[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN116187835A - 一种基于数据驱动的台区理论线损区间估算方法及系统 - Google Patents

一种基于数据驱动的台区理论线损区间估算方法及系统 Download PDF

Info

Publication number
CN116187835A
CN116187835A CN202310066049.6A CN202310066049A CN116187835A CN 116187835 A CN116187835 A CN 116187835A CN 202310066049 A CN202310066049 A CN 202310066049A CN 116187835 A CN116187835 A CN 116187835A
Authority
CN
China
Prior art keywords
line loss
interval
data
area
value
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.)
Pending
Application number
CN202310066049.6A
Other languages
English (en)
Inventor
欧朱建
缪晓卫
秦伟
徐晓轶
毛艳芳
杭银丽
施沩
高星辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co
Original Assignee
Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co filed Critical Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co
Priority to CN202310066049.6A priority Critical patent/CN116187835A/zh
Publication of CN116187835A publication Critical patent/CN116187835A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Water Supply & Treatment (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Telephonic Communication Services (AREA)

Abstract

一种基于数据驱动的台区理论线损区间估算方法及系统，首先，通过改进K‑Means聚类分析方法实现台区分类；其次，对特征各异的不同类别台区分别应用改进加权灰色关联分析方法确定各自的台区线损率关键影响因子集；最后，将关键影响因子集作为输入，在所提出的台区线损及区间计算模型中训练并固化模型，从而实现台区线损及合理区间的快速估算。本发明可实现台区线损及合理区间的快速估算，并可获取影响台区线损率的关键影响因子集，有助于台区线损的精准量化和精细化管理。

Description

一种基于数据驱动的台区理论线损区间估算方法及系统
技术领域
本发明属于台区线损管理技术领域，具体涉及一种基于数据驱动的台区理论线损区间估算方法及系统。
背景技术
在电力企业管理中，线损率是一个衡量管理水平的重要指标，同时还是体现电力系统规划设计、运营管理水平、生产技术水平的综合性经济指标。当前，我国经济进入新常态，售电量增速趋缓，市场竞争加剧，单纯依靠售电量高速增长以支撑电网和公司发展的模式难以为继。随着电力改革深入推进，各省输配电价陆续核定，电力企业对进一步加强线损管理，挖掘降损潜力，提升经营效益提出了更高要求。
随着线损管理水平的提升，线损率不超过既定经验值就合格的传统管理模式已无法满足精益化管理要求，传统认为在合格范围内的台区理论上不一定合格，此外，考虑到不同地区的台区运行工况存在较大差异，不同单位管理水平存在差异，不同季节、用户异动等因素对线损的影响，如何快速分析并估算台区理论线损值从而确定台区的线损合理区间成为亟需解决的难题。
现有技术文件1(CN114881429A)公开了基于数据驱动的台区线损量化方法及系统。包括获取台区数据，建立台区电气特征的指标体系；基于所述台区数据和所述台区电气特征的指标体系，构建台区画像；构建台区线损计算模型；根据所构建的台区画像和台区线损计算模型，实现台区线损的量化。
当前线损计算研究中主要是基于机器学习构建理论线损值计算模型，但是缺乏给出理论线损合理区间的相关研究。当前研究中，基于机器学习的基于数据驱动和机器学习的台区线损精准量化及智能诊断关键技术研究区间计算模型和值计算模型基本上是分离的，通常首先进行值计算，再通过核密度估计方法构建误差模型，从而在值计算的基础上给出区间计算结果。在机器学习构建的区间计算模型中，缺乏值计算能力，值计算结果多取为区间的中间值，这在实际中显然是不合理的，很有可能达到次优结果；另外对深度学习模型损失函数进行改造，可以同时得到值计算和区间计算结果，但是该方法大大增加了损失函数的计算复杂度，不适合大型数据的快速计算。为了满足快速计算台区线损值及其合理区间的需求，本发明针对上述问题提出了台区线损值及合理区间估算模型。
发明内容
为解决现有技术中存在的不足，本发明提供一种基于数据驱动的台区理论线损区间估算方法及系统。解决快速分析并估算台区理论线损值从而确定台区的线损合理区间的问题。
本发明采用如下的技术方案。
一种基于数据驱动的台区理论线损区间估算方法，包括以下步骤：
步骤1，获取台区数据，利用聚类分析方法对台区数据进行分类，得到台区电气特征指标体系；
步骤2，根据台区电气特征指标体系，利用灰色关联分析，得到台区电气特征指标与当前类型台区线损率的关联程度，通过对关联程度进行排序，得到关键影响因子指标，从而构成台区线损率关键影响因子集；
步骤3，构建台区线损值及合理区间计算模型，将台区线损率关键影响因子样本集作为台区线损及其合理区间计算模型的数据输入，得到台区线损值及合理区间。
优选地，步骤1中电气特征指标体系包括：静态线损因素和动态线损因素；
静态线损因素包括：居民容量，非居民容量，居民用户比例，非居民用户比例，光伏用户比例；
动态线损因素包括：平均日最大功率，平均负载率。
优选地，步骤3中，台区线损及合理区间计算模型包括：输入层，主网络和输出层。
优选地，输入层对输入数据进行标准化处理，标准化处理公式如下：
Figure SMS_1
Figure SMS_2
Figure SMS_3
式中，
N表示台区线损关键影响因子集中电气特征指标的个数，
Figure SMS_4
表示电气特征j的样本平均值，xij表示第i个台区样本的电气特征j的样本值，j表示电气特征j的样本方差，Zij表示xij标准化处理后的量。
优选地，主网络包括：神经网络隐藏层，用于挖掘电气特征指标和台区理论线损之间的映射关系，将其作为输入提供给模型输出层。
优选地，输出层台区线损计算公式如下：
y(x)＝v(x)U(x)+[1-v(x)]L(x)
式中，
y(x)表示台区样本线损值；
v(x)表示模型辅助权重值，v(x)∈[0,1]；
U(x)表示台区样本合理区间上限；
L(x)表示台区样本合理区间下限；
模型输出第i个台区样本的合理区间上下限和样本线损值(Li(x),Ui(x),yi(x))使得满足Pr(Li≤yi≤Ui)≥1-α，其中，1-α表示合理区间(Li(x),Ui(x))的置信水平，Pr表示概率。
优选地，步骤3还包括：使用区间覆盖率和平均区间宽度两个评价指标来评价合理区间的结果。
一种基于数据驱动的台区理论线损区间估算系统，包括：获取模块，影响因子计算模块，建模估算模块，其中：
获取模块用于获取台区数据，利用聚类分析方法对台区数据进行分类，得到台区电气特征指标体系；
影响因子计算模块用于根据台区电气特征指标体系，利用灰色关联分析，得到台区电气特征指标与当前类型台区线损率的关联程度，通过对关联程度进行排序，得到关键影响因子指标，从而构成台区线损率关键影响因子集；
建模与估算模块用于构建台区线损值及合理区间计算模型，将台区线损率关键影响因子样本集作为台区线损及其合理区间计算模型的数据输入，得到台区线损值及合理区间。
一种终端，包括处理器及存储介质；其中：
存储介质用于存储指令；
处理器用于根据所述指令进行操作以执行一种基于数据驱动的台区理论线损区间估算方法的步骤。
计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现一种基于数据驱动的台区理论线损区间估算方法的步骤。
本发明的有益效果在于，与现有技术相比，
本发明通过改进K-Means聚类分析方法实现台区分类，在此基础上，对特征各异的不同类别台区分别应用改进加权灰色关联分析方法确定各自的台区线损率关键影响因子集，最后以关键影响因子集作为输入，在所提出的台区线损及区间计算模型(Line LossPrediction Intervals with Specific value prediction,LLPIVEN)中训练并固化模型，从而实现台区线损及合理区间的快速估算，有助于台区线损的精准量化和精细化管理。
附图说明
图1为本发明基于数据驱动的台区理论线损区间估算方法的框架图；
图2为本发明基于数据驱动的台区理论线损区间估算方法中台区电气特征指标体系示意图；
图3为本发明基于数据驱动的台区理论线损区间估算方法中灰色关联分析算法的流程示意图；
图4为本发明基于数据驱动的台区理论线损区间估算方法中集成学习训练模式结构框架图；
图5为本发明基于数据驱动的台区理论线损区间估算方法中台区线损值及合理区间计算模型(LLPIVEN)的算法流程图；
图6为本发明基于数据驱动的台区理论线损区间估算方法中第一类台区线损计算结果曲线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有作出创造性劳动前提下所获得的有所其它实施例，都属于本发明的保护范围。
实施例1。
参见图1，一种基于数据驱动的台区理论线损分析与快速估算方法，包括以下步骤：
步骤1，基于数据驱动的台区信息分类，利用聚类分析方法对海量台区信息进行分类，得到台区电气特征指标体系，完成对不同网络架构台区信息的精准区分量化；
本实施例优选地，如图2所示，台区电气特征指标体系包括：静态线损因素和动态线损因素，静态线损因素包括：居民容量，非居民容量，居民用户比例，非居民用户比例，光伏用户比例；动态线损因素包括：平均日最大功率，平均负载率，负荷曲线形状系数；
其中，
居民容量x1表示居民用户用电容量；
非居民容量x2表示非居民用户用电容量；
居民用户比例x3表示居民户数与台区总用户数之比；
非居民用户比例x4表示非居民户数与台区总用户数之比；
光伏用户比例x5表示光伏户数与台区总用户数之比；
平均日最大功率计算公式如下式所示：
Figure SMS_5
式中，N为典型日所在月的天数，Pmaxi为典型日所在月的每日最大功率值；
平均负载率计算公式如下式所示：
Figure SMS_6
式中,Ui和Ii为典型日24点电压曲线和电流曲线，C为台区变压器容量；
负荷曲线形状系数计算公式如下式所示：
Figure SMS_7
式中，Im表示m时刻的电流值，负荷曲线形状系数Kl为典型日均方根电流与电流均值之比；
经过上述的指标运算，台区电气特征指标体系构成台区样本矩阵如下式(4)所示，假设电气特征指标个数为M个，台区样本数为N个，则每一行表示一组台区信息样本，每一列表示不同台区下某电气特征指标：
Figure SMS_8
本实施例优选地，对K-Means聚类算法初始聚类中心的选取进行改进，引入粒子群算法对初始聚类中心进行优化；
基于粒子群优化算法的K-Means聚类算法如下：
步骤1.1，初始化：设置最大迭代次数为T，初始迭代次数为t＝1，粒子数为Y，台区类别数为K，随机设置N个台区样本的所属类别形成台区类别矩阵，设置每个粒子的初始位置、初始速度和初始适应度；
步骤1.2，获取粒子位置：根据样本所属类别获得各类别聚类中心ck(t,y),k[1,K]，由各类别聚类中心构成的向量即为粒子的位置Pc(t,y)＝[c1(t,y),c2(t,y),…ck(t,y)]；
Figure SMS_9
式中，Ck,(y,t)为在第t次迭代第y个粒子的计算中第k类台区组成的簇，card(Ck,(y,t))为属于该簇的台区数目，xn为属于第k类台区的台区样本；
步骤1.3，计算适应度值：根据适应度函数公式计算出每个粒子的适应度值，
Figure SMS_10
步骤1.4，获取个体极值和全局极值：比较每个粒子的适应度值与历史最佳位置Pp(t,y)的适应度值，如果某个粒子的适应度值小于其余粒子的适应度值，则用当前粒子的位置和适应度值更新Pp(t,y)和其适应度值p(t,y)；比较每个粒子的适应度值与整个粒子群的历史最好位置Pg(t,y)的适应度值，如果某个粒子的适应度值小于其余粒子的适应度值，则用当前粒子的位置和适应度值更新Pg(t,y)和其适应度值g(t,y)；
步骤1.5，更新初始聚类中心：当粒子的位置被更新时即聚类中心被更新，根据下式更新每个粒子的速度和位置：
vd(t+1,y)＝ωvd(t,y)+c1r1[Pp(t,y)-Pc(t,y)]+c2r2[Pg(t,y)-Pc(t,y)],r1,r2∈(0,1) (7)
Pc(t+1,y)＝Pc(t,y)+vd(t+1,y) (8)
式中，d＝1、2、...、K*M；ω为权重系数；p(t,y)和g(t,y)分别为粒子的个体极值和全局极值；r1和r2为(0,1)内的随机数，c1和c2为加速因子，c1和c2通常取值为2；
步骤1.6，更新台区类别矩阵：根据更新后的聚类中心重新对N个台区样本的所属类别分类，形成新的台区类别矩阵，然后进入下一次迭代，回到步骤(2)，若达到最大迭代次数，则退出循环。
根据步骤1.1至1.6中的K-Means聚类算法，不同聚类结果的有效性由相应的聚类结果评价指标衡量，由于台区分类过程没有确切的标准可对照，即无法进行外部度量，因此通过内部度量聚类中心与属于其类内的台区样本的相似性来评判台区样本聚类效果，当台区样本数为N时，则聚类数的有效搜索范围为
Figure SMS_11
且K为整数。当台区数据分为K类时，综合评价指标的计算公式如下：
Figure SMS_12
式中，βi表示各评价指标的权重，且满足
Figure SMS_13
该指标越大，表示聚类效果越好，综合评价指标由整体轮廓系数
Figure SMS_14
和CH分数CH(K)和戴维森堡丁指数DBI(K)构成；s(i)表示台区样本数据i的轮廓系数，计算如公式(10)，所有台区样本数据的轮廓系数的均值称为聚类结果为K时的整体轮廓系数，整体轮廓系数越大，聚类效果越好；
Figure SMS_15
式中，a(i)为台区样本数据i到同簇内其它台区样本数据的平均距离，该值越小则台区样本数据i越应该被聚类到该簇，a(i)又称为台区样本数据i的簇内不相似度，b(i)为台区样本数据i到其他某簇C其他某簇内所有台区样本数据的平均距离的最小值，即b(i)＝min{bi-c1,bi-c2,…,bi-cj,…bi-ck},cj∈C其他某簇，b(i)又称为台区样本数据i的簇间不相似度，s(i)接近1，则说明台区样本数据i的聚类结果合理；s(i)接近-1，则说明台区样本数据i要分类到其他簇；s(i)近似为0，则说明台区样本数据i在两个簇的边界上；CH分数被定义为簇间离散程度与簇内离散程度的比率，该分值越大说明同类自身越紧密，类与类之间越分散，聚类效果越好，计算下式所示：
Figure SMS_16
Figure SMS_17
Figure SMS_18
式中，BK是簇间离散矩阵，WK是簇内离散矩阵，Ck表示簇k，ck是簇k的中心点，c是数据集的中心点；
DBI(K)值越小，聚类效果越好，计算过程如下：首先，计算分散度：
Figure SMS_19
式中，Fi表示第i个簇内台区样本数据的离散程度，Xj表示簇i的第j个台区样本数据，Ai表示簇i的中心，Ti表示簇i内的台区样本数据个数，p＝1时，计算的是簇i内各点到中心的距离的均值；p＝2时，计算的是簇i内各点到中心的距离的标准差；
接着，计算簇i和簇j间的距离Dij：
Figure SMS_20
式中，一个台区样本数据的电气特征参数个数为M个，aki表示簇i的中心点的第k个属性的值，akj表示簇j的中心点的第k个属性的值；
接着，计算簇i和簇j间的相似度Gij：
Figure SMS_21
通过以上公式的计算，选出簇间相似度的最大值
Figure SMS_22
并对各个簇的最大相似度求均值，得到DBI指数如下式：
Figure SMS_23
根据上述的综合评价指标对不同K时的台区分类结果进行评估，选择综合评价指标最大时的台区分类结果Kbest。
基于江苏南通台区进行了计算和分析。本研究共选取178个样本，每个样本数据包含电气特征指标体系的所有指标及相应的线损率。令初始聚类数目从2到6递增，分别计算相应K值下聚类结果的综合评价指标。进一步，将基于改进K-Means算法和传统K-Means算法的综合评价指标分数值进行比较，计算结果见表1。当聚类数K为3时，聚类结果的综合评价分数最大，聚类效果最好。因此，初始聚类数目为3。根据选取的初始聚类数对样本进行聚类分析，聚类结果见表2。
表格1不同k值下聚类结果的综合评价指标分数
Figure SMS_24
Figure SMS_25
表格2基于改进K-Means算法的聚类结果
Figure SMS_26
从表1可以看出，与传统K-Means算法相比，粒子群算法优化后的K-Means聚类算法的轮廓系数值有明显提高，结果表明，改进K-Means聚类算法能够显著提高聚类分析的质量。由表2可知，第一类包含140个台区样本，第二类包含35个台区样本，第三类包含3个台区样本。
步骤2，台区线损率关键影响因子的确定，在得到步骤1中台区分类结果的基础上，以台区电气特征指标体系为切入点，得到台区电气特征指标与当前类型台区线损率的关联程度，通过对关联程度进行排序，得到关键影响因子指标，从而构成台区线损率关键影响因子集；
步骤2.1，改进分辨系数的灰色关联分析，采用灰色关联分析为进行相关性分析，由于台区的电气特征指标和对应线损之间的关系呈灰态，是典型的灰色系统，适合采用灰色关联分析进行相关性分析，与此同时，灰色关联分析对样本数量要求小，这对于难以大量获得较高质量样本的工程实际具有一定的应用价值，灰色关联分析是灰色系统理论的一部分，适用于解决多因素和变量之间的相关性问题，方法流程如图3所示；
其中，灰色关联分析通过确定若干比较序列与参考序列之间的关系来反映二者之间的关联度，通常表示为置信度，两个序列的差异性越小，置信度越高，将影响线损的电气特征指标作为比较序列X1，台区线损作为参考序列X0，其中x0(k)，x1(k)为X0和X1在k时刻的值，经过无量纲变换后，此时比较序列X1和参考序列X0的关联度为：
Δi(k)＝|x0(k)-x1(k) (15)
Figure SMS_27
式中：ξ01(k)为在k时刻X1和X0之间的关联系数；ρ∈(0,∞)为分辨系数，ρ一般取0.5；
两个序列之间的关联系数是所有时刻点关联系数的平均值：
Figure SMS_28
当关联系数越接近于1，则说明相关性越好，该电气特征指标与对应的台区线损率相关性越大，即该指标波动时对于台区线损的影响程度越大；
分辨系数ρ是
Figure SMS_29
的系数，由式(19)得出，各指标与线损之间的关联系数不仅与各指标自身取值有关，还取决于其他指标的取值；分辨系数ρ的取值决定了其他指标对指标自身对应的关联系数ξ01(k)的影响，分辨系数体现了各指标对于关联度的间接影响程度；
采取以下方法确定分辨系数的取值：
首先，定义Δav为所有差值绝对值的均值，即
Figure SMS_30
并记
Figure SMS_31
则分辨系数ρ的取值规则为：
(1)当ω＜1/3时，ω≤ρ≤1.5ω，ρ＝1.5ω；
(2)当ω≥1/3时，1.5ω＜ρ≤2ω，ρ＝2ω；
步骤2.2，基于CRITIC法的改进灰色关联分析，CRITIC法作为一种客观赋权法，通过评价指标的变异程度和冲突性来度量指标的客观权重,考虑指标变异性大小的同时兼顾指标之间的相关性,实现基于整个指标体系的客观赋权；
其中，指标的变异程度通过标准差
Figure SMS_32
来量化：
Figure SMS_33
式中，xij表示指标j的第i个指标值，card(Ck)表示样本数据的个数，Sj则表示某类指标中第j个指标值的变异程度；
指标的冲突性通过相关系数
Figure SMS_34
来量化：
Figure SMS_35
式中，
Figure SMS_36
表示xj和xm的相关性，M表示电气特征指标体系中的特征指标个数，Rj表示第j个特征量的特征冲突性指标值；
指标体系中第j个指标的客观权重Wj为：
Figure SMS_37
式中，Sj×Rj表示信息量，即第j个指标在CRITIC权重评价体系中的作用大小，由上式看出，某个指标所包含的信息量越大，则重要性越大，进而权重值越大；
结合上述改进灰色关联分析计算得到的关联度r1'和式(24)得到的权重值Wj，最终得到各指标的加权关联度大小：
Figure SMS_38
为了确定各电气指标与台区线损率之间的关联度，采用改进的灰色关联分析方法计算其关联度。选取了反映台区运行和用电特性的八个电气特征指标，分别对上述研究内容1中划分的三种类型台区进行灰色关联分析。灰色关联分析计算得到的关联度排序结果如表3所示。
进一步，为了更加准确地度量各电气指标与线损率之间的关系，以第一类台区为例通过改进分辨系数的灰色关联模型和进一步引入赋权法的加权灰色关联模型计算其关联度，结果如表4所示。
表3按关联度排序的电气特征指标
Figure SMS_39
Figure SMS_40
表格4第一类台区的改进加权灰色关联度
Figure SMS_41
通过传统灰色关联分析、改进分辨系数的灰色关联分析和改进加权灰色关联分析计算得到的关联度区间分别为0.028、0.090、0.480。可以看出，分辨系数的动态选择以及CRITIC法的引入显著提高了各影响因素关联度的分辨率，使关联分析更符合实际。
步骤3，构建台区线损及其合理区间计算模型，结合台区线损率关键影响因子形成历史样本集，通过深度学习方法搭建台区线损及其合理区间计算模型，将历史样本集作为台区线损及其合理区间计算模型的数据输入，得到台区线损值及合理区间。如图3所示。
其中，台区线损率从营销系统获取。
步骤3.1，台区线损值及合理区间计算模型结构分为输入层、主网络、输出层三部分，所提模型将输出(Li(x),Ui(x),yi(x))使得满足Pr(Li≤yi≤Ui)≥1-α，其中1-α为合理区间(Li,Ui)的置信水平，Pr表示概率，表示线损预测值有1-α的概率落在合理区间中；
(1)输入层，网络输入为x∈X，X为富含台区电气信息的特征空间，在输入层中，表示台区电气信息的数据样本构成如下的数据矩阵：
Figure SMS_42
输入层数据首先要经过标准化处理，数据标准化处理的目的是取消各维数据间的数量级差别，避免因输入输出数据数量级差别较大而造成的网络训练误差，数据标准化步骤如下：
Figure SMS_43
Figure SMS_44
Figure SMS_45
式中，N是样本个数，
Figure SMS_46
为电气特征j的样本平均值，xij是第i个台区样本的电气特征j的样本值，j为电气特征j的样本方差，Zij为xij标准化处理后的量；
(2)主网络，主网络由数量不等的神经网络隐藏层组成，该部分的功能是挖掘电气特征指标和台区理论线损之间的映射关系，将其作为输入提供给模型输出层；
(3)输出层，输出层输出上下界及辅助权重值，Ui(x)和Li(x)分别为台区样本i对应的合理区间的上限和下限，模型标签为
Figure SMS_47
即线损值，
Figure SMS_48
所提模型是通过辅助权重值v(x)为两个边界赋予的相对权重产生台区线损计算值，如下式所示：
y(x)＝v(x)U(x)+[1-v(x)]L(x) (30)
式中，v(x)∈[0,1]；
本实施例优选地，为了评判模型计算结果的合理性和有效性，定义了两个评价指标来评价合理区间的评估水平，这些评价指标评估模型生成的合理区间的质量；
(1)区间覆盖率(Prediction interval coverage probability,PICP)，合理区间覆盖率的计算为式(32)和式(33)，该指标通过统计数据集样本落入各自计算区间的比例来衡量合理区间的质量，如果PICP很小，说明构建的区间是完全不可靠的，如果将线损的极值作为所有合理区间的上界和下界，则对应的PICP是完美的，为了避免给出的线损合理区间过宽或过窄，给出另一种指标来量化合理区间的宽度，即平均区间宽度；
(2)平均区间宽度Mean prediction interval width,MPIW，计算如式(34)，式中，i表示第i个样本，模型的目标是在保持预定义的覆盖水平PICP的同时，产生尽可能紧密的区间，即最小化合理区间宽度MPIW，从而使给出的合理区间质量更好。
Figure SMS_49
Figure SMS_50
Figure SMS_51
在模型的训练与优化过程中，优化的目标是生成由MPIW度量的范围尽可能窄的合理区间，同时保持理想的PICP，对于未能捕获其各自数据点的计算区间不应该鼓励其进一步缩小。因此，所提模型重新修正MPIW的定义，MPIWcapt为落入预测区间内的数据点的MPIW，如下式所示：
Figure SMS_52
Figure SMS_53
因此，在寻求最小化MPIWcapt时应满足PICP≥1-α，即：
Figure SMS_54
式中，θ是神经网络的参数，为了处理约束条件，使用了内点法(IPM)构成无约束条件的损失函数，
Figure SMS_55
ψ(x)＝max(0,x)2 (38)
式中，ψ(x)是一个二次惩罚函数，n是单个训练批次大小，λ是一个超参数，表示平均预测区间宽度与区间覆盖率的相对权重；
在实际中，用k的离散形式优化损失，见公式38，不会收敛，由于梯度对于所有可能的值总是正的，因此，定义k的连续形式，即：
ksoft＝σ(s·(y-L))σ(s·(U-y)) (39)
式中，σ(·)是一个Sigmoid函数；s是软化因子，满足s＞0；ksoft仅用于LossPI的计算，PICP和MPIWcapt的计算仍用k的离散形式，即ki，见公式(36)，k的离散形式使得将0分配给落在区间外的数据点，k的连续计算方式ksoft则生成允许梯度计算的连续值；
为了优化输出，最小化
Figure SMS_56
是任何回归目标，yi是实际线损值，最终损失函数是LossPI和Lossv的凸组合，因此，优化的总体目标为
LossPIVEN＝βLossPI+(1-β)Lossv (41)
β是超参数，平衡了值计算和区间计算的两个目标，即生成狭窄的计算区间和准确的计算值；
本实施例优选地，集合学习优化训练，集合学习通常用于降低深度学习模型的不确定性和提高性能，为了应对海量台区数据的不确定性，该模型应用了集合学习训练方式，在所提方法中，每个集合模型产生一个预测区间和一个值计算结果；这些输出需要合并成单个预测区间和值计算结果，从而捕获任意情景和参数的不确定性，图4为所提模型的集合学习训练方式示意图。
虽然由单个模型结构生成的预测区间用于捕获任意的不确定性，PIVEN体系构成的集合捕获预测区间本身的不确定性，考虑一个有q个神经网络的集合用目标LossPIVEN训练，用
Figure SMS_57
表示集合模型的上下限，
Figure SMS_58
表示集合模型的辅助权重值和值计算结果，计算预测区间的不确定性，并使用集合生成预测区间和值预测：
Figure SMS_59
Figure SMS_60
Figure SMS_61
Figure SMS_62
Figure SMS_63
Figure SMS_64
Figure SMS_65
式中，(Lij,Uij)是集合体系中数据点i，神经网络j的下界和上界，vij是集合体系中数据点i，神经网络j辅助权重值，zα2是对于置信水平为1-α时的Z分数；
台区线损值及合理区间计算模型LLPIVEN的算法包括以下两部分：
1)LLPIVEN的训练：选取所提取的台区线损关键影响因子集和对应的台区线损率分别作为模型的输入和输出，输入层的节点个数取决于台区线损关键影响因子集中电气特征指标的个数；
为了取消输入输出数据间的数量级差别，避免因输入输出数据数量级差别较大而造成的网络训练误差，对输入数据进行标准化处理，标准化方法如下：
Figure SMS_66
Figure SMS_67
Figure SMS_68
式中，
Figure SMS_69
为电气特征指标j的样本平均值，N为台区线损关键影响因子集中电气特征指标的个数，xij是第i个台区样本的电气特征指标j的样本值，σj为电气特征指标j的样本方差，zij为xij标准化处理后的量；
在主网络训练的正向传播中，经过各隐含层逐层处理传向输出层，若输出层输出结果没有达到期望值，则转到损失函数的反向传播，即对各神经元权值和阈值进行调整，权值和阈值不断调整的过程是主网络学习训练过程，直到损失值达到预期范围或者达到设定的学习次数为止；
学习速率决定每次循环训练中所产生的权值变化量，学习速率过高会导致系统的不稳定，学习速率过低又会导致较长的训练时间，可能收敛很慢，不过能避免网络的损失值陷入局部最优，在一般情况下，倾向于选取较小的学习速率以保证系统的稳定性；
当网络训练好时，将网络中的参数值固化并保存模型。
2)LLPIVEN的应用：将测试集输入训练好的LLPIVEN模型，对台区线损进行合理预测并给出合理区间。
根据分类结果，用LLPIVEN模型对三类台区样本进行训练学习，计算三类台区样本的线损率并进行误差分析。以一类台区为例，选取70个样本作为测试集。所计算的样本台区线损值和合理区间如图6所示。
由图6中可以看出，前述的台区分类和关键影响因子识别有效地提高了台区线损的计算准确度，所得的台区线损区间均能覆盖线损实际值，且所提模型的线损计算值相对于区间中间值更贴合线损真实值。
表5中对比了不同算法在PICP、MPIW、MAE三个指标下的性能。其中PICP、MPIW为评估区间质量的指标。MAE全称是Mean Absolute Error，即平均绝对值误差，为评估值计算结果的指标，表示预测值和实际值之间绝对误差的平均值，对比算法包含以下几种：
(1)BP+KDE：BP神经网络进行值预测，核密度估计给出合理区间
(2)QD、DE：区间预测方法，预测值为区间中点
(3)QD+：区间预测与值预测结合的方法
表5不同算法计算效果对比
算法 PICP MPIW MAE
BP+KDE 0.93±0.01 7.88±0.25 9.08±0.03
QD 0.95±0.01 3.47±0.03 10.23±0.12
QD+ 1.00±0.01 5.01±0.11 10.08±0.03
DE 0.92±0.01 2.61±0.05 6.66±0.06
LLPIVEN 0.95±0.01 2.22±0.15 7.03±0.4
通过与不同算法间对比，可以看出，在区间预测性能上，所提模型能够在保持尽可能大的覆盖范围(PICP)的前提下使得合理缩小区间范围(MPIW)，在值预测性能上，所提模型能够使得MAE尽可能小；综上，所提模型能够兼顾台区线损值计算和区间计算的性能，有助于实现台区线损精细化分析与管理。
实施例2。
本发明实施例2介绍了一种基于数据驱动的台区线损量化系统。包括：获取模块，影响因子计算模块，建模估算模块，其中：
获取模块用于获取台区数据，利用聚类分析方法对台区数据进行分类，得到台区电气特征指标体系；
影响因子计算模块用于根据台区电气特征指标体系，利用灰色关联分析，得到台区电气特征指标与当前类型台区线损率的关联程度，通过对关联程度进行排序，得到关键影响因子指标，从而构成台区线损率关键影响因子集；
建模与估算模块用于构建台区线损值及合理区间计算模型，将台区线损率关键影响因子样本集作为台区线损及其合理区间计算模型的数据输入，得到台区线损值及合理区间。
实施例3。
本发明实施例3提供了一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例1所述的基于数据驱动的台区线损量化方法中的步骤。
实施例4。
本发明实施例4提供了一种电子设备。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明实施例1所述的基于数据驱动的台区线损量化方法中的步骤。
本发明的有益效果在于，与现有技术相比，
本发明通过改进K-Means聚类分析方法实现台区分类，在此基础上，对特征各异的不同类别台区分别应用改进加权灰色关联分析方法确定各自的台区线损率关键影响因子集，最后以关键影响因子集作为输入，在所提出的台区线损及区间计算模型(Line LossPrediction Intervals with Specific value prediction,LLPIVEN)中训练并固化模型，从而实现台区线损及合理区间的快速估算，有助于台区线损的精准量化和精细化管理。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其它设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于数据驱动的台区理论线损区间估算方法，其特征在于，包括以下步骤：
步骤1，获取台区数据，利用聚类分析方法对台区数据进行分类，得到台区电气特征指标体系；
步骤2，根据台区电气特征指标体系，利用灰色关联分析，得到台区电气特征指标与当前类型台区线损率的关联程度，通过对关联程度进行排序，得到关键影响因子指标，从而构成台区线损率关键影响因子集；
步骤3，构建台区线损值及合理区间计算模型，将台区线损率关键影响因子样本集作为台区线损及其合理区间计算模型的数据输入，得到台区线损值及合理区间。
2.根据权利要求1所述的一种基于数据驱动的台区理论线损区间估算方法，其特征在于，
步骤1中电气特征指标体系包括：静态线损因素和动态线损因素；
静态线损因素包括：居民容量，非居民容量，居民用户比例，非居民用户比例，光伏用户比例；
动态线损因素包括：平均日最大功率，平均负载率。
3.根据权利要求1所述的一种基于数据驱动的台区理论线损区间估算方法，其特征在于，
步骤3中，台区线损及合理区间计算模型包括：输入层，主网络和输出层。
4.根据权利要求3所述的一种基于数据驱动的台区理论线损区间估算方法，其特征在于，
输入层对输入数据进行标准化处理，标准化处理公式如下：
Figure FDA0004062310660000011
Figure FDA0004062310660000012
Figure FDA0004062310660000013
式中，
N表示台区线损关键影响因子集中电气特征指标的个数，
Figure FDA0004062310660000021
表示电气特征j的样本平均值，xij表示第i个台区样本的电气特征j的样本值，σj表示电气特征j的样本方差，Zij表示xij标准化处理后的量。
5.根据权利要求3所述的一种基于数据驱动的台区理论线损区间估算方法，其特征在于，
主网络包括：神经网络隐藏层，用于挖掘电气特征指标和台区理论线损之间的映射关系，将其作为输入提供给模型输出层。
6.根据权利要求5所述的一种基于数据驱动的台区理论线损区间估算方法，其特征在于，
输出层台区线损计算公式如下：
y(x)＝v(x)U(x)+[1-v(x)]L(x)
式中，
y(x)表示台区样本线损值；
v(x)表示模型辅助权重值，v(x)∈[0,1]；
U(x)表示台区样本合理区间上限；
L(x)表示台区样本合理区间下限；
模型输出第i个台区样本的合理区间上下限和样本线损值(Li(x),Ui(x),yi(x))使得满足Pr(Li≤yi≤Ui)≥1-α，其中，1-α表示合理区间(Li(x),Ui(x))的置信水平，Pr表示概率。
7.根据权利要求1所述的一种基于数据驱动的台区理论线损区间估算方法，其特征在于，
步骤3还包括：使用区间覆盖率和平均区间宽度两个评价指标来评价合理区间的结果。
8.一种利用权利要求1-7任一项权利要求所述方法的一种基于数据驱动的台区理论线损区间估算系统，其特征在于，包括：获取模块，影响因子计算模块，建模估算模块，其特征在于：
获取模块用于获取台区数据，利用聚类分析方法对台区数据进行分类，得到台区电气特征指标体系；
影响因子计算模块用于根据台区电气特征指标体系，利用灰色关联分析，得到台区电气特征指标与当前类型台区线损率的关联程度，通过对关联程度进行排序，得到关键影响因子指标，从而构成台区线损率关键影响因子集；
建模与估算模块用于构建台区线损值及合理区间计算模型，将台区线损率关键影响因子样本集作为台区线损及其合理区间计算模型的数据输入，得到台区线损值及合理区间。
9.一种终端，包括处理器及存储介质；其特征在于：
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1-7任一项所述一种基于数据驱动的台区理论线损区间估算方法的步骤。
10.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7任一项所述一种基于数据驱动的台区理论线损区间估算方法的步骤。
CN202310066049.6A 2023-01-16 2023-01-16 一种基于数据驱动的台区理论线损区间估算方法及系统 Pending CN116187835A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310066049.6A CN116187835A (zh) 2023-01-16 2023-01-16 一种基于数据驱动的台区理论线损区间估算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310066049.6A CN116187835A (zh) 2023-01-16 2023-01-16 一种基于数据驱动的台区理论线损区间估算方法及系统

Publications (1)

Publication Number Publication Date
CN116187835A true CN116187835A (zh) 2023-05-30

Family

ID=86445601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310066049.6A Pending CN116187835A (zh) 2023-01-16 2023-01-16 一种基于数据驱动的台区理论线损区间估算方法及系统

Country Status (1)

Country Link
CN (1) CN116187835A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912202A (zh) * 2023-07-13 2023-10-20 中国中医科学院眼科医院 一种医用高值耗材管理方法和系统
CN117075756A (zh) * 2023-10-12 2023-11-17 深圳市麦沃宝科技有限公司 用于智能触摸键盘的实时感应数据处理方法
CN117154716A (zh) * 2023-09-08 2023-12-01 国网河南省电力公司 一种分布式电源接入配电网的规划方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912202A (zh) * 2023-07-13 2023-10-20 中国中医科学院眼科医院 一种医用高值耗材管理方法和系统
CN116912202B (zh) * 2023-07-13 2024-01-30 中国中医科学院眼科医院 一种医用高值耗材管理方法和系统
CN117154716A (zh) * 2023-09-08 2023-12-01 国网河南省电力公司 一种分布式电源接入配电网的规划方法及系统
CN117154716B (zh) * 2023-09-08 2024-04-26 国网河南省电力公司 一种分布式电源接入配电网的规划方法及系统
CN117075756A (zh) * 2023-10-12 2023-11-17 深圳市麦沃宝科技有限公司 用于智能触摸键盘的实时感应数据处理方法
CN117075756B (zh) * 2023-10-12 2024-03-19 深圳市麦沃宝科技有限公司 用于智能触摸键盘的实时感应数据处理方法

Similar Documents

Publication Publication Date Title
CN112508275B (zh) 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备
CN111738512B (zh) 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法
CN108491970B (zh) 一种基于rbf神经网络的大气污染物浓度预测方法
CN111563706A (zh) 一种基于lstm网络的多变量物流货运量预测方法
CN110648014B (zh) 一种基于时空分位数回归的区域风电预测方法及系统
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN109685277A (zh) 用电量预测方法及装置
CN111861013B (zh) 一种电力负荷预测方法及装置
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN111401599B (zh) 一种基于相似性搜索和lstm神经网络的水位预测方法
CN114386324A (zh) 一种基于转折性时段识别的超短期风电功率分段预测方法
CN112329990A (zh) 一种基于lstm-bp神经网络的用户用电负荷预测方法
CN112884236B (zh) 一种基于vdm分解与lstm改进的短期负荷预测方法及系统
CN112434848A (zh) 基于深度信念网络的非线性加权组合风电功率预测方法
CN113537469B (zh) 一种基于LSTM网络和Attention机制的城市需水预测方法
CN115600729A (zh) 一种考虑多属性网格电网负荷预测方法
CN111882114B (zh) 一种短时交通流量预测模型构建方法及预测方法
Wibawa et al. Long Short-Term Memory to Predict Unique Visitors of an Electronic Journal
CN117313795A (zh) 一种基于改进dbo-lstm的智慧楼宇能耗预测方法
CN114881429B (zh) 基于数据驱动的台区线损量化方法及系统
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN110516792A (zh) 基于小波分解和浅层神经网络的非平稳时间序列预测方法
CN113656707A (zh) 一种理财产品推荐方法、系统、存储介质及设备
Wen et al. Short-Term Power Load Forecasting with Hybrid TPA-BiLSTM Prediction Model Based on CSSA.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination