN106022509B (zh) | 2016-05-07 | 2016-05-07 | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106022509B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107069717A (zh) * | 2017-05-11 | 2017-08-18 | 国家电网公司 | 一种配电网负荷建模方法 |
CN107909219A (zh) * | 2017-12-06 | 2018-04-13 | 广东工业大学 | 一种基于双重聚类的日售电量预测方法及系统 |
CN108122173A (zh) * | 2017-12-20 | 2018-06-05 | 国家电网公司 | 一种基于深度信念网络的多行业负荷预测方法 |
CN108304978A (zh) * | 2018-05-08 | 2018-07-20 | 国网江西省电力有限公司经济技术研究院 | 一种基于数据聚类理论的中期地区电力负荷预测方法 |
CN108960488A (zh) * | 2018-06-13 | 2018-12-07 | 国网山东省电力公司经济技术研究院 | 一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法 |
CN109902953A (zh) * | 2019-02-27 | 2019-06-18 | 华北电力大学 | 一种基于自适应粒子群聚类的电力用户分类方法 |
CN110321390A (zh) * | 2019-06-04 | 2019-10-11 | 上海电力学院 | 基于有监督和无监督算法结合的负荷曲线数据可视化方法 |
CN110717619A (zh) * | 2019-09-11 | 2020-01-21 | 国网浙江省电力有限公司经济技术研究院 | 一种自下而上配电网多尺度时空负荷预测方法及系统 |
CN110956306A (zh) * | 2019-10-23 | 2020-04-03 | 广东电网有限责任公司 | 一种基于负荷聚类的负荷预测方法 |
CN111144611A (zh) * | 2019-11-22 | 2020-05-12 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于聚类和非线性自回归的空间负荷预测方法 |
CN111401638A (zh) * | 2020-03-17 | 2020-07-10 | 国网上海市电力公司 | 基于极限学习机与负荷密度指标法的空间负荷预测方法 |
CN111461197A (zh) * | 2020-03-27 | 2020-07-28 | 国网上海市电力公司 | 一种基于特征提取的空间负荷分布规律研究方法 |
CN111612031A (zh) * | 2020-04-03 | 2020-09-01 | 华电电力科学研究院有限公司 | 基于高维空间聚类近邻搜索的区域建筑动态负荷预测方法 |
CN111832899A (zh) * | 2020-06-11 | 2020-10-27 | 深圳市城市规划设计研究院有限公司 | 城市负荷预测方法及系统 |
CN113761700A (zh) * | 2020-06-05 | 2021-12-07 | 国家电网有限公司华东分部 | 基于动态聚类的负荷建模与在线修正方法及系统 |
CN114152909A (zh) * | 2021-11-29 | 2022-03-08 | 国网江苏省电力有限公司营销服务中心 | 基于大数据的中高压失准分析系统 |
CN117272121A (zh) * | 2023-11-21 | 2023-12-22 | 江苏米特物联网科技有限公司 | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156814A (zh) * | 2011-04-06 | 2011-08-17 | 广东省电力设计研究院 | 基于聚类的典型日负荷曲线选取方法及装置 |
CN103226736A (zh) * | 2013-03-27 | 2013-07-31 | 东北电力大学 | 基于聚类分析与灰靶理论的中长期电力负荷预测方法 |
CN104063480A (zh) * | 2014-07-02 | 2014-09-24 | 国家电网公司 | 一种基于电力大数据的负荷曲线并行聚类方法 |
CN104751249A (zh) * | 2015-04-15 | 2015-07-01 | 国家电网公司 | 一种空间负荷预测方法 |
-
2016
- 2016-05-07 CN CN201610302160.0A patent/CN106022509B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156814A (zh) * | 2011-04-06 | 2011-08-17 | 广东省电力设计研究院 | 基于聚类的典型日负荷曲线选取方法及装置 |
CN103226736A (zh) * | 2013-03-27 | 2013-07-31 | 东北电力大学 | 基于聚类分析与灰靶理论的中长期电力负荷预测方法 |
CN104063480A (zh) * | 2014-07-02 | 2014-09-24 | 国家电网公司 | 一种基于电力大数据的负荷曲线并行聚类方法 |
CN104751249A (zh) * | 2015-04-15 | 2015-07-01 | 国家电网公司 | 一种空间负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
肖白等: "基于多级聚类分析和支持向量机的空间负荷预测方法", 《电力系统自动化》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107069717B (zh) * | 2017-05-11 | 2020-05-15 | 国家电网公司 | 一种配电网负荷建模方法 |
CN107069717A (zh) * | 2017-05-11 | 2017-08-18 | 国家电网公司 | 一种配电网负荷建模方法 |
CN107909219A (zh) * | 2017-12-06 | 2018-04-13 | 广东工业大学 | 一种基于双重聚类的日售电量预测方法及系统 |
CN108122173A (zh) * | 2017-12-20 | 2018-06-05 | 国家电网公司 | 一种基于深度信念网络的多行业负荷预测方法 |
CN108304978A (zh) * | 2018-05-08 | 2018-07-20 | 国网江西省电力有限公司经济技术研究院 | 一种基于数据聚类理论的中期地区电力负荷预测方法 |
CN108960488A (zh) * | 2018-06-13 | 2018-12-07 | 国网山东省电力公司经济技术研究院 | 一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法 |
CN108960488B (zh) * | 2018-06-13 | 2022-03-04 | 国网山东省电力公司经济技术研究院 | 一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法 |
CN109902953A (zh) * | 2019-02-27 | 2019-06-18 | 华北电力大学 | 一种基于自适应粒子群聚类的电力用户分类方法 |
CN110321390A (zh) * | 2019-06-04 | 2019-10-11 | 上海电力学院 | 基于有监督和无监督算法结合的负荷曲线数据可视化方法 |
CN110717619A (zh) * | 2019-09-11 | 2020-01-21 | 国网浙江省电力有限公司经济技术研究院 | 一种自下而上配电网多尺度时空负荷预测方法及系统 |
CN110956306A (zh) * | 2019-10-23 | 2020-04-03 | 广东电网有限责任公司 | 一种基于负荷聚类的负荷预测方法 |
CN111144611A (zh) * | 2019-11-22 | 2020-05-12 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于聚类和非线性自回归的空间负荷预测方法 |
CN111401638A (zh) * | 2020-03-17 | 2020-07-10 | 国网上海市电力公司 | 基于极限学习机与负荷密度指标法的空间负荷预测方法 |
CN111401638B (zh) * | 2020-03-17 | 2024-02-02 | 国网上海市电力公司 | 基于极限学习机与负荷密度指标法的空间负荷预测方法 |
CN111461197A (zh) * | 2020-03-27 | 2020-07-28 | 国网上海市电力公司 | 一种基于特征提取的空间负荷分布规律研究方法 |
CN111612031A (zh) * | 2020-04-03 | 2020-09-01 | 华电电力科学研究院有限公司 | 基于高维空间聚类近邻搜索的区域建筑动态负荷预测方法 |
CN113761700A (zh) * | 2020-06-05 | 2021-12-07 | 国家电网有限公司华东分部 | 基于动态聚类的负荷建模与在线修正方法及系统 |
CN111832899A (zh) * | 2020-06-11 | 2020-10-27 | 深圳市城市规划设计研究院有限公司 | 城市负荷预测方法及系统 |
CN111832899B (zh) * | 2020-06-11 | 2022-03-01 | 深圳市城市规划设计研究院有限公司 | 城市负荷预测方法及系统 |
CN114152909A (zh) * | 2021-11-29 | 2022-03-08 | 国网江苏省电力有限公司营销服务中心 | 基于大数据的中高压失准分析系统 |
CN117272121A (zh) * | 2023-11-21 | 2023-12-22 | 江苏米特物联网科技有限公司 | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 |
CN117272121B (zh) * | 2023-11-21 | 2024-03-12 | 江苏米特物联网科技有限公司 | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106022509B (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106022509A (zh) | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 | |
CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
CN106845717B (zh) | 一种基于多模型融合策略的能源效率评价方法 | |
CN106127360A (zh) | 一种基于用户特性分析的多模型负荷预测方法 | |
CN110634080A (zh) | 异常用电检测方法、装置、设备及计算机可读存储介质 | |
CN111104981A (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
CN107507038A (zh) | 一种基于stacking和bagging算法的电费敏感用户分析方法 | |
CN106203867A (zh) | 基于配电网评价指标体系和聚类分析的电网区域划分方法 | |
CN108520357A (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
CN107862347A (zh) | 一种基于随机森林的窃电行为的发现方法 | |
CN107392479A (zh) | 基于逻辑回归模型的电力客户停电敏感度评分卡实施方法 | |
CN106447075B (zh) | 行业用电需求预测方法与系统 | |
CN107301604A (zh) | 多模型融合评价系统 | |
CN103632203A (zh) | 一种基于综合评价的配电网供电区域划分方法 | |
CN106022528A (zh) | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 | |
CN109872061A (zh) | 一种电网基建改进、提升决策方法 | |
CN107784394A (zh) | 考虑前景理论的高速公路路线方案不确定多属性优选方法 | |
CN112232561B (zh) | 基于约束并行lstm分位数回归的电力负荷概率预测方法 | |
CN105046407B (zh) | 一种电网与用户双向互动服务运营模式的风险评估方法 | |
CN105678406A (zh) | 一种基于云模型的短期负荷预测方法 | |
CN104574141A (zh) | 一种业务影响度分析方法 | |
CN105868906A (zh) | 一种优化的区域发展成熟度分析方法 | |
CN107085765A (zh) | 一种基于无监督聚类分析与灰理论的地区经济评估方法 | |
CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
CN109816010A (zh) | 一种用于航班延误预测的基于选择性集成的cart增量学习分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |