-
公开(公告)号：CN118472908A
公开(公告)日：2024-08-09
申请号：CN202410362765.3
申请日：2024-03-28
申请人： 国网浙江综合能源服务有限公司 , 南京工业大学 , 国网上海能源互联网研究院有限公司
IPC分类号： H02J3/00 , G06Q10/063 , G06Q50/06 , G06F18/10
摘要： 本发明提供了一种短期电力负荷组合预测方法、系统、设备及存储介质，所述方法为对获取的原始电力负荷序列进行预处理，得到对应的初始数据集，对初始数据集进行模态分解得到多个不同频率的负荷模态分量，并将各个负荷模态分量输入预先构建的第一DeepAR模型进行预测处理，得到对应的初始负荷预测序列后，根据初始数据集和初始负荷预测序列，得到对应的预测误差序列，并根据预测误差序列进行误差预测，得到对应的负荷误差序列，以及根据负荷误差序列对初始负荷预测序列进行误差修正，得到对应的电力负荷预测序列。本发明能解决电力负荷的非线性和非平稳性问题，且能充分利用预测误差中的有价值信息，进而有效提高短期电力负荷的预测精度。
-
公开(公告)号：CN118249341A
公开(公告)日：2024-06-25
申请号：CN202410362766.8
申请日：2024-03-28
申请人： 国网浙江综合能源服务有限公司 , 南京工业大学 , 国网上海能源互联网研究院有限公司
IPC分类号： H02J3/00 , G06Q10/063 , G06Q50/06 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/049 , G06N3/08
摘要： 本申请涉及一种电网负荷中长期预测方法、装置及计算机设备，其方法包括基于预设的STL算法，将电网的原始负荷数据分解为季节性分量、趋势分量和残差分量，采用LSTM模型对趋势分量进行预测，得到第一预测值；采用TCN模型对季节性分量进行预测，得到第二预测值；以及利用CEEMD方法对残差分量进行预处理后，得到imfi分量，再采用TCN模型对imfi分量进行预测，得到第三预测值；根据第一预测值、第二预测值和第三预测值，获得电网负荷的中长期预测值。本申请具有充分捕捉准确反映电网中长期负荷数据的细节特征，提高电网中长期负荷预测精度的效果。
-
公开(公告)号：CN118229119A
公开(公告)日：2024-06-21
申请号：CN202410644746.X
申请日：2024-05-23
申请人： 南京工业大学
IPC分类号： G06Q10/0637 , G06F17/15 , G06F18/2415 , G06F18/214 , G06Q50/06
摘要： 本发明提供一种融合时序分解和机器学习模型的短期负荷预测方法、系统及存储介质，利用STL分解出趋势、季节及残差分量，改善预测模型输入数据的性能，分别应用ARIMA、GRU和TimesNet模型对不同分量进行精准预测，通过全连接层得出预测结果，能够有效提高整体预测性能，增强模型的抗干扰能力，提高预测的精度。本发明采用了深度学习与机器学习结合弥补了传统方法的不足，ARIMA、GRU和TimesNet模型的综合应用进一步增强了负荷预测的准确度和鲁棒性，为负荷预测提供了新的视角和方法，推动了电力负荷预测技术的发展，为电力系统的规划和运行决策提供了更为科学精确的数据支持。
-
公开(公告)号：CN118644096A
公开(公告)日：2024-09-13
申请号：CN202410577573.4
申请日：2024-05-10
申请人： 国网辽宁省电力有限公司 , 沈阳工业大学 , 南京工业大学 , 清华大学 , 国网辽宁省电力有限公司电力科学研究院 , 国家电网有限公司
IPC分类号： G06Q10/0637 , H02J3/00 , G06Q50/06 , G06N3/0442 , G06N3/0464 , G06N3/08
摘要： 一种基于ARIMA和CNN‑LSTM组合模型的短期负荷预测方法及系统，包括以下步骤：采集园区历史负荷数据、气象数据，对原始信息进行数据预处理，将处理后的数据随机划分训练集和测试集，设置比例，得到训练数据序列；构建CNN‑LSTM预测模型，将所述训练数据序列输入到CNN卷积层中，通过多层卷积层和池化层捕捉数据中的局部和全局特征，传递给LSTM用于捕捉二维时序数据中的时间依赖关系；构建ARIMA预测模型，对所述训练数据序列提取残差，将残差输入到LSTM中进行修正；将CNN‑LSTM预测模型和ARIMA预测模型的预测值进行组合，反归一化得到预测结果。在单一模型基础上将二者进行组合，增强预测模型的性能和稳定性。
-
公开(公告)号：CN117977617A
公开(公告)日：2024-05-03
申请号：CN202311836744.2
申请日：2023-12-28
申请人： 南京工业大学 , 国网辽宁省电力有限公司电力科学研究院
摘要： 一种基于改进多智能体的配电网无功优化调度方法及系统，其特征在于，方法包括：对配电网中微型燃气轮机、光伏逆变器和静止无功补偿器进行建模，获取以运行成本最小为配电网日内优化目标的目标函数及运行约束条件；以微型燃气轮机、分布式光伏和SVC作为多智能体，利用多智能体的有功、无功出力、出力价格和邻接节点潮流构建强化学习的状态空间、执行动作和奖励函数；基于配电网无功调度模型的预调度结果获取先验知识，对所述多智能体进行训练以获取参考执行动作；利用深度确定性策略梯度算法获取参考执行动作，并构建多智能体的策略集，在每次迭代过程中计算每个智能体的策略梯度，从而获取配电网无功优化的最优方案。
-
公开(公告)号：CN118229119B
公开(公告)日：2024-11-12
申请号：CN202410644746.X
申请日：2024-05-23
申请人： 南京工业大学
IPC分类号： G06Q10/0637 , G06F17/15 , G06F18/2415 , G06F18/214 , G06Q50/06
-
公开(公告)号：CN118690193A
公开(公告)日：2024-09-24
申请号：CN202410709191.2
申请日：2024-06-03
申请人： 南京工业大学 , 中国电力科学研究院有限公司 , 国网浙江省电力有限公司
摘要： 本发明公开了一种电力负荷场景生成方法、系统、电子设备及存储介质，包括：基于目标地区的电力负荷数据集，按照用电时间段将电力负荷数据集划分为高峰、平段、低谷三个时段，采用均匀分布归一化对各时段数据集进行归一化；基于归一化后的各时段数据集，通过马尔科夫算法构建初始状态概率矩阵及状态转移概率矩阵；对归一化后的各时段数据集，分别采用适配的扩散模型对各时段数据进行训练，通过扩散模型的逆向过程或前向过程，生成各时段的扩散数据集；基于生成的扩散数据集，结合各时段的气象参数与电力系统的净负荷占比信息，定义三个时段的极端状态与正常状态；基于定义的极端状态与正常状态，对扩散数据集进行划分，构建各时段数据采样群；基于构建的初始状态概率矩阵及状态转移概率矩阵生成连续场景状态，从各时段数据采样群中随机采样各状态数据并填充至连续场景状态中，最终构建出涵盖极端形态的电力负荷场景。本发明能够有效地生成多样的极端场景，为电力系统可能遇到的情景分析提供基础，减少实际操作中的试错成本。
-
公开(公告)号：CN118352991A
公开(公告)日：2024-07-16
申请号：CN202410362761.5
申请日：2024-03-28
申请人： 国网浙江综合能源服务有限公司 , 南京工业大学 , 国网上海能源互联网研究院有限公司
IPC分类号： H02J3/00 , G06Q10/063 , G06Q50/06 , G06F18/213 , G06F18/10 , G06N3/049 , G06N3/0499 , G06N3/0464 , G06N3/048 , G06N3/08
摘要： 本申请涉及电力负荷预测技术领域，尤其是涉及一种短期电力负荷预测方法、系统、设备及介质，包括获取输入原始电力负荷功率序列，对输入原始电力负荷功率序列进行预处理，得到历史负荷数据；对历史负荷数据进行数据分解，得到若干个不同频率的子序列分量；构建特征提取模型，根据特征提取模型对子序列分量进行特征提取，得到时序数据的主干特征；构建负荷预测模型，根据主干特征对负荷预测模型进行训练，根据负荷预测模型对子序列分量进行预测得到预测值，将若干个子序列对应的预测值叠加重构，得到预测结果，使短期电力负荷预测结果更准确，提升负荷预测性能。
-
公开(公告)号：CN118035718A
公开(公告)日：2024-05-14
申请号：CN202311836745.7
申请日：2023-12-28
申请人： 南京工业大学 , 国网辽宁省电力有限公司电力科学研究院
IPC分类号： G06F18/213 , G06Q50/06 , G06N3/0442 , G06N3/0464 , G06N3/045
摘要： 一种分布式光伏功率短期预测方法及系统，其特征在于，所述方法包括以下步骤：在当前一次预测时，采集历史数据并分析所述历史数据中各个数据项的重要度，以获得关键特征序列；计算待预测日的数据与历史数据之间关键特征序列的相关度，基于所述重要度、所述相关度提取历史日的历史数据；将待预测日的数据、历史数据输入至LSTM网络中，基于历史日的历史数据实现编解码，实现光伏功率短期预测结果并结束当前一次预测；在下一次预测时，在采集的所述历史数据中增加新的历史数据，并重新执行上述步骤。本发明为分布式光伏场站运行计划制定提供数据基础，实现光伏功率的精准预测。
-
-
-
-
-
-
-
-
搜索结果
9 条记录 (耗时 0.022 秒)
