-
公开(公告)号:CN113256017A
公开(公告)日:2021-08-13
申请号:CN202110630901.9
申请日:2021-06-07
申请人: 国网山东省电力公司电力科学研究院 , 上海交通大学 , 国家电网有限公司
发明人: 魏大钧 , 张宇帆 , 石岩 , 李昭昱 , 程艳 , 郝然 , 邢家维 , 艾芊 , 孙树敏 , 李雪亮 , 李勇 , 李笋 , 于芃 , 王士柏 , 王玥娇 , 张兴友 , 王楠 , 郭永超 , 关逸飞
摘要: 本公开公开的一种短期负荷预测方法及系统,包括:获取历史负荷;将历史负荷输入训练好的负荷序列预测模型中,生成合成负荷;将合成负荷进行投影运算,获得合成历史负荷和待预测负荷;将合成历史负荷、历史负荷和待预测负荷输入训练好的预测预测器中,输出短期负荷预测结果。实现了对短期负荷的准确预测。
-
公开(公告)号:CN109829587A
公开(公告)日:2019-05-31
申请号:CN201910111272.1
申请日:2019-02-12
申请人: 国网山东省电力公司电力科学研究院 , 国家电网有限公司 , 上海交通大学
摘要: 本发明提出了一种基于深度长短时记忆(LSTM,Long Short-Term Memory)网络的小区域级超短期负荷预测及可视化方法,该方法包括:步骤1:确定模型的输入输出变量;步骤2:对输入输出数据集分别进行预处理;步骤3:构造深度LSTM负荷预测模型,并采用随机搜索的方法,寻找合适的超参数直到测试集预测误差达到最小。步骤4:采用t-SNE可视化技术对网络隐藏层向量进行可视化表征,并根据隐藏层向量形成相关系数热图进行相关性定量分析,从而反映网络对输入数据特征提取能力。该方法旨在利用深度学习模型的特征提取能力以及LSTM时序相关性学习能力,以获得与机器学习模型相比更高的预测精度。
-
公开(公告)号:CN110705694A
公开(公告)日:2020-01-17
申请号:CN201910951934.6
申请日:2019-09-30
申请人: 国网山东省电力公司电力科学研究院 , 国家电网有限公司
发明人: 麻常辉 , 周宁 , 李山 , 张宇帆 , 艾芊 , 王亮 , 张冰 , 马琳琳 , 武诚 , 张志轩 , 房俏 , 陈博 , 刘文学 , 赵康 , 李文博 , 蒋哲 , 杨冬 , 马欢 , 邢鲁华
摘要: 本发明公开了一种基于特征提取的面向边缘数据中心的窃电监测方法,包括以下步骤:S1,深度卷积生成对抗网络训练,并提取特征;S2,将提取的特征输入L2SVM算法进行训练;S3,利用训练后的L2SVM算法进行窃电监测。本发明实施例的技术方案通过在集中式数据中心训练深度卷积生成对抗网络,克服了在边缘数据中心训练深度学习网络算力不足的缺点;将DCGAN鉴别器作为特征提取模型,由于深度学习网络具有非线性以及逐层映射的特点,可以实现信息的有效提取;在边缘数据中心,基于DCGAN提取得到特征,部署采用L2SVM算法的窃电监测模型,实现窃电监测的准确度与计算效率的兼顾。
-
公开(公告)号:CN111461923A
公开(公告)日:2020-07-28
申请号:CN202010259498.9
申请日:2020-04-03
申请人: 国网山东省电力公司聊城供电公司 , 国家电网有限公司 , 上海交通大学
摘要: 本发明公开了一种基于深度卷积神经网络的窃电监测系统和方法,涉及电力监测技术领域,包括数据输入模块,基于深度卷积神经网络的窃电深度卷积神经网络模型训练模块,以及窃电深度卷积神经网络模型监测效果评估模块,数据输入模块将正常用电数据与窃电数据合成,将合成后的数据进行预处理,将预处理后的数据分为训练集和测试集;窃电深度卷积神经网络模型训练模块,接收数据输入模块预处理后的数据对窃电深度卷积神经网络模型进行训练;窃电深度卷积神经网络模型监测效果评估模块,对窃电深度卷积神经网络模型窃电监测效果进行全面的评估,本发明实现了对数据包含的有效信息的挖掘,使得窃电监测准确度提高,且对于正常用电负荷变化更具鲁棒性。
-
公开(公告)号:CN110649627A
公开(公告)日:2020-01-03
申请号:CN201911029678.1
申请日:2019-10-28
申请人: 国网湖北省电力有限公司电力科学研究院 , 上海交通大学
摘要: 本发明公开了一种基于GBRT的静态电压稳定裕度评估方法及系统,其特征在于,分为离线和在线两个部分;所述离线训练数据库在线下建立,旨在涵盖尽可能多的网架结构,提升GBRT的泛化能力;并基于GBRT和最优潮流建立测量值与静态电压稳定裕度的非线性关系:在线评估在于根据所述离线部分建立的非线性关系,结合当前PMU的实时测量情况,预测电力系统当前静态电压稳定裕度,并在稳定性不足时给调度人员予以必要提醒。本发明还计算了节点重要性指标,并优先在重要节点布置PMU,以更小的经济成本获取误差容许范围内的预测指标,经济性更好。本发明结合了机理建模与数据挖掘的优点,实时性好、准确性高。
-
公开(公告)号:CN115759393A
公开(公告)日:2023-03-07
申请号:CN202211426225.4
申请日:2022-11-14
摘要: 本发明提供一种基于集成学习的累积负荷基线预测方法,包含步骤:S1、基于聚类算法,为M个电力用户生成N种不同的划分方式,共得到多个集群;S2、将集群在一天中的累积负荷、累积负荷基线作为集群在该天的输入特征、标签;基于各集群在不同日期的输入特征,分别建立训练集、验证集、测试集;S3、通过训练集训练网络模型,网络模型根据单天所述多个集群的输入特征,在多个分位点预测各种划分方式下,M个电力用户的累积负荷基线;S4、将验证集中的样本输入训练好的网络模型,基于损失函数,在各分位点,为网络模型预测的N种划分方式下的累积负荷基线分别设置权重系数;S5、基于训练好的网络模型和设置的权重系数,通过测试集检验预测方法的准确性。
-
公开(公告)号:CN110503268B
公开(公告)日:2022-09-27
申请号:CN201910809481.3
申请日:2019-08-29
摘要: 本发明公开了一种模型数据联合驱动的综合能源系统态势感知方法,涉及一种综合能源系统状态感知技术,包括以下步骤:步骤1、基于随机矩阵理论的异常量测检测方法,确定异常量测;步骤2、剔除步骤1中的异常量测,读取线路连接关系,生成综合能源系统的阻抗矩阵;执行综合能源系统的态势理解方法,实现对综合能源系统的量测的准确感知;步骤3、利用基于PID控制策略的超短期预测方法预测电网有功功率值和热网管道的流量,再次执行步骤2中的态势理解方法,预估综合能源系统下一时段的运行状态。本发明具有更高的检测精度和鲁棒性,可同时考虑模型的动态特性和模型的静态特性,且基于PID控制策略提出的超短期预测方法具有更强的动态跟踪能力。
-
公开(公告)号:CN111291782A
公开(公告)日:2020-06-16
申请号:CN202010032213.8
申请日:2020-01-13
摘要: 本发明公开了一种基于信息累积k-Shape聚类算法的累积负荷预测方法,包括:根据用电负荷曲线的形状特征,执行k-Shape聚类;再转化成为用户之间负荷曲线的相似性矩阵和距离矩阵;在距离矩阵上获得刻画每个用户之间距离的分层结构;选择不同的聚类个数得到对用户不同的集群划分,训练学习模型,对用户的累积负荷进行概率性和确定性预测;确定每种集群划分的概率性和确定性预测累积负荷预测结果的权重,并将其组合为最终的累积负荷预测结果。本发明提出了较为全面地涵盖用户用电负荷的形状信息,而不依赖于提取特征;有利于用户用电特征的描述;实现了累积负荷预测的集成学习,以及概率性和确定性预测准确度的提高。
-
公开(公告)号:CN110503268A
公开(公告)日:2019-11-26
申请号:CN201910809481.3
申请日:2019-08-29
申请人: 上海交通大学
摘要: 本发明公开了一种模型数据联合驱动的综合能源系统态势感知方法,涉及一种综合能源系统状态感知技术,包括以下步骤:步骤1、基于随机矩阵理论的异常量测检测方法,确定异常量测;步骤2、剔除步骤1中的异常量测,读取线路连接关系,生成综合能源系统的阻抗矩阵;执行综合能源系统的态势理解方法,实现对综合能源系统的量测的准确感知;步骤3、利用基于PID控制策略的超短期预测方法预测电网有功功率值和热网管道的流量,再次执行步骤2中的态势理解方法,预估综合能源系统下一时段的运行状态。本发明具有更高的检测精度和鲁棒性,可同时考虑模型的动态特性和模型的静态特性,且基于PID控制策略提出的超短期预测方法具有更强的动态跟踪能力。
-
公开(公告)号:CN115907421A
公开(公告)日:2023-04-04
申请号:CN202211658742.4
申请日:2022-12-22
IPC分类号: G06Q10/0631 , G06Q50/06 , G06F18/23 , G06F18/20
摘要: 本发明公开一种参与需求响应用户的用电模型构建方法,包括:选取若干个参与需求响应的用户;根据每一用户的历史用电数据并利用聚类算法将所有用户分为若干组;根据每一组内用户的历史用电数据并利用马尔可夫链构建对应组的概率转移矩阵;根据每一组的概率转移矩阵计算对应组的熵;根据每一组的熵和对应组内用户的历史用电数据构建用户的用电模型。其中根据每一组的熵计算对应组内用户对自身消费模式改变的态度参数,根据用户的历史用电数据和用户对自身消费模式改变的态度参数构建所述用户的用电模型。本发明能够对用户改变用电行为的难易程度进行定量描述,从而使得构建的用户的用电模型更加精确,能够对用户行为进行准确刻画。
-
-
-
-
-
-
-
-
-