CN105760952A - 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法 - Google Patents
一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法 Download PDFInfo
- Publication number
- CN105760952A CN105760952A CN201610086111.8A CN201610086111A CN105760952A CN 105760952 A CN105760952 A CN 105760952A CN 201610086111 A CN201610086111 A CN 201610086111A CN 105760952 A CN105760952 A CN 105760952A
- Authority
- CN
- China
- Prior art keywords
- network
- model
- kalman filtering
- fuzzy neural
- time series
- 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
Links
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
Abstract
本发明公开了基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法,步骤一,利用时间序列分析方法建立电网负荷的时间序列模型;步骤二,利用时间序列分析方法建立电网负荷的训练样本,利用建立的训练样本和自适应模糊神经网络对电网负荷进行预测;步骤三,根据建立的时间序列模型的预测值和自适应模糊神经网络预测值确定卡尔曼方程,时间序列模型的预测值作为卡尔曼滤波的真实值,自适应模糊神经网络的预测值作为卡尔曼滤波的测量值,从而建立基于卡尔曼滤波的预测模型,对电网负荷进行预测。本发明提出了一种基于卡尔曼滤波、神经网络以及时间序列分析的电网负荷预测分析方法,提高电网负荷预测可靠性,降低电网的供电风险,加强电网的坚强性。
Description
技术领域
本发明涉及电网负荷预测分析领域,尤其涉及一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法。
背景技术
随着经济的发展以及环境压力的增大,利用新能源的呼声越来越高,随着新能源渗透率的增大,对电网的冲击也越来越大,同时传统的电网负荷预测方法面临挑战。电力系统负荷预测是电力系统调度运营部门的一项重要的日常工作,预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量。由于电力负荷本身具有一定的不确定性、非线性、随机性等内在特点,负荷预测一直是学术研究的前沿与热点问题。随着电力市场的发展,负荷变化规律的更加复杂,而传统的单一预测方法自适应能力较差,致使负荷预测的复杂性与求解方法的局限性之间的矛盾更加突出,预测不能得到满意的结果。所以,亟需开发一种计算简单,精度较高的预测方法来解决这一难题。
电网负荷的预测方法主要有模型法和神经网络方法,这两种方法各有特点。模型法包括时间序列分析、回归分析法,卡尔曼滤波法等,神经网络方法主要有BP神经网络、遗传算法以及其改进的方法等。模型法计算简单所需数据较少,但预测精度不高,神经网络方法预测精度较高,但计算复杂,对数据要求较高。
发明内容
本发明的目的就是为了解决上述问题,提供一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法,改善了单一预测方法的预测性能,提高了电网负荷的预测性能。
为了实现上述目的,本发明采用如下技术方案:
基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法,包括以下步骤:
步骤一,利用时间序列分析方法建立电网负荷的时间序列模型;
步骤二,利用时间序列分析方法建立电网负荷的训练样本,利用建立的训练样本和自适应模糊神经网络对电网负荷进行预测;
步骤三,根据步骤一建立的时间序列模型的预测值和自适应模糊神经网络预测值确定卡尔曼方程,时间序列模型的预测值作为卡尔曼滤波的真实值,自适应模糊神经网络的预测值作为卡尔曼滤波的测量值,从而建立基于卡尔曼滤波的预测模型,对电网负荷进行预测。
所述步骤一中时间序列模型选用季节性时间序列模型。
所述步骤二中,人口数量和GDP作为自适应模糊神经网络模型的输入,输出为电网的负荷。
季节性时间序列模型的建立步骤包括:
(1)通过傅里叶周期分析方法得出序列的周期长度s;
(2)识别时间序列的平稳性;
(3)模型识别;
(4)参数估计,用极大似然估计或者最小二乘法估计得到模型中所有参数的估计值;
(5)模型检验;
(6)模型优化,通过赤池信息准则和施瓦茨准则从中选出最合适的模型阶数;
(7)电网负荷的预测,得到卡尔曼滤波的真实值。
在识别时间序列的平稳性之前把不平稳的时间序列转化为平稳序列,转化方法包括:
1)如果序列呈线性趋势,均值不平稳,则利用一阶差分;
2)如果序列呈现二次趋势,均值不是常数,则利用二阶差分;
3)如果序列呈现随时间的上升或下降偏差,方差不是常数,则利用自然对数将其平稳化。
所述步骤(3)确定相应季节性时间序列模型的阶数p、q、P、Q的取值,通过观察自相关和偏相关图估计阶数p,q,Q的可能取值,取值为0、1或2。
所述步骤(5)模型检验包括:
a.参数检验,模型变量的参数所对应的p值小于给定的检验水平0.05,通过统计性检验;
b.残差序列检验,通过对原始时间序列与建的模型之间的残差序列at进行检验,若残差序列at具有随机性,意味着所建立的模型已包含了原始时间序列的所有趋势,从而将所建立的模型应用与预测是合适的;反之,若残差序列at不具有随机性,则说明所建立的模型有待改善,应该对模型进行修正。
本发明的有益效果:
本发明提出了一种基于卡尔曼滤波、自适应模糊神经网络以及时间序列分析的电网负荷预测分析方法,很好了融合了时间序列分析、自适应模糊神经网络以及卡尔曼滤波的优点。时间序列分析重点分析了电网负荷数据本身的内在联系,能够很好的保留数据的趋势性、季节性以及随机性;自适应模糊神经网络是具有学习算法的模糊神经网络系统,依靠数据信息来对模糊神经系统的参数进行调整,通过训练改变其内部表示,使输入输出能够向好的方向发展;同时很好的解决了神经网络训练复杂、训练精度取决于网络训练精度的缺点,能够很好地表达人脑的推理功能。卡尔曼滤波是一种有效的以最小均方误差来估计系统状态的计算方法,即通过前一时刻预报误差反馈到原来预报方程中,及时修正预报方程系数,以提高下一时刻的预报精度。卡尔曼滤波预测法存在动态修改预测权值的优点,依靠预测递推方程可以获得较高的精度。
所以,本发明能够提高电网负荷预测可靠性,降低电网的供电风险,增加电网调度的智能型,加强电网的坚强性,保证供电的可靠性。
附图说明
图1为两输入一阶模糊推理模型;
图2为ANFIS运算示意图;
图3为ANFIS的结构图;
图4为建立ARIMA模型流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
利用时间序列分析方法建立电网负荷的时间序列模型,由此建立卡尔曼滤波的状态方程和测量方程。
利用时间序列分析建立电网负荷的训练样本,利用自适应模糊神经网络实现电网负荷的预测分析。
根据时间序列模型(本发明选用ARIMA模型)和自适应模糊神经网络预测值确定卡尔曼方程,实现卡尔曼滤波对电网负荷的预测。
其中ARIMA模型的预测值作为卡尔曼滤波的真实值,神经网络的预测值作为卡尔曼滤波的测量值,从而建立基于卡尔曼滤波融合的预测模型。
1.卡尔曼滤波
卡尔曼滤波的基本思想是:以最小均方误差为最佳估计准则,采用信号与噪声的状态空间模型,利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计,求出当前时刻的估计值,算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计。
假定电网负荷状态可以描述为包含确定性输入uk的一般线性随机系统,其状态空间可描述为:
卡尔曼滤波的基本方程为:
P0,0=Var(x0)
Pk,k=(I-GkCk)Pk,k-1
k=1,2,…
A、B、C、D、τ为系统参数矩阵(一般为常值矩阵),uk为k时刻的确定性输入,若无确定性输入,uk=0,ξk和ηk分别为k时刻的量测噪声和系统噪声,假设两者皆为零均值高斯白噪声,其方差分别为Qk、Rk,两者协方差是Sk。
为了能够实现上述卡尔曼滤波对电能负荷的预测分析需要,需要确定ξk和ηk、vk(实际测量值)。本发明中vk采用自适应模糊神经网络模型的输出,作为卡尔曼滤波的测量值,ξk由ARIMA季节模型的输出结果可得。
2.计算卡尔曼滤波的测量值
人口数量(POP),GDP作为自适应模糊神经网络模型(ANFIS)的输入,输出为电网的负荷。ANFIS是一种基于Sugeno模型的模糊推理系统,将模糊推理和神经网络有机的结合,其模糊隶属度及模糊规则是通过大量数据的学习完成的,经典的两输入网络结构如图2-3所示。ANFIS结构第一层是输入参数和模糊化,x、y是输入变量;Ai、Bi与该节点相关的模糊变量;O1,i,O2,i分别是模糊集Ai,Bi的隶属函数,其中
第二层,计算模糊激励强度,计算公式如下:
第三层,计算第i个激励强度与总的激励强度的比值,
第四层,该层所有的节点都是自适应的,计算输出
pi,qi,ri,是模型参数集,称为模糊推理的后件参数,可通过最下二乘法或者似然估计得到。
第五层计算第四层输入信号的总结
输出结果作为vk值。
构造如图1所示的自适应模糊神经网络模型。
3.计算卡尔曼滤波的真实值
在时间序列预测模型中选择ARIMA季节模型,ARIMA季节模型的输出结果作为卡尔曼滤波的真实值。设电网负荷xt(t=1,2,……)为随机序列,则一般季节模型为:
式中:
Θ(Bs)=1-θ1Bs-…-θqBqs
θ(B)=1-θ1B-…-θqBq
ARIMA(p,d,q)×(P,D,Q)模型是非季节ARMA(p,d,q)与季节性ARMA(P,D,Q)的结合,B被称作后移算子,即BXt=Xt-1,差分算子{xt}为自回归整和滑动平均序列(本发明中的电网负荷或者经过差分后的数据),p,d,q分别为自回归阶数、差分阶数和滑动动平均阶数,自回归系数,φP滑动系数,θq自回归算子,ΘQ季节滑动算子,at为电网负荷xt序列的残差。
如图4所示,建立季节模型的步骤为:
(1)通过傅里叶周期分析方法得出序列的周期长度s;
(2)识别时间序列的平稳性,即确定d和D的大小,常用识别工具是自相关图;在确定时间序列模型之前需把不平稳的时间序列转化为平稳序列;通常用下列方法:
1)如果序列X呈线性趋势,均值不平稳,则利用一阶差分;
2)如果序列呈现二次趋势,均值不是常数,则利用二阶差分;
3)如果序列呈现随时间的上升或下降偏差,方差不是常数,则通常可利用自然对数将其平稳化;
(3)模型识别;即确定相应ARIMA模型的阶数p、q、P、Q的取值;一般情况下,可通过观察自相关和偏相关图估计阶数p,q,Q的可能取值,取值一般为0、1或2;
(4)参数估计:用极大似然估计或者最小二乘法估计得到模型中参数的估计值;
(5)模型检验:
a.参数检验,模型变量的参数所对应的p值小于给定的检验水平0.05,通过统计性检验;
b.残差序列检验,通过对原始时间序列与所建的模型之间的残差序列at进行检验.若残差序列at具有随机性,意味着所建立的模型已包含了原始时间序列的所有趋势,从而将所建立的模型应用与预测是合适的;反之,若残差序列at不具有随机性,则说明所建立的模型有待改善,应该对模型进行修正;
(6)模型优化:通过AIC(赤池信息准则)准则、SC准则(施瓦茨准则)等,从中选出最合适的模型阶数,AIC值和SC值都是越小越好;
电网负荷的预测,得到卡尔曼滤波的真实值。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (7)
1.基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法,其特征是,包括以下步骤:
步骤一,利用时间序列分析方法建立电网负荷的时间序列模型;
步骤二,利用时间序列分析方法建立电网负荷的训练样本,利用建立的训练样本和自适应模糊神经网络对电网负荷进行预测;
步骤三,根据步骤一建立的时间序列模型的预测值和自适应模糊神经网络预测值确定卡尔曼方程,时间序列模型的预测值作为卡尔曼滤波的真实值,自适应模糊神经网络的预测值作为卡尔曼滤波的测量值,从而建立基于卡尔曼滤波的预测模型,对电网负荷进行预测。
2.如权利要求1所述基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法,其特征是,所述步骤一中时间序列模型选用季节性时间序列模型。
3.如权利要求1所述基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法,其特征是,所述步骤二中,人口数量和GDP作为自适应模糊神经网络模型的输入,输出为电网的负荷。
4.如权利要求2所述基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法,其特征是,季节性时间序列模型的建立步骤包括:
(1)通过傅里叶周期分析方法得出序列的周期长度s;
(2)识别时间序列的平稳性;
(3)模型识别;
(4)参数估计,用极大似然估计或者最小二乘法估计得到模型中所有参数的估计值;
(5)模型检验;
(6)模型优化,通过赤池信息准则准则和施瓦茨准则从中选出最合适的模型阶数;
(7)电网负荷的预测,得到卡尔曼滤波的真实值。
5.如权利要求4所述基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法,其特征是,在识别时间序列的平稳性之前把不平稳的时间序列转化为平稳序列,转化方法包括:
1)如果序列呈线性趋势,均值不平稳,则利用一阶差分;
2)如果序列呈现二次趋势,均值不是常数,则利用二阶差分;
3)如果序列呈现随时间的上升或下降偏差,方差不是常数,则利用自然对数将其平稳化。
6.如权利要求4所述基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法,其特征是,所述步骤(3)确定相应季节性时间序列模型的阶数p、q、P、Q的取值,通过观察自相关和偏相关图估计阶数p,q,Q的可能取值,取值为0、1或2。
7.如权利要求4所述基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法,其特征是,所述步骤(5)模型检验包括:
a.参数检验,模型变量的参数所对应的p值小于给定的检验水平0.05,通过统计性检验;
b.残差序列检验,通过对原始时间序列与建的模型之间的残差序列at进行检验,若残差序列at具有随机性,意味着所建立的模型已包含了原始时间序列的所有趋势,从而将所建立的模型应用与预测是合适的;反之,若残差序列at不具有随机性,则说明所建立的模型有待改善,应该对模型进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610086111.8A CN105760952A (zh) | 2016-02-15 | 2016-02-15 | 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610086111.8A CN105760952A (zh) | 2016-02-15 | 2016-02-15 | 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105760952A true CN105760952A (zh) | 2016-07-13 |
Family
ID=56330820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610086111.8A Pending CN105760952A (zh) | 2016-02-15 | 2016-02-15 | 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105760952A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106872658A (zh) * | 2017-01-22 | 2017-06-20 | 华南理工大学 | 一种基于向量时间序列模型的污水cod负荷预测的方法 |
CN107422272A (zh) * | 2017-07-07 | 2017-12-01 | 淮阴工学院 | 一种电动汽车动力电池soc智能化检测装置 |
CN107423875A (zh) * | 2017-05-17 | 2017-12-01 | 丁宇 | 基于卡尔曼滤波和时间序列分析的地铁运行趋势预测方法 |
CN107704973A (zh) * | 2017-10-31 | 2018-02-16 | 武汉理工大学 | 基于神经网络与局部卡尔曼滤波混合模型的水位预测方法 |
CN107765347A (zh) * | 2017-06-29 | 2018-03-06 | 河海大学 | 一种高斯过程回归和粒子滤波的短期风速预测方法 |
CN108561119A (zh) * | 2017-12-05 | 2018-09-21 | 西南石油大学 | 一种钻井溢流安全关井时间预测方法及系统 |
CN110297712A (zh) * | 2019-05-20 | 2019-10-01 | 贵州联科卫信科技有限公司 | 一种面向区块链节点负载预测的arima组合预测方法 |
CN110569279A (zh) * | 2019-08-23 | 2019-12-13 | 长沙学院 | 基于变量投影算法的时间序列信号重建方法 |
CN110796293A (zh) * | 2019-10-14 | 2020-02-14 | 杭州中恒云能源互联网技术有限公司 | 一种电力负荷预测方法 |
CN111967688A (zh) * | 2020-09-02 | 2020-11-20 | 沈阳工程学院 | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 |
CN112990587A (zh) * | 2021-03-24 | 2021-06-18 | 北京市腾河智慧能源科技有限公司 | 一种对台区用电进行精准预测的方法及系统、设备、介质 |
CN113537649A (zh) * | 2021-09-16 | 2021-10-22 | 南通华豪巨电子科技有限公司 | 基于神经网络与动态模式分解的电网负荷预测方法及系统 |
CN113705923A (zh) * | 2021-09-07 | 2021-11-26 | 安徽南瑞继远电网技术有限公司 | 一种基于智能算法的负荷预测方法 |
CN114046456A (zh) * | 2021-11-23 | 2022-02-15 | 重庆大学 | 融合模糊推理和神经网络的腐蚀评估方法及系统 |
CN116227366A (zh) * | 2023-05-08 | 2023-06-06 | 浙江大学 | 两阶段电机绝缘寿命预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040181491A1 (en) * | 2003-03-12 | 2004-09-16 | Hitachi, Ltd. | Method, computer equipment and a program for planning of electric power generation and electric power trade |
CN102025531A (zh) * | 2010-08-16 | 2011-04-20 | 北京亿阳信通软件研究院有限公司 | 一种性能数据的填补方法及其装置 |
US20130268222A1 (en) * | 2012-04-06 | 2013-10-10 | International Business Machines Corporation | Smoothing Power Output From a Wind Farm |
CN103605908A (zh) * | 2013-12-03 | 2014-02-26 | 天津工业大学 | 基于卡尔曼滤波的风速序列预测方法 |
-
2016
- 2016-02-15 CN CN201610086111.8A patent/CN105760952A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040181491A1 (en) * | 2003-03-12 | 2004-09-16 | Hitachi, Ltd. | Method, computer equipment and a program for planning of electric power generation and electric power trade |
CN102025531A (zh) * | 2010-08-16 | 2011-04-20 | 北京亿阳信通软件研究院有限公司 | 一种性能数据的填补方法及其装置 |
US20130268222A1 (en) * | 2012-04-06 | 2013-10-10 | International Business Machines Corporation | Smoothing Power Output From a Wind Farm |
CN103605908A (zh) * | 2013-12-03 | 2014-02-26 | 天津工业大学 | 基于卡尔曼滤波的风速序列预测方法 |
Non-Patent Citations (1)
Title |
---|
毛玉凤: "基于时间序列分析的电力需求预测及季节调整模型的研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106872658B (zh) * | 2017-01-22 | 2019-06-18 | 华南理工大学 | 一种基于向量时间序列模型的污水cod负荷预测的方法 |
CN106872658A (zh) * | 2017-01-22 | 2017-06-20 | 华南理工大学 | 一种基于向量时间序列模型的污水cod负荷预测的方法 |
CN107423875A (zh) * | 2017-05-17 | 2017-12-01 | 丁宇 | 基于卡尔曼滤波和时间序列分析的地铁运行趋势预测方法 |
CN107765347A (zh) * | 2017-06-29 | 2018-03-06 | 河海大学 | 一种高斯过程回归和粒子滤波的短期风速预测方法 |
CN107422272A (zh) * | 2017-07-07 | 2017-12-01 | 淮阴工学院 | 一种电动汽车动力电池soc智能化检测装置 |
CN107704973A (zh) * | 2017-10-31 | 2018-02-16 | 武汉理工大学 | 基于神经网络与局部卡尔曼滤波混合模型的水位预测方法 |
CN108561119A (zh) * | 2017-12-05 | 2018-09-21 | 西南石油大学 | 一种钻井溢流安全关井时间预测方法及系统 |
CN110297712A (zh) * | 2019-05-20 | 2019-10-01 | 贵州联科卫信科技有限公司 | 一种面向区块链节点负载预测的arima组合预测方法 |
CN110569279B (zh) * | 2019-08-23 | 2021-04-16 | 长沙学院 | 基于变量投影算法的时间序列信号重建方法 |
CN110569279A (zh) * | 2019-08-23 | 2019-12-13 | 长沙学院 | 基于变量投影算法的时间序列信号重建方法 |
CN110796293A (zh) * | 2019-10-14 | 2020-02-14 | 杭州中恒云能源互联网技术有限公司 | 一种电力负荷预测方法 |
CN111967688A (zh) * | 2020-09-02 | 2020-11-20 | 沈阳工程学院 | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 |
CN111967688B (zh) * | 2020-09-02 | 2024-02-23 | 沈阳工程学院 | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 |
CN112990587A (zh) * | 2021-03-24 | 2021-06-18 | 北京市腾河智慧能源科技有限公司 | 一种对台区用电进行精准预测的方法及系统、设备、介质 |
CN112990587B (zh) * | 2021-03-24 | 2023-10-24 | 北京市腾河智慧能源科技有限公司 | 一种对台区用电进行精准预测的方法及系统、设备、介质 |
CN113705923A (zh) * | 2021-09-07 | 2021-11-26 | 安徽南瑞继远电网技术有限公司 | 一种基于智能算法的负荷预测方法 |
CN113537649A (zh) * | 2021-09-16 | 2021-10-22 | 南通华豪巨电子科技有限公司 | 基于神经网络与动态模式分解的电网负荷预测方法及系统 |
CN114046456A (zh) * | 2021-11-23 | 2022-02-15 | 重庆大学 | 融合模糊推理和神经网络的腐蚀评估方法及系统 |
CN114046456B (zh) * | 2021-11-23 | 2024-02-02 | 重庆大学 | 融合模糊推理和神经网络的腐蚀评估方法及系统 |
CN116227366A (zh) * | 2023-05-08 | 2023-06-06 | 浙江大学 | 两阶段电机绝缘寿命预测方法 |
CN116227366B (zh) * | 2023-05-08 | 2023-08-11 | 浙江大学 | 两阶段电机绝缘寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105760952A (zh) | 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法 | |
Yunpeng et al. | Multi-step ahead time series forecasting for different data patterns based on LSTM recurrent neural network | |
He et al. | Short-term power load probability density forecasting method using kernel-based support vector quantile regression and Copula theory | |
Ge et al. | Modeling daily load profiles of distribution network for scenario generation using flow-based generative network | |
CN109142171A (zh) | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
CN108711847A (zh) | 一种基于编码解码长短期记忆网络的短期风电功率预测方法 | |
CN104217258A (zh) | 一种电力负荷条件密度预测方法 | |
Oludolapo et al. | Comparing performance of MLP and RBF neural network models for predicting South Africa's energy consumption | |
CN106127330A (zh) | 基于最小二乘支持向量机的脉动风速预测方法 | |
Jarábek et al. | Energy load forecast using S2S deep neural networks with k-Shape clustering | |
CN103020485B (zh) | 基于beta噪声核岭回归技术的短期风速预报方法 | |
CN110222844A (zh) | 一种基于人工神经网络的压缩机性能预测方法 | |
Cui | District heating load prediction algorithm based on bidirectional long short-term memory network model | |
CN107704426A (zh) | 基于扩展小波神经网络模型的水位预测方法 | |
Akpinar et al. | Forecasting natural gas consumption with hybrid neural networks—Artificial bee colony | |
Kosana et al. | Hybrid wind speed prediction framework using data pre-processing strategy based autoencoder network | |
Zhao et al. | Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression | |
CN105488598A (zh) | 一种基于模糊聚类的中长期电力负荷预测方法 | |
Egrioglu et al. | Fuzzy time series method based on multiplicative neuron model and membership values | |
CN105512249A (zh) | 一种基于紧凑进化算法的本体匹配方法 | |
CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及系统 | |
CN110322063B (zh) | 一种耗电功率仿真预测方法及存储介质 | |
Cao et al. | Research On Regional Traffic Flow Prediction Based On MGCN-WOALSTM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160713 |
|
RJ01 | Rejection of invention patent application after publication |