-
公开(公告)号:CN118297633A
公开(公告)日:2024-07-05
申请号:CN202410364791.X
申请日:2024-03-28
申请人: 国家电网有限公司华北分部 , 北京清软创新科技股份有限公司
IPC分类号: G06Q30/0202 , G06F18/243 , G06N3/0442 , G06N20/20 , G06Q50/06
摘要: 本发明提供一种基于多元XGBoost组合模型的用电量预测方法,属于电量预测技术领域。该方法包括:获取多个地区的社会经济数据和区域的历史用电数据;区域包括多个地区;计算多个地区的社会经济数据与区域的历史用电数据之间的距离相关系数,并基于距离相关系数从多个地区的社会经济数据中筛选出强相关社会经济数据;将强相关社会经济数据与历史用电数据,输入预先建立的多元XGBoost组合模型,获得区域的初步电量预测结果;将区域的初步电量预测结果输入预先建立的LSTM用电量预测模型,得到区域的最终电量预测结果。本发明能够充分挖掘区域内多省社会经济数据对电力电量的影响,提高模型预测准确率。
-
公开(公告)号:CN116090597A
公开(公告)日:2023-05-09
申请号:CN202211493565.9
申请日:2022-11-25
申请人: 国家电网有限公司华北分部 , 北京清软创新科技股份有限公司
摘要: 本发明涉及电力数据技术领域,具体涉及一种短期电网负荷预测模型的方法,包括如下步骤:步骤1;构建了短期用电负荷预测模型;步骤2;提出了一种基于深度神经网络和ResBlock迭代的短期负荷预测方法,用于学习不同用电量之间行为,建立内在的时空相关性,在这一部分同时考虑到时间长度的寻优;步骤3;提高模型训练的速度,提出了采用动量法和小批量梯度下降的组合方法进行参数寻优;本发明利用不同类型的用电行为之间的时空相关性来提高电网短期负荷预测的性能,提升负荷预测精度,进一步的提高模型训练的速度和泛化性。
-
公开(公告)号:CN117973622A
公开(公告)日:2024-05-03
申请号:CN202410230551.0
申请日:2024-02-29
申请人: 国家电网有限公司华北分部 , 北京清软创新科技股份有限公司
摘要: 本发明提供一种考虑气象影响的短期负荷预测方法。该方法包括:获取多种气象因素,并对多种气象因素进行分类筛选,得到至少一个气象因素子集;其中,气象因素子集中各气象因素之间的冗余性,以及气象因素子集与历史负荷结果之间的相关性满足预设标准;分别将各气象因素子集输入对应的负荷预测模型,对应得到各初始负荷预测结果;负荷预测模型用于根据气象因素子集进行电力负荷预测;基于各初始负荷预测结果,确定最终的负荷预测结果。本发明能够缩短负荷预测时间,提升负荷预测精度。
-
公开(公告)号:CN113743519B
公开(公告)日:2024-06-18
申请号:CN202111055709.8
申请日:2021-09-09
申请人: 中国南方电网有限责任公司 , 北京清软创新科技股份有限公司
IPC分类号: G06F18/2321 , G06Q50/06 , G06F18/23213
摘要: 本发明提供一种电网母线典型负荷曲线识别方法。该方法包括:获取电网中各条母线分别对应的负荷曲线集;针对每一条母线,利用第一聚类算法,对该母线对应的负荷曲线集进行聚类提取,得到该母线对应的标准负荷曲线;将各个母线对应的标准负荷曲线形成电网标准负荷曲线集;利用第二聚类算法和第三聚类算法,对电网标准负荷曲线集进行聚类剔除,并根据聚类剔除后的结果确认电网母线典型负荷曲线集。本发明能够提高电网工作的可靠性。
-
公开(公告)号:CN118052331A
公开(公告)日:2024-05-17
申请号:CN202410342265.3
申请日:2024-03-25
申请人: 国网安徽省电力有限公司营销服务中心 , 北京清软创新科技股份有限公司
IPC分类号: G06Q10/04 , G06Q50/06 , G06N20/00 , G06N3/0442 , G06N3/098
摘要: 本发明属于电量预测技术领域,具体为一种基于深度学习和联邦学习的居民用电量预测方法,该基于深度学习和联邦学习的居民用电量预测方法的具体步骤流程如下:第一步:采集用户数据;第二步:基于联邦学习构建边缘侧训练模型;第三步:分解数据集;第四步:建立联邦学习深度模型;第五步:参数训练;第六步:通过边缘侧训练获取每个边侧模型的可用模型参数,通过接收边缘侧的加密模型参数,更新和优化所有边缘侧模型,在云端实现边缘侧模型的聚合。基于EMD‑LSTM构建了用于REC预测的FL边侧模型,对FL进行了个性化处理,降低了REC预测的误差。
-
公开(公告)号:CN117633431A
公开(公告)日:2024-03-01
申请号:CN202311529348.5
申请日:2023-11-16
申请人: 国网天津市电力公司电力科学研究院 , 国网天津市电力公司 , 国家电网有限公司 , 北京清软创新科技股份有限公司
摘要: 本发明涉及一种电力用户24点负荷拟合96点曲线方法,包括以下步骤:步骤1、基于波动率指标判断只具备24点负荷采集条件用户的24点负荷曲线的波动性;步骤2、根据步骤1的负荷曲线波动性大小的判断结果,波动性较大曲线,采用线性回归逐时拓维模型进行96点曲线拟合;其余为波动性较小曲线,采用分时段最小二乘拟合拓维模型进行96点曲线拟合。本发明能够提高用户负荷数据精细度。
-
公开(公告)号:CN116937568A
公开(公告)日:2023-10-24
申请号:CN202310921713.0
申请日:2023-07-25
申请人: 国网江苏省电力有限公司 , 国网江苏省电力有限公司营销服务中心 , 北京清软创新科技股份有限公司
IPC分类号: H02J3/00 , G06Q10/04 , G06Q50/06 , G06F18/214 , G06F18/25 , G06N3/045 , G06N3/0442 , G06N3/047 , G06N3/084 , G06F123/02
摘要: 本发明提供一种基于LSTM‑RBM融合的电力负荷预测方法。该方法包括获取预训练的LSTM‑RBM融合模型,其中,LSTM‑RBM融合模型包括RBM网络、LSTM网络;获取用户的用电负荷时序数据;基于用电负荷时序数据,通过LSTM‑RBM融合模型,获得符合用电态势的用电负荷时序预测数据,其中,用电态势通过RBM网络基于用电负荷时序数据得到,用电负荷时序预测数据通过LSTM网络基于用电负荷时序数据得到。本发明能够通过RBM和LSTM的结合,充分考虑到时间序列数据之间的相关性,提升了电力负荷预测结果的准确性。
-
公开(公告)号:CN113128612B
公开(公告)日:2022-11-29
申请号:CN202110463520.6
申请日:2021-04-26
申请人: 国网河北省电力有限公司营销服务中心 , 国家电网有限公司 , 国网河北省电力有限公司 , 北京清软创新科技股份有限公司
摘要: 本发明适用于数据处理技术领域,提供了一种电力数据中异常值的处理方法及终端设备,该方法包括:获取电力运行环节中产生的电力数据,对电力数据进行数据降维和数据标准化处理,得到处理后的标准电力数据,将标准电力数据分别输入核函数极限学习模型和叠加集成模型中进行异常值辨识,得到第一输出值集合和第二输出值集合,根据第一输出值集合和第二输出值集合,采用基于正则化的线性回归分析方法进行动态分析,得到异常数据集合,对异常数据集合进行数据清洗,得到清洗后的电力数据。本发明可以同时提高电力数据中异常值的检测精度和效率,并获得对异常数据集合进行数据清洗后的修正的电力数据。
-
公开(公告)号:CN114092276A
公开(公告)日:2022-02-25
申请号:CN202111338979.X
申请日:2021-11-12
申请人: 国网河北省电力有限公司营销服务中心 , 国家电网有限公司 , 国网河北省电力有限公司 , 北京清软创新科技股份有限公司
摘要: 本发明提供了一种台区短期负荷的预测方法,包括:将预测日期的气象预报数据、目标台区内的分布式光伏装机容量、历史实际分布式光伏出力数据和实际气象数据输入光伏出力预测模型,得到预测日期的预测分布式光伏出力数据;将气象预报数据、预测日期的日类型、历史实际台区总用电负荷和实际气象数据输入台区总用电负荷预测模型,得到预测日期的预测台区总用电负荷;综合预测台区总用电负荷与预测分布式光伏出力数据得到目标台区的预测台区负荷。本申请考虑到台区负荷受分布式光伏影响的情况,能够通过预测较为稳定的台区总用电负荷,结合分布式光伏出力数据得到台区负荷,从而提高台区负荷短期预测的稳定性。
-
公开(公告)号:CN114066073A
公开(公告)日:2022-02-18
申请号:CN202111383732.X
申请日:2021-11-22
申请人: 国网河北省电力有限公司营销服务中心 , 国家电网有限公司 , 国网河北省电力有限公司 , 北京清软创新科技股份有限公司
摘要: 本发明提供一种电网负荷预测方法。该方法包括:对历史时段负荷数据进行并行的异常数据检测,并剔除历史时段负荷数据中的异常数据;通过聚类分析将剔除异常数据的历史时段负荷数据分为不同的类型,并确定每种类型对应的典型负荷数据;根据历史时段负荷影响数据和对应的类型进行训练,得到负荷分类模型;将待预测时段负荷影响数据输入负荷分类模型,确定待预测时段对应的类型和待预测时段对应的典型负荷数据;根据待预测时段对应的典型负荷数据和剔除异常数据的历史时段负荷数据对待预测时段进行负荷预测。本发明能够在提高负荷预测效率的同时提高负荷预测精度。
-
-
-
-
-
-
-
-
-