本发明为基于混合机器学习的配电网负荷预测装置及方法，人工智能预测技术领域。其中，该装置包含数据采集模块、数据存储模块、数据预处理模块以及预测模块；该方法包含以下步骤：S1：采集区域内居民小区的负荷数据；S2：对居民小区负荷数据进行预处理；S3：利用Copula熵和模糊隶属度函数计算节点属性特征；S4：构造配电站辖区的权重图；S5：建立混合机器学习模型和损失函数，并利用权重图训练；S6：利用混合机器学习模型预测配电网的负荷数据。本发明方法对负荷数据特征进行加权、融合和更新，能够显著提高预测的精度、效率和泛化能力。
📄 2024106353142
📂 G06F18_213
👤 西南大学, 国网能源研究院有限公司, 国网青海省电力公司经济技术研究院
📅 2024-05-17
本发明涉及一种售电公司的春节期间售电量预测方法，包括：S1：根据其负荷水平标记出春节期间历史用电量数据分别进行开停工信息标记；S2：将历史用电量数据由离散点拟合为用电量曲线；S3：选取与预测年数据关联度最高的年份作为历史用电量拟合曲线；S4：获取待预测年用户的开停工信息，并与历史拟合曲线相互匹配获得各个用户的预测结果；S5：对春节期间处于非开停工日期的用电量采用鲁棒极限学习机进行预测；S6：求取最终的售电公司售电量预测结果。本发明能够更好的捕捉工商业用户在春节期间的用电特性，能更好的体现用户历史用电习惯与预测年用电行为的关系，以及更好的选择与预测年用户行为较为吻合的历史曲线。
📄 2019107734901
📂 G06Q10_04
👤 广东工业大学
📅 2019-08-21
本发明公开了一种基于重要点分割的多分段短期负荷预测方法，包括以下步骤：1)采集地区历史负荷数据、历史温度数据以及历史相对湿度数据；2)根据月份对电力负荷进行季节性划分；3)使用非参数核密度拟合提取分季典型日负荷曲线；4)对分季典型日负荷曲线使用重要点分割进行重要点的确定；5)基于已确定好的分割点对待预测负荷曲线及气象因素曲线进行多分段处理；6)对各子分段建立基于鲁棒极限学习机(outlier robust extreme learning machine,ORELM)短期负荷预测模型。
📄 2018110193507
📂 G06N3_04
👤 广东工业大学
📅 2018-08-27
本发明公开了一种电力负荷预测方法。在我国电网公司加大需求侧改革力度、更加有效进行电力系统运行经济调度的大背景下，本发明专利提出一种快速有效的电力负荷预测方法。首先使用DBSCAN算法对电力负荷数据进行聚类，获得聚类结果C和类中心；然后将预测日N天的负荷特征数据作为训练数据输入前级LSTM神经网络，输出预测日负荷特征；最后计算预测日负荷特征与DBSACN聚类之后的类中心的欧式距离，将距离最小的类中心所对应的负荷数据与原始负荷数据合并作为训练数据输入到后级LSTM神经网络中，输出预测日负荷曲线。
📄 2018114246842
📂 G06Q10_04
👤 广东安恒电力科技有限公司
📅 2018-11-27
本发明公开了一种基于云计算的电力负荷预测方法，利用正交化最小二乘法OLS算法计算中心向量，通过设置阈值和精度参数保证计算结果的准确性，随后在Hadoop的云计算环境下，将k‑means聚类算法融入到MapReduce架构中，以此计算中心向量的修正值，根据中心向量的修正值求得扩展参数，并根据等式保证结果的精度，接着利用中心向量和扩展参数求得径向基函数值，并以此求得权重值，最后将径向基函数值和权值代入值RBF神经网络中计算预测结果。本申请在Hadoop环境下，以OLS算法、k‑means聚类算法、MapReduce架构和RBF神经网络为基础，构建了一种电力负荷预测的方法，在保证了预测准确性的前提下，提高了运行速度。
📄 2022109924457
📂 H02J3_00
👤 金陵科技学院
📅 2022-08-18
本发明提供一种基于大数据简约的短期电力负荷预测方法，所述方法包括：首先利用Lasso原理将大数据中冗余数据和坏数据进行剔除，然后通过主成分分析PCA对环境因素变量进行降维及特征提取。提取的特征向量以及简约处理后的历史负荷数据共同作为Elman神经网络的输入进行训练预测。本发明方法明显提高了短期电力负荷的预测精度和速度。
📄 2016111655699
📂 G16Y10_00
👤 燕山大学
📅 2016-12-16
本发明涉及一种新型三阶段短期电力负荷预测方法，属于电力负荷预测技术领域，包括4个步骤：选取预测时刻前n个时刻的原始电力负荷序列；采用VMD将原始电力负荷序列分解为k个本征模态函数并针对每个本征模态函数分别建立基于FA‑ELM的分层预测模型，得到分层预测序列；构建基于FA‑ELM的误差纠正模型，得到误差纠正序列；通过基于FA‑ELM的非线性集成方法得到最终的负荷预测序列。本发明基于FA‑ELM的非线性集成方法拥有强大的非线性映射能力，可以有效地提高强非线性和非平稳性下短期电力预测的精度；通过VMD、FA‑ELM、分层预测、误差纠正和非线性集成方法，逐步地提高了复杂模态下短期电力负荷预测的精度。
📄 2020114756429
📂 G06Q10_04
👤 燕山大学
📅 2020-12-14
本发明公开了一种电动汽车负荷预测方法及系统。该方法包括：对目标区域的电动汽车保有量进行预测；对目标区域的电动汽车的随机路径进行预测；基于保有量和随机路径，对一天内电动汽车的负荷分布情况进行预测；基于车辆与电网的电能交互关系对负荷分布情况进行优化，得到优化后的电动汽车负荷分布。本发明能够实现针对某个地区的电动汽车负荷的预测。
📄 2019112129355
📂 G06Q10_04
👤 燕山大学
📅 2019-12-02
本发明提出一种基于高性能的CIG混合模型的电力负荷区间预测方法，其结合自适应噪声完备集合经验模态分解‑排列熵(CEEMDAN‑PE)信号重构算法，非线性拟合能力较强的门控循环单元(GRU)以及优秀参数优化能力的改进灰狼算法(IGWO)的CIG混合模型进行短期电力负荷区间预测。首先，利用基于CEEMDAN‑PE对电力负荷信号进行分解与重构。其次，基于区间预设准则对重构后的主趋势信号进行区间预设值的处理。然后，对次要信号部分分别进行IGWO‑GRU负荷点预测，对主趋势信号构建两个IGWO‑GRU网络模型分别对主趋势信号区间上限与下限进行预测。最后，将次要信号的点预测结果与主趋势信号的区间预测结果加和，由此获得电力负荷区间预测结果。
📄 2022105973331
📂 G06Q10_04
👤 福州大学
📅 2022-05-30
本发明涉及一种基于ISGU混合模型的短期电力负荷预测方法及系统，该方法包括以下步骤：步骤S1：输入电力负荷数据及相关因素，并进行数据预处理，包括对星期、节假日因素进行数字化处理以及对电力负荷特征值进行筛选，然后划分得到训练集和预测集；步骤S2：构建结合GRU网络和ISSA算法的ISGU混合模型，并通过训练集和预测集对ISGU混合模型进行训练和测试，得到训练好的ISGU混合模型；步骤S3：基于训练好的ISGU混合模型进行短期电力负荷预测，获得电力负荷预测结果。该方法及系统有利于提高短期电力负荷预测精度，进而提高电力系统的稳定性和安全性。
📄 2021113978120
📂 H02J3_00
👤 福州大学
📅 2021-11-19
本发明请求保护一种结合CDC‑VMD和回声状态网络的短期电力负荷预测方法，首先使用局部方向中心性聚类算法CDC对原始负荷数据进行精确聚类，并采用戴维森堡丁指数DBI对比其他聚类算法，得出CDC算法聚类效果最优。之后采用变分模态分解VMD对负荷数据进行处理，将负荷序列分解得到多个本征模态函数(IMF)，以降低神经网络预测模型输入数据的复杂程度，分别计算各个IMF分量的样本熵(SE)，将相近样本熵值的分量合并为一个新的序列，以减少所需训练的模型数量，最后利用深度回声状态网络DESN来拟合各个序列的历史数据和预测数据的关系，并叠加各模型的预测结果得到最后的预测值。本发明相比于传统预测方法，有更高的精确性。
📄 2023100037467
📂 G06Q10_04
👤 重庆邮电大学
📅 2023-01-03
本发明公开了一种分位数概率电力负荷预测方法及系统，属于电力负荷预测技术领域。该方法包括对外部特征数据的特征类型进行筛选，去除对电力负荷影响小于关系阈值的特征类型，剩余与电力负荷相关的特征类型；将与电力负荷相关的特征类型对应的外部特征数据作为数据集训练QRGSNP模型；将待预测时间点与电力负荷相关的特征类型对应的外部特征数据输入训练好的QRGSNP模型，获得该时间点若干不同概率的预测值；将该时间点若干不同概率的预测值作为分位数，并利用不同的分位数作为上下界设置置信区间，从而对该时间点电力负荷进行区间预测。本发明利用LASSO模型筛除数据中与负荷关系较小的特征，并利用QRGSNP模型进行分位数预测，显著提升了预测性能。
📄 202411701031X
📂 H02J3_00
👤 西华大学
📅 2024-11-26
柿子坊 · 知识产权运营
柿子坊知识产权运营平台