本研究通过广泛调研上海相关地区的负荷特征和规划需求，分析多种数据环境下用电负荷数据清理和关联融合；预测分析区域符合的关键影响因素，约简分类规则，简化预测模型；基于深度学习分析用户用电行为，分析不同行业用户的负荷特性和关联关系，构建动态聚类模型，建立基于用户用电行为负荷预测模型；分析比较现有短期电力电量预测方法，研究出适合上海电网实际情况和需要的负荷曲线的精细化预测方法，并用于同时率的分析等日常管理，根据基于精细化负荷预测结果，制定合适的新能源接入方案， 进行应用试点和实测。 

        主要技术特点： 

（1）创新用三大相关系数（pearson 相关系数， spearman 相关系数， Kendall 相关系数）对影响电量负荷预测的因素进行关联度排序，分析泛在物联网环境下的电量负荷预测关键影响因素，约简分类规则，简化预测模型。 

（2）实现 DBSCAN 聚类算法对用电用户属性特征进行分类，分析不同行业用户的负荷特性，从多侧面多角度来描述不同类用户的用电负荷特性。 

（3）全面分析比较现有中长期电力负荷预测方法，研究出适合上海电网实际情况和需要的负荷曲线的精细化预测方法，并用于日常分析管理中。 

（4）基于人工智能的负荷预测曲线分析研究，挖掘供电量、负荷、天气等因素潜在的关联和价值，制定合适的网架优化方案。 

（5）基于人工智能的负荷预测曲线分析研究，制定合适的新能源接入方案。

        用电负荷预测。

合作方式：技术转移，产学研合作等。

价格：面议

联系方式：长按扫描二维码，填写您的需求