专利交易市场

一种计量区域用电需量的错峰计算方法，涉及能耗管理技术领域，所解决的是减轻电力系统负担的技术问题。该方法先将各个负荷节点划分为多个负荷群，再对历史月最大用电需量发生日的负荷有功数据进行间隔采样后，构建各个负荷节点的节点采样曲线，再将同一负荷群的节点采样曲线叠加后得到负荷群的群负荷采样曲线；再采用移动群负荷采样曲线上基点的方式，使每个负荷群都有若干条偏移量不同的群负荷采样曲线；然后以每个负荷群取一条群负荷采样曲线的方式进行组合，将同一组合中的曲线叠加后得到的特征曲线峰值设定为该组合的S值；再根据S值最小的组合中的各曲线的偏移量来调节各个负荷群的运行起始时间。本发明提供的方法，能节省用户用电成本。

本发明涉及数据处理技术领域，具体涉及一种基于充电负荷预测的有序充电调度方法，包括：获取充电桩目标负荷数据和充电桩历史负荷数据序列；获取充电桩目标负荷数据与充电桩历史负荷数据序列中每个充电桩历史负荷数据的关联程度；获取若干个历史邻域数据序列和目标邻域数据序列，根据充电桩历史负荷数据序列中每个充电桩历史负荷数据与充电桩目标负荷数据的关联程度，获取目标邻域数据序列与每个历史邻域数据序列的关联置信程度；根据最佳关联程度差值序列的关联置信程度对模型预测误差相关参数调整，实现充电桩有序充电调度。本发明实现模型对于充电桩负荷数据中非平稳性因素影响的削弱，获得精准的充电负荷预测，实现对充电桩的有序充电调度。

本发明属于电力系统负荷预测技术领域，具体公开了一种日高峰负荷预测方法、计算机设备以及可读存储介质。本发明首先通过改进的自适应噪声完全集合经验模态分解方法对原始日高峰负荷数据进行分解，然后将分解得到的各个模态分量重构为高频部分和低频部分；对于高频部分，本发明采用XGBoost作为Bagging并行集成学习方法的基学习器，并引入麻雀搜索算法对XGBoost的超参数进行优化，可以实现对高频部分的精细化预测，更好的跟踪负荷变化细节；对于低频部分，本发明使用多元线性回归快速准确地预测；此外，与传统的预测方式所采用的直接累积重构方法不同，本发明使用Bagging‑RBFNN对负荷的高频部分和低频部分进行误差修正重构，从而输出最终预测结果，大大提高了负荷预测精度。