CN106960252A - 基于长短时记忆神经网络的电力负荷预测方法 - Google Patents
基于长短时记忆神经网络的电力负荷预测方法 Download PDFInfo
- Publication number
- CN106960252A CN106960252A CN201710136492.0A CN201710136492A CN106960252A CN 106960252 A CN106960252 A CN 106960252A CN 201710136492 A CN201710136492 A CN 201710136492A CN 106960252 A CN106960252 A CN 106960252A
- Authority
- CN
- China
- Prior art keywords
- lstm
- neural network
- load
- load forecasting
- term
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000015654 memory Effects 0.000 title claims description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 230000006403 short-term memory Effects 0.000 claims abstract description 12
- 230000001537 neural effect Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 19
- 230000005611 electricity Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 238000005303 weighing Methods 0.000 claims description 5
- 244000227633 Ocotea pretiosa Species 0.000 claims description 3
- 235000004263 Ocotea pretiosa Nutrition 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 7
- 210000004027 cell Anatomy 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000007935 neutral effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005183 dynamical system Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于长短时记忆神经(LSTM)网络的电力负荷预测方法,该方法包括步骤:通过输入单元输入历史时刻的电力负荷数据和区域特征因素;采用LSTM网络对历史时刻的电力负荷数据和区域特征因素进行训练建模,以生成深度神经网络负荷预测模型,该深度神经网络负荷预测模型为用于供电负荷预测的单层多任务深度神经网络模型或双层多任务深度神经网络模型;利用深度神经网络负荷预测模型对所需预测区域内的电力负荷进行预测并产生该区域内的电力负荷预测结果;通过输出单元输出该区域内的电力负荷预测结果。本发明基于深度学习领域中的LSTM网络来构建多任务学习的电力负荷预测模型,能够精确预测出多区域的用电负荷,提升了预测效果。
Description
技术领域
本发明涉及电力负荷预测技术领域,尤其涉及一种基于长短时记忆神经网络的电力负荷预测方法。
背景技术
电力负荷预测问题旨在预测出电网中单条或者多条输电线的用电需求,根据预测的时间跨度可分为:短期预测(几分钟到一周)、中期预测(一个月到一个季度)和长期预测(一年以上)。由于现有技术条件下,电能很难有效地存储在大型储电装置中,因此,在满足供电需求的条件下,尽可能地降低剩余发电量,是减少成本,提高电能使用效率的有效途径。因此,采用各种预测方法准确地预测出区域内中短期供电负荷,对规划和指导发电企业有效生产电能是十分必要的。目前,有很多主流的方法应用于电力负荷预测,像人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)、高斯过程回归(Gaussion Process Regression,GPR)、自回归移动平均模型(AutoregressiveIntegrated Moving Average Model,ARIMA)等。电力负荷与很多隐变量相关,如光照、风力、节假日等等,这些变量一般难以获取或者量化,但是可以合理地认为位于同一区域的城市拥有相似的隐变量。所以这些相邻城市的电力负荷数据是高度相关的,运用多任务学习技术将会提高这些相似区域的负荷预测精度。
多任务学习是一种通过同时联合学习多个相关任务来提高泛化能力的技术,当模型中的部分参数在任务之间被合理共享时,就能同时提高这些相关任务的负荷预测效果。近年来,随着深度学习理论研究的深入发展,将深度学习理论应用于电力系统的用电需求预测是一项很有意义的工作。现有的各种基于神经网络的预测方法很少能同时预测出跨区域的用电负荷,且提出的供电负荷预测模型并不精确。
发明内容
本发明的主要目的在于提供一种基于长短时记忆神经网络的电力负荷预测方法,基于深度学习领域中的长短时记忆神经(LSTM)网络来构建多任务学习的负荷预测模型,能够精确地同时预测出多个相邻区域的电力负荷。
为实现上述目的,本发明提供了一种基于长短时记忆神经网络的电力负荷预测方法,该方法包括如下步骤:
通过计算机的输入单元输入历史时刻的电力负荷数据和区域特征因素;
采用长短时记忆神经(LSTM)网络对所述历史时刻的电力负荷数据和区域特征因素进行训练建模,以训练生成深度神经网络负荷预测模型,所述深度神经网络负荷预测模型为用于供电负荷预测的单层多任务深度神经网络模型或者双层多任务深度神经网络模型;
利用训练生成的深度神经网络负荷预测模型对所需预测区域内的电力负荷进行预测并产生该区域内的电力负荷预测结果;
通过计算机的输出单元输出所需预测区域内的电力负荷预测结果。
优选的,所述深度神经网络负荷预测模型表示为如下公式:
Forecast=f(t,d,c,y1,u1,id)
其中,t∈[0,24],是一天当中的时间,以小时为单位;d∈{1,2,...,365,366}是一年当中的天数,以天为单位;c是一天的类型;yl是包含一段历史用电需求的历史电力负荷数据;ul是一个包含区域特征因素的实值向量;id代表用电需求的区域标识。
优选的,所述LSTM网络是一种改进型的迭代神经网络,该迭代神经网络通过对隐层状态向量ht递归应用状态转移函数f来处理输入序列的网络,处于时间步长t的隐层状态向量ht由当前输入序列xt和上一时刻的隐层状态向量ht-1决定,所述隐层状态向量ht采用如下公式表示:
优选的,所述LSTM网络由输入层、LSTM网络层和输出层构成。
优选的,所述LSTM网络层包括输入门it、输出门ot和遗忘门ft以及记忆单元ct,在时刻t,记忆单元ct记录到当前时刻t为止的所有历史信息并受到输入门it、输出门ot和遗忘门ft这三个逻辑门控制,该三个逻辑门的输出值均在0和1之间。
优选的,所述遗忘门ft控制LSTM网络层的信息檫除,所述输入门it控制LSTM网络层的信息更新,所述输出门ot控制内部状态的信息输出。
优选的,所述LSTM网络的输入序列为x=(x1,x2,...,xT),由输入层输入至LSTM网络层,输出序列为y=(y1,y2,...yT),由输出层从LSTM网络层输出,其中,T是预测期,x是历史输入数据,y是预测负荷,所述LSTM网络层的参数迭代更新方式如下公式(1)-(6)所示:
it=σ(Wixt+Uiht-1+Vict-1) (1)
ft=σ(Wfxt+Ufht-1+Vfct-1) (2)
ot=σ(Woxt+Uoht-1+Voct) (3)
ht=ot⊙tanh(ct) (6)
其中,xt是t时刻的输入序列,σ表示为sigmoid函数,⊙表示为元素间的相乘,W是输入权重,U是隐层状态h的循环权重,V是历史信息的影响权重,tanh为隐层状态h的双曲正切函数。
优选的,所述单层多任务深度神经网络模型的多个相关任务共享一个相同的LSTM网络层,该相同的LSTM网络层在时刻t的输出表示为其中初始化参数是均匀分布在[-0.1,0.1]之间的随机采样值。
优选的,所述双层多任务深度神经网络模型的两个相关任务各自赋予一个LSTM网络层,每个任务分别使用另一个任务的LSTM网络层的相关信息,并通过一个全局门控单元来控制双层多任务深度神经网络模型的信息接收。
优选的,所述双层多任务深度神经网络模型的LSTM网络层在时刻t的输出表示为和其中,和的初始化参数是均匀分布在[-0.1,0.1]之间的随机采样值,(m,n)为给定一组相关任务,第m个任务的LSTM网络层的记忆信息如公式所示:
其中,xt是t时刻的输入序列,σ表示为sigmoid函数,W是输入权重,U是隐层状态h的循环权重,V是历史信息的影响权重,tanh为隐层状态h的双曲正切函数。
相较于现有技术,本发明所述基于长短时记忆神经网络的电力负荷预测方法基于深度学习领域中的长短时记忆神经网络(Long Short-term Memory Neural Network,LSTM)来构建多任务学习的负荷预测模型,以进一步提升预测效果。本发明提出了跨区域的供电负荷预测模型,能够同时预测出跨区域的用电负荷,而且预测效果较现有用电负荷预测模型更精确。
附图说明
图1是本发明基于长短时记忆神经网络的电力负荷预测系统优选实施例的运行环境图;
图2是本发明基于长短时记忆神经网络的电力负荷预测方法优选实施例的流程图;
图3是LSTM网络的模型结构示意图;
图4是用于供电负荷预测的单层多任务深度神经网络模型的示意图;
图5是用于供电负荷预测的双层多任务深度神经网络模型的示意图。
本发明目的实现、功能特点及优点将结合实施例,将在具体实施方式部分一并参照附图做进一步说明。
具体实施方式
为更进一步阐述本发明为达成上述目的所采取的技术手段及功效,以下结合附图及较佳实施例,对本发明的具体实施方式、结构、特征及其功效进行详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1所示,图1是本发明基于长短时记忆神经网络的电力负荷预测系统优选实施例的运行环境图。在本实施例中,所述电力负荷预测系统10安装并运行于计算机1中,该计算机1还包括,但不仅限于,输入单元11、存储单元12、处理单元13以及输出单元14。所述输入单元11为计算机的输入设备,例如输入键盘或鼠标等。所述存储单元12可以为一种只读存储单元ROM,电可擦写存储单元EEPROM、快闪存储单元FLASH或固体硬盘等。所述的处理单元13可以为一种中央处理器(Central Processing Unit,CPU)、微控制器(MCU)、数据处理芯片、或者具有数据处理功能的信息处理单元。所述输出单元14为计算机1的输出设备,例如显示器或者打印机等设备。
所述电力负荷预测系统10,包括但不仅限于,信息接收模块101、模型建立模块102、电力预测模块103以及结果输出模块104。本发明所称的模块是指一种能够被计算机1的处理单元13执行并且能够完成固定功能的一系列计算机程序指令段,其存储在计算机1的存储单元12中。以下结合图2描述电力负荷预测系统10中的每一个模块的具体功能。
参照图2所示,图2是本发明基于长短时记忆神经网络的电力负荷预测方法优选实施例的流程图;在本实施例中,所述电力负荷预测方法能够基于深度学习领域中的长短时记忆神经网络(Long Short-term Memory Neural Network,以下简称为LSTM网络)来构建多任务学习的负荷预测模型,以进一步提升区域电力负荷预测的效果。参考图3所示,所述LSTM网络2包括输入层21、LSTM网络层22以及输出层23。所述基于长短时记忆神经网络的电力负荷预测方法包括如下步骤:
步骤S21:通过输入单元11输入所需预测区域内的历史电力负荷数和区域特征因素;具体的,典型的电力负荷需求预测问题受到各种区域特征因素影响,所述区域特征因素包括区域内的时间、节假日、天气以及经济指标等信息,所述历史电力负荷数据是指所需预测区域内的历史时刻的电力负荷数据信息。在本实施例中,所述历史电力负荷数据和区域特征因素由用户从所需预测区域收集并输入至计算机1中。具体地,信息接收模块101通过输入单元11接收输入的历史时刻的电力负荷数据和区域特征因素,并将所述历史时刻的电力负荷数据和区域特征因素传递至LSTM网络2的输入层21。
步骤S22:采用长短时记忆神经(LSTM)网络对所述历史时刻的电力负荷数据和区域特征因素进行训练建模,以训练生成深度神经网络负荷预测模型;具体地,模型建立模块102将所述LSTM网络2的输入层21接收历史时刻的电力负荷数据和区域特征因素导入所述LSTM网络层2,并通过LSTM网络层2对历史时刻的电力负荷数据和区域特征因素进行训练建模,以训练生成深度神经网络负荷预测模型。在本实施例中,所述深度神经网络负荷预测模型可以为用于供电负荷预测的单层多任务深度神经网络模型或双层多任务深度神经网络模型。模型建立模块102利用历史电力负荷数据和区域特征因素进行负荷预测建模生成深度神经网络负荷预测模型,该深度神经网络负荷预测模型可表示为如下公式:
上式中各个变量说明如下:t∈[0,24],是一天当中的时间,以小时为单位;d∈{1,2,...,365,366}是一年当中的天数,以天为单位;c是一天的类型,如星期一到星期日、节假日等;yl是包含一段历史用电需求内的历史电力负荷数据的实值向量;ul是一个包含区域特征因素的实值向量,如温度、经济指标等数据;id代表用电需求的区域标识。
采样收集到上述特征向量后,就可以构建模型,即确定上式中的状态转移函数f,然后对一个区域内的用电负荷进行预测。本发明采用迭代神经网络(Recurrent NeuralNetwork,RNN)的改进型网络长短时记忆神经(LSTM)网络来进行建模,下面将详细说明该网络模型结构和原理。
迭代神经网络(RNN)是一种通过对隐层状态向量ht递归应用状态转移函数f来处理任意长输入序列的网络。处于时间步长t的隐层状态向量ht由当前输入xt和上一时刻的隐层状态向量ht-1决定,如下式所示:
上式可以看成一个动态系统,系统的状态按照一定的规律随时间变化。ht就是系统的状态,理论上,迭代神经网络(RNN)可以近似任意的动态系统。传统上,对时间序列进行建模的策略是用迭代神经网络(RNN)将输入序列映射为固定长度的向量,然后再输入到回归器中,回归器给出预测结果。但是,基于状态转移函数的多个RNNs在训练的过程中,在输入长序列后,其梯度向量会出现指数级的增长或衰减,这就是RNNs面临的梯度消失或者梯度爆炸的问题。在这种情况下,多个RNNs很难学习序列的长时相关性问题。
在本实施例中,长短时记忆神经(LSTM)网络是一种改进型的迭代神经网络(RNN)模型,它通过引入逻辑门机制,有效地解决了简单的迭代神经网络面临的梯度消失或者爆炸问题,使深层网络模型能够学习时间序列的长期依赖。该LSTM网络的关键在于引入了一组记忆单元(Memory Units),允许网络学习何时遗忘历史信息,何时用新信息更新记忆单元。
如图3所示,图3是LSTM网络的模型结构图。在本实施例中,所述LSTM网络2由输入层21、LSTM网络层22和输出层23构成,结构如图3所示。所述LSTM网络层22包括输入门it(input gate)、输出门ot(output gate)和遗忘门ft(forget gate)以及记忆单元ct。在时刻t,记忆单元ct记录了到当前时刻为止的所有历史信息,并受三个逻辑门控制,该三个逻辑门分别是:输入门it(input gate)、输出门ot(output gate)和遗忘门ft(forget gate)。它们能够模拟神经细胞间的输入、读取和复位操作,这三个逻辑门的输出值均在0和1之间。
假设LSTM网络2的输入序列为x=(x1,x2,...,xT),由输入层21输入至LSTM网络层22,输出序列为y=(y1,y2,...yT),由输出层23从LSTM网络层22输出。其中,T是预测期,x是历史输入数据(例如历史负荷、天气状况,经济指标等),y是预测负荷。为实现这个目标,LSTM网络层22的参数迭代更新方式如下公式(1)-(6)所示:
it=σ(Wixt+Uiht-1+Vict-1) (1)
ft=σ(Wfxt+Ufht-1+Vfct-1) (2)
ot=σ(Woxt+Uoht-1+Voct) (3)
ht=ot⊙tanh(ct) (6)
其中,xt是t时刻的输入序列,σ表示为sigmoid函数,tanh为隐层状态h的双曲正切函数,⊙表示为元素间的相乘,W是输入权重,U是隐层状态h的循环权重,V是历史信息的影响权重,这些权重参数通过模型训练获得。可以看出,遗忘门ft控制LSTM网络层22的信息檫除;输入门it控制LSTM网络层22的信息更新;输出门ot控制LSTM网络层22内部状态的信息输出。
在本实施例中,输入门it、输出门ot、遗忘门ft和记忆单元ct能够使LSTM网络层22自适应选择遗忘、记忆和输出记忆信息,如果检测到重要的信息内容,遗忘门ft将会关闭,这样将会在多个时间步长内利用该信息,这就等价于捕捉到了一个长期依赖信息;另一方面,当遗忘门ft打开时,LSTM网络层22将会选择复位记忆状态。
现有的基于神经网络的负荷预测方法大多都是单任务学习模式,这些方法受到训练样本数目较少的限制,而无法充分学习网络结构和参数。为了解决这个问题,这些模型加入了无监督的预训练阶段。这个无监督的预训练方法对于提升最终的性能是有效的,但这并不是直接优化系统的期望任务。由于深度神经网络模型从一个任务中学习到的特征可以应用于改进其余相关任务的学习中,所以深度神经网络模型很适合于多任务学习。本发明提出两个基于多任务学习架构的深度神经网络负荷预测模型,包括用于供电负荷预测的单层多任务深度神经网络模型和用于供电负荷预测的双层多任务深度神经网络模型,具体模型结构如图4和图5所示。
参考图4和图5所示,图4为用于供电负荷预测的单层多任务深度神经网络模型的示意图;图5为用于供电负荷预测的双层多任务深度神经网络模型的示意图。在图4中,多个相关任务共享一个相同的LSTM网络层22,该相同的LSTM网络层22在时刻t的输出表示为在图5中,将两个相关任务各自赋予一个LSTM网络层22,这样,每一个任务就可以使用另一个任务的LSTM网络层22的相关信息。值得说明的是,在图5中,给定一组相关任务(m,n),每个任务有自己的LSTM网络层22,将这对LSTM网络层22在时刻t的输出表示为和为了更好地控制共享信息从一个任务流入到另一个任务中,本发明使用了一个全局门控单元31来赋予模型决定应该接收多少信息的能力。基于上述公式(4),重新定义第m个任务的LSTM网络层22的记忆内容如公式(7)所示:
其中,其余的参数设置和标准的LSTM网络层22一致,即:xt是t时刻的输入序列,σ表示为sigmoid函数,W是输入权重,U是隐层状态h的循环权重,V是历史信息的影响权重,tanh为隐层状态h的双曲正切函数。
步骤S23,利用训练生成的深度神经网络负荷预测模型对所需预测区域内的电力负荷进行预测并产生该区域内的电力负荷预测结果;具体地,电力预测模块103利用所述深度神经网络负荷预测模型对所需预测区域内的电力负荷进行预测,并通过回归器30产生该区域内的电力负荷预测结果。本发明通过单层多任务深度神经网络模型或者双层多任务深度神经网络模型均可对所需预测区域内的电力负荷进行预测并产生该区域内的电力负荷预测结果。本发明提出的两个模型可以同时联合学习两个相关任务,模型的最后一层的LSTM网络层22连接回归器30,例如一种支持向量回归机(Support Vector Regressor)等,此时,就通过回归器30可以输出预测的电力负荷值。
所述单层多任务深度神经网络模型中的LSTM网络层在时刻t的输出表示为其中初始化参数是均匀分布在[-0.1,0.1]之间的随机采样值。所述双层多任务深度神经网络模型的LSTM网络层22的中和初始化参数是均匀分布在[-0.1,0.1]之间的随机采样值。采用最小误差平方和作为损失函数,用误差反向传播算法进行训练,并采用交叉验证方法实验寻找模型的超参数。所述误差反向传播算法和交叉验证方法均为所属技术领域的现有技术,本发明不作具体赘述。
步骤S24,通过输出单元输出所需预测区域内的电力负荷预测结果;具体地,结果输出模块104通过所述输出层23输出所需预测区域内的电力负荷预测结果至所述输出单元14,该输出单元14通过所述输出层23输出回归器30产生的区域内的电力负荷预测结果,即一组相关任务(m,n)的电力负荷值为y(m)和y(n)。
与现有的技术相比,本发明有以下技术优点:能够同时联合学习和保存较长时间负荷序列所包含的短期波动信息、季节性和趋势性信息,适用于多任务高维时间序列预测问题。本发明所述基于长短时记忆神经网络的电力负荷预测方法基于深度学习领域中的长短时记忆神经网络(LSTM)来构建多任务学习的负荷预测模型,以进一步提升预测效果。本发明提出了跨区域的供电负荷预测模型,能够同时预测出跨区域的用电负荷,而且预测效果较现有用电负荷预测模型更精确。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效功能变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于长短时记忆神经网络的电力负荷预测方法,其特征在于,所述电力负荷预测方法包括如下步骤:
通过计算机的输入单元输入历史时刻的电力负荷数据和区域特征因素;
采用长短时记忆神经(LSTM)网络对所述历史时刻的电力负荷数据和区域特征因素进行训练建模,以训练生成深度神经网络负荷预测模型,所述深度神经网络负荷预测模型为用于供电负荷预测的单层多任务深度神经网络模型或者双层多任务深度神经网络模型;
利用训练生成的深度神经网络负荷预测模型对所需预测区域内的电力负荷进行预测并产生该区域内的电力负荷预测结果;
通过计算机的输出单元输出所需预测区域内的电力负荷预测结果。
2.如权利要求1所述的基于长短时记忆神经网络的电力负荷预测方法,其特征在于,所述深度神经网络负荷预测模型表示为如下公式:
Forecast=f(t,d,c,y1,u1,id)
其中,t∈[0,24],是一天当中的时间,以小时为单位;d∈{1,2,...,365,366}是一年当中的天数,以天为单位;c是一天的类型;yl是包含一段历史用电需求的历史电力负荷数据;ul是一个包含区域特征因素的实值向量;id代表用电需求的区域标识。
3.如权利要求1所述的基于长短时记忆神经网络的电力负荷预测方法,其特征在于,所述LSTM网络是一种改进型的迭代神经网络,该迭代神经网络通过对隐层状态向量ht递归应用状态转移函数f来处理输入序列的网络,处于时间步长t的隐层状态向量ht由当前输入序列xt和上一时刻的隐层状态向量ht-1决定,所述隐层状态向量ht采用如下公式表示:
4.如权利要求1所述的基于长短时记忆神经网络的电力负荷预测方法,其特征在于,所述LSTM网络由输入层、LSTM网络层和输出层构成。
5.如权利要求4所述的基于长短时记忆神经网络的电力负荷预测方法,其特征在于,所述LSTM网络层包括输入门it、输出门ot和遗忘门ft以及记忆单元ct,在时刻t,记忆单元ct记录到当前时刻t为止的所有历史信息并受到输入门it、输出门ot和遗忘门ft这三个逻辑门控制,该三个逻辑门的输出值均在0和1之间。
6.如权利要求5所述的基于长短时记忆神经网络的电力负荷预测方法,其特征在于,所述遗忘门ft控制LSTM网络层的信息檫除,所述输入门it控制LSTM网络层的信息更新,所述输出门ot控制内部状态的信息输出。
7.如权利要求5所述的基于长短时记忆神经网络的电力负荷预测方法,其特征在于,所述LSTM网络的输入序列为x=(x1,x2,...,xT),由输入层输入至LSTM网络层,输出序列为y=(y1,y2,...yT),由输出层从LSTM网络层输出,其中,T是预测期,x是历史输入数据,y是预测负荷,所述LSTM网络层的参数迭代更新方式如下公式(1)-(6)所示:
it=σ(Wixt+Uiht-1+Vict-1) (1)
ft=σ(Wfxt+Ufht-1+Vfct-1) (2)
ot=σ(Woxt+Uoht-1+Voct) (3)
ht=ot⊙tanh(ct) (6)
其中,xt是t时刻的输入序列,σ表示为sigmoid函数,⊙表示为元素间的相乘,W是输入权重,U是隐层状态h的循环权重,V是历史信息的影响权重,tanh为隐层状态h的双曲正切函数。
8.如权利要求1所述的基于长短时记忆神经网络的电力负荷预测方法,其特征在于,所述单层多任务深度神经网络模型的多个相关任务共享一个相同的LSTM网络层,该相同的LSTM网络层在时刻t的输出表示为其中初始化参数是均匀分布在[-0.1,0.1]之间的随机采样值。
9.如权利要求1所述的基于长短时记忆神经网络的电力负荷预测方法,其特征在于,所述双层多任务深度神经网络模型的两个相关任务各自赋予一个LSTM网络层,每个任务分别使用另一个任务的LSTM网络层的相关信息,并通过一个全局门控单元来控制双层多任务深度神经网络模型的信息接收。
10.如权利要求9所述的基于长短时记忆神经网络的电力负荷预测方法,其特征在于,所述双层多任务深度神经网络模型的LSTM网络层在时刻t的输出表示为和其中,和的初始化参数是均匀分布在[-0.1,0.1]之间的随机采样值,(m,n)为给定一组相关任务,第m个任务的LSTM网络层的记忆信息如公式所示:
其中,xt是t时刻的输入序列,σ表示为sigmoid函数,W是输入权重,U是隐层状态h的循环权重,V是历史信息的影响权重,tanh为隐层状态h的双曲正切函数。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710136492.0A CN106960252A (zh) | 2017-03-08 | 2017-03-08 | 基于长短时记忆神经网络的电力负荷预测方法 |
PCT/CN2018/072370 WO2018161722A1 (zh) | 2017-03-08 | 2018-01-12 | 基于长短时记忆神经网络的电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710136492.0A CN106960252A (zh) | 2017-03-08 | 2017-03-08 | 基于长短时记忆神经网络的电力负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106960252A true CN106960252A (zh) | 2017-07-18 |
Family
ID=59470026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710136492.0A Pending CN106960252A (zh) | 2017-03-08 | 2017-03-08 | 基于长短时记忆神经网络的电力负荷预测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN106960252A (zh) |
WO (1) | WO2018161722A1 (zh) |
Cited By (70)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464015A (zh) * | 2017-07-21 | 2017-12-12 | 南京林洋电力科技有限公司 | 一种基于用电行为的具备熔断机制的短期负荷以及电量预测方法 |
CN107967542A (zh) * | 2017-12-21 | 2018-04-27 | 国网浙江省电力公司丽水供电公司 | 一种基于长短期记忆网络的售电量预测方法 |
CN108009673A (zh) * | 2017-11-24 | 2018-05-08 | 国网北京市电力公司 | 基于深度学习的新型负荷预测方法和装置 |
CN108062561A (zh) * | 2017-12-05 | 2018-05-22 | 华南理工大学 | 一种基于长短时记忆网络模型的短时数据流预测方法 |
CN108090556A (zh) * | 2017-12-22 | 2018-05-29 | 国网江西省电力有限公司电力科学研究院 | 一种配电变压器热评估方法 |
CN108169639A (zh) * | 2017-12-29 | 2018-06-15 | 南京康尼环网开关设备有限公司 | 基于并行长短时记忆神经网络的识别开关柜故障的方法 |
CN108416695A (zh) * | 2018-02-24 | 2018-08-17 | 合肥工业大学 | 基于深度学习的电力负荷概率密度预测方法和系统、介质 |
CN108416690A (zh) * | 2018-01-19 | 2018-08-17 | 中国矿业大学 | 基于深度lstm神经网络的电网负荷预测方法 |
WO2018161722A1 (zh) * | 2017-03-08 | 2018-09-13 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
CN108734331A (zh) * | 2018-03-23 | 2018-11-02 | 武汉理工大学 | 基于lstm的短期光伏发电功率预测方法及系统 |
CN108803345A (zh) * | 2018-07-25 | 2018-11-13 | 西北工业大学 | 空间非合作目标接管控制过程耦合特性分析及解耦方法 |
CN108921341A (zh) * | 2018-06-26 | 2018-11-30 | 国网山东省电力公司电力科学研究院 | 一种基于门控自编码的热电厂短期热负荷预测方法 |
CN109034500A (zh) * | 2018-09-04 | 2018-12-18 | 湘潭大学 | 一种多时序协同的中期电力负荷预测方法 |
CN109034495A (zh) * | 2018-08-30 | 2018-12-18 | 珠海吉瓦科技有限公司 | 基于边缘计算的电力负荷预测系统 |
CN109214610A (zh) * | 2018-11-16 | 2019-01-15 | 国网江苏省电力有限公司经济技术研究院 | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 |
CN109245099A (zh) * | 2018-10-29 | 2019-01-18 | 南方电网科学研究院有限责任公司 | 一种电力负荷辨识方法、装置、设备及可读存储介质 |
CN109308355A (zh) * | 2018-09-17 | 2019-02-05 | 清华大学 | 法律判决结果预测方法及装置 |
CN109325624A (zh) * | 2018-09-28 | 2019-02-12 | 国网福建省电力有限公司 | 一种基于深度学习的月度电力需求预测方法 |
CN109344911A (zh) * | 2018-10-31 | 2019-02-15 | 北京国信云服科技有限公司 | 一种基于多层lstm模型的并行处理分类方法 |
CN109376960A (zh) * | 2018-12-06 | 2019-02-22 | 国网北京市电力公司 | 基于lstm神经网络的电网负荷预测方法 |
CN109492838A (zh) * | 2019-01-16 | 2019-03-19 | 中国地质大学(武汉) | 一种基于深度循环神经网络的股指价格预测方法 |
CN109615124A (zh) * | 2018-11-29 | 2019-04-12 | 中国铁路总公司 | 一种基于深度学习的scada主站负荷预测方法 |
CN109657874A (zh) * | 2018-12-29 | 2019-04-19 | 安徽数升数据科技有限公司 | 一种基于长短时记忆模型的电力中长期负荷预测方法 |
CN109670587A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670571A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670622A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670569A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670621A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670588A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670590A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670566A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670568A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670589A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670572A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670567A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670570A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109685240A (zh) * | 2018-10-24 | 2019-04-26 | 国网浙江省电力有限公司 | 一种基于lstm深度学习的95598话务工单预测与异动预警方法 |
CN109685252A (zh) * | 2018-11-30 | 2019-04-26 | 西安工程大学 | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 |
CN109784532A (zh) * | 2018-12-12 | 2019-05-21 | 中山大学 | 一种基于深度学习的厂区能耗预测方法及系统 |
CN109886389A (zh) * | 2019-01-09 | 2019-06-14 | 南京邮电大学 | 一种基于Highway和DC的新型双向LSTM神经网络构建方法 |
CN109904854A (zh) * | 2019-01-14 | 2019-06-18 | 中国电力科学研究院有限公司 | 一种面向需求响应的家庭电路负荷分解方法及系统 |
CN109936464A (zh) * | 2017-12-15 | 2019-06-25 | 中国移动通信集团浙江有限公司 | 基于多层lstmrnn的通信能力开放负荷预测方法及装置 |
CN109934375A (zh) * | 2018-11-27 | 2019-06-25 | 电子科技大学中山学院 | 一种电力负荷预测方法 |
CN109948845A (zh) * | 2019-03-15 | 2019-06-28 | 国网江苏省电力有限公司经济技术研究院 | 一种配电网负荷长短期记忆神经网络预测方法 |
CN110059867A (zh) * | 2019-03-27 | 2019-07-26 | 华中科技大学 | 一种swlstm结合gpr的风速预测方法 |
CN110210993A (zh) * | 2019-05-22 | 2019-09-06 | 重庆大学 | 基于循环神经网络模型的城市短期燃气负荷预测方法 |
CN110263866A (zh) * | 2019-06-24 | 2019-09-20 | 苏州智睿新能信息科技有限公司 | 一种基于深度学习的电力用户负荷区间预测方法 |
CN110264068A (zh) * | 2019-06-18 | 2019-09-20 | 国网北京市电力公司 | 电力数据的处理方法和装置 |
CN110276472A (zh) * | 2019-05-21 | 2019-09-24 | 南方电网调峰调频发电有限公司 | 一种基于lstm深度学习网络的海上风电功率超短期预测方法 |
CN110298501A (zh) * | 2019-06-21 | 2019-10-01 | 河海大学常州校区 | 基于长短时记忆神经网络的电负荷预测方法 |
CN110309984A (zh) * | 2019-07-09 | 2019-10-08 | 上海上塔软件开发有限公司 | 一种非侵入式负荷识别与短期用户行为预测方法 |
CN110322073A (zh) * | 2019-07-09 | 2019-10-11 | 南方电网科学研究院有限责任公司 | 基于循环神经网络的电力负荷预测方法、装置及设备 |
CN110631221A (zh) * | 2018-06-05 | 2019-12-31 | 珠海格力电器股份有限公司 | 一种空调的控制方法、装置、终端及存储介质 |
CN110766236A (zh) * | 2019-10-31 | 2020-02-07 | 云南电网有限责任公司昆明供电局 | 基于统计分析和深度学习的电力设备状态趋势预测方法 |
CN110866591A (zh) * | 2019-10-28 | 2020-03-06 | 浙江大学 | 基于需求预测进行前瞻式云制造服务租赁配置的方法 |
CN110929414A (zh) * | 2019-12-06 | 2020-03-27 | 创新奇智(成都)科技有限公司 | 一种基于级联时序模型的暖通系统能效优化方法 |
CN111080037A (zh) * | 2020-01-02 | 2020-04-28 | 中国电力科学研究院有限公司 | 一种基于深度神经网络的短期电力负荷预测方法及装置 |
CN111160000A (zh) * | 2019-12-10 | 2020-05-15 | 深圳信息职业技术学院 | 作文自动评分方法、装置终端设备及存储介质 |
CN111200531A (zh) * | 2020-01-02 | 2020-05-26 | 国网冀北电力有限公司信息通信分公司 | 一种通信网流量预测方法、装置与电子设备 |
CN111210091A (zh) * | 2020-02-25 | 2020-05-29 | 上海积成能源科技有限公司 | 一种基于递归神经网络的长短期记忆模型来预测短期电力负荷的系统模型 |
CN111340300A (zh) * | 2020-02-29 | 2020-06-26 | 上海电力大学 | 一种基于faf-lstm深度神经网络的居民负荷预测方法及系统 |
CN111401667A (zh) * | 2020-06-03 | 2020-07-10 | 广东电网有限责任公司东莞供电局 | 一种工厂的用电调度方法、装置、计算机设备和存储介质 |
CN111680838A (zh) * | 2020-06-08 | 2020-09-18 | 中国电力科学研究院有限公司 | 一种空调负荷聚合功率预测方法及系统 |
CN112001519A (zh) * | 2020-05-20 | 2020-11-27 | 国网浙江省电力有限公司 | 一种基于深度神经网络的电力负荷预测方法 |
CN112329990A (zh) * | 2020-10-20 | 2021-02-05 | 昆明理工大学 | 一种基于lstm-bp神经网络的用户用电负荷预测方法 |
CN112365098A (zh) * | 2020-12-07 | 2021-02-12 | 国网冀北电力有限公司承德供电公司 | 电力负荷的预测方法、装置、设备和存储介质 |
CN112368718A (zh) * | 2018-08-10 | 2021-02-12 | 三星电子株式会社 | 用于深度记忆网络的系统和方法 |
CN112485870A (zh) * | 2020-12-07 | 2021-03-12 | 中南大学 | 光纤耦合器阵列的自适应控制方法 |
CN112766598A (zh) * | 2021-01-29 | 2021-05-07 | 上海工程技术大学 | 一种基于lstm神经网络的电能质量稳态指标预测与预警方法 |
CN115034507A (zh) * | 2022-06-30 | 2022-09-09 | 杭州凯达电力建设有限公司 | 一种充电桩的电力负荷预测方法及相关组件 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648021B (zh) * | 2019-09-12 | 2021-08-03 | 广东电网有限责任公司电力调度控制中心 | 一种两级电力负荷预测结果协调方法、装置及设备 |
CN110570042B (zh) * | 2019-09-16 | 2022-10-25 | 燕山大学 | 一种短期电动汽车充电负荷预测方法及系统 |
CN111310965A (zh) * | 2019-10-30 | 2020-06-19 | 北京航空航天大学 | 一种基于lstm网络的飞行器航迹预测方法 |
CN111126663B (zh) * | 2019-11-25 | 2023-02-07 | 黑龙江电力调度实业有限公司 | 一种短期电力负荷预测方法 |
CN111144650A (zh) * | 2019-12-26 | 2020-05-12 | 南京工程学院 | 电力负荷预测方法、装置、计算机可读存储介质及设备 |
CN111241279B (zh) * | 2020-01-07 | 2020-10-30 | 华东师范大学 | 一种基于多任务学习机制的自然语言关系抽取方法 |
CN112508275B (zh) * | 2020-12-07 | 2022-05-17 | 国网湖南省电力有限公司 | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 |
CN113205174B (zh) * | 2021-03-24 | 2022-09-02 | 国网江苏省电力有限公司 | 基于特征解耦深度神经网络模型的夏季峰荷预测方法与系统 |
CN113107626B (zh) * | 2021-05-25 | 2024-02-02 | 浙大城市学院 | 一种基于多变量lstm的联合循环发电机组负荷预测方法 |
CN114362249B (zh) * | 2022-01-27 | 2024-03-26 | 阳光慧碳科技有限公司 | 一种源荷系统防逆流控制方法、装置及源荷系统 |
CN114970939A (zh) * | 2022-03-14 | 2022-08-30 | 长沙理工大学 | 一种工业企业用电需求短期智能预测方法 |
CN115392594B (zh) * | 2022-10-27 | 2023-03-24 | 南方电网数字电网研究院有限公司 | 一种基于神经网络和特征筛选的用电负荷模型训练方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073922A (zh) * | 2010-12-10 | 2011-05-25 | 沈阳工业大学 | 基于影响因素筛选的短期负荷预测方法 |
CN103093285A (zh) * | 2013-01-22 | 2013-05-08 | 清华大学 | 基于人工神经网络的短期负荷预测方法 |
CN104104116A (zh) * | 2014-07-01 | 2014-10-15 | 杭州电子科技大学 | 一种含多分布式能源的光伏微电网供需控制系统设计方法 |
US20160034812A1 (en) * | 2014-07-31 | 2016-02-04 | Qualcomm Incorporated | Long short-term memory using a spiking neural network |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
-
2017
- 2017-03-08 CN CN201710136492.0A patent/CN106960252A/zh active Pending
-
2018
- 2018-01-12 WO PCT/CN2018/072370 patent/WO2018161722A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073922A (zh) * | 2010-12-10 | 2011-05-25 | 沈阳工业大学 | 基于影响因素筛选的短期负荷预测方法 |
CN103093285A (zh) * | 2013-01-22 | 2013-05-08 | 清华大学 | 基于人工神经网络的短期负荷预测方法 |
CN104104116A (zh) * | 2014-07-01 | 2014-10-15 | 杭州电子科技大学 | 一种含多分布式能源的光伏微电网供需控制系统设计方法 |
US20160034812A1 (en) * | 2014-07-31 | 2016-02-04 | Qualcomm Incorporated | Long short-term memory using a spiking neural network |
Non-Patent Citations (1)
Title |
---|
刘桐彤: "基于长短期记忆神经网络的短期负荷预测方法", 《黑龙江科技信息》 * |
Cited By (92)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018161722A1 (zh) * | 2017-03-08 | 2018-09-13 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
CN107464015A (zh) * | 2017-07-21 | 2017-12-12 | 南京林洋电力科技有限公司 | 一种基于用电行为的具备熔断机制的短期负荷以及电量预测方法 |
CN109670590A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670589A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670571A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670570A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670567A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670572A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670622A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670569A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670568A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670566A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670587A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670588A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109670621A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN108009673A (zh) * | 2017-11-24 | 2018-05-08 | 国网北京市电力公司 | 基于深度学习的新型负荷预测方法和装置 |
CN108062561A (zh) * | 2017-12-05 | 2018-05-22 | 华南理工大学 | 一种基于长短时记忆网络模型的短时数据流预测方法 |
CN108062561B (zh) * | 2017-12-05 | 2020-01-14 | 华南理工大学 | 一种基于长短时记忆网络模型的短时数据流预测方法 |
CN109936464B (zh) * | 2017-12-15 | 2022-04-01 | 中国移动通信集团浙江有限公司 | 基于多层lstmrnn的通信能力开放负荷预测方法及装置 |
CN109936464A (zh) * | 2017-12-15 | 2019-06-25 | 中国移动通信集团浙江有限公司 | 基于多层lstmrnn的通信能力开放负荷预测方法及装置 |
CN107967542B (zh) * | 2017-12-21 | 2021-07-27 | 国网浙江省电力公司丽水供电公司 | 一种基于长短期记忆网络的售电量预测方法 |
CN107967542A (zh) * | 2017-12-21 | 2018-04-27 | 国网浙江省电力公司丽水供电公司 | 一种基于长短期记忆网络的售电量预测方法 |
CN108090556A (zh) * | 2017-12-22 | 2018-05-29 | 国网江西省电力有限公司电力科学研究院 | 一种配电变压器热评估方法 |
CN108090556B (zh) * | 2017-12-22 | 2021-12-31 | 国网江西省电力有限公司电力科学研究院 | 一种配电变压器热评估方法 |
CN108169639A (zh) * | 2017-12-29 | 2018-06-15 | 南京康尼环网开关设备有限公司 | 基于并行长短时记忆神经网络的识别开关柜故障的方法 |
CN108416690A (zh) * | 2018-01-19 | 2018-08-17 | 中国矿业大学 | 基于深度lstm神经网络的电网负荷预测方法 |
CN108416695A (zh) * | 2018-02-24 | 2018-08-17 | 合肥工业大学 | 基于深度学习的电力负荷概率密度预测方法和系统、介质 |
CN108416695B (zh) * | 2018-02-24 | 2020-07-07 | 合肥工业大学 | 基于深度学习的电力负荷概率密度预测方法和系统、介质 |
CN108734331B (zh) * | 2018-03-23 | 2022-06-03 | 武汉理工大学 | 基于lstm的短期光伏发电功率预测方法及系统 |
CN108734331A (zh) * | 2018-03-23 | 2018-11-02 | 武汉理工大学 | 基于lstm的短期光伏发电功率预测方法及系统 |
CN110631221A (zh) * | 2018-06-05 | 2019-12-31 | 珠海格力电器股份有限公司 | 一种空调的控制方法、装置、终端及存储介质 |
CN108921341A (zh) * | 2018-06-26 | 2018-11-30 | 国网山东省电力公司电力科学研究院 | 一种基于门控自编码的热电厂短期热负荷预测方法 |
CN108803345A (zh) * | 2018-07-25 | 2018-11-13 | 西北工业大学 | 空间非合作目标接管控制过程耦合特性分析及解耦方法 |
CN108803345B (zh) * | 2018-07-25 | 2021-09-07 | 西北工业大学 | 空间非合作目标接管控制过程耦合特性分析及解耦方法 |
CN112368718A (zh) * | 2018-08-10 | 2021-02-12 | 三星电子株式会社 | 用于深度记忆网络的系统和方法 |
CN112368718B (zh) * | 2018-08-10 | 2024-05-14 | 三星电子株式会社 | 用于深度记忆网络的系统和方法 |
CN109034495A (zh) * | 2018-08-30 | 2018-12-18 | 珠海吉瓦科技有限公司 | 基于边缘计算的电力负荷预测系统 |
CN109034500A (zh) * | 2018-09-04 | 2018-12-18 | 湘潭大学 | 一种多时序协同的中期电力负荷预测方法 |
CN109308355A (zh) * | 2018-09-17 | 2019-02-05 | 清华大学 | 法律判决结果预测方法及装置 |
CN109308355B (zh) * | 2018-09-17 | 2020-03-13 | 清华大学 | 法律判决结果预测方法及装置 |
CN109325624A (zh) * | 2018-09-28 | 2019-02-12 | 国网福建省电力有限公司 | 一种基于深度学习的月度电力需求预测方法 |
CN109685240B (zh) * | 2018-10-24 | 2023-10-13 | 国网浙江省电力有限公司 | 一种基于lstm深度学习的95598话务工单预测与异动预警方法 |
CN109685240A (zh) * | 2018-10-24 | 2019-04-26 | 国网浙江省电力有限公司 | 一种基于lstm深度学习的95598话务工单预测与异动预警方法 |
CN109245099A (zh) * | 2018-10-29 | 2019-01-18 | 南方电网科学研究院有限责任公司 | 一种电力负荷辨识方法、装置、设备及可读存储介质 |
CN109344911A (zh) * | 2018-10-31 | 2019-02-15 | 北京国信云服科技有限公司 | 一种基于多层lstm模型的并行处理分类方法 |
CN109344911B (zh) * | 2018-10-31 | 2022-04-12 | 北京国信云服科技有限公司 | 一种基于多层lstm模型的并行处理分类方法 |
CN109214610A (zh) * | 2018-11-16 | 2019-01-15 | 国网江苏省电力有限公司经济技术研究院 | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 |
CN109214610B (zh) * | 2018-11-16 | 2022-05-31 | 国网江苏省电力有限公司经济技术研究院 | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 |
CN109934375B (zh) * | 2018-11-27 | 2020-05-01 | 电子科技大学中山学院 | 一种电力负荷预测方法 |
CN109934375A (zh) * | 2018-11-27 | 2019-06-25 | 电子科技大学中山学院 | 一种电力负荷预测方法 |
CN109615124B (zh) * | 2018-11-29 | 2022-12-30 | 中国铁路总公司 | 一种基于深度学习的scada主站负荷预测方法 |
CN109615124A (zh) * | 2018-11-29 | 2019-04-12 | 中国铁路总公司 | 一种基于深度学习的scada主站负荷预测方法 |
CN109685252A (zh) * | 2018-11-30 | 2019-04-26 | 西安工程大学 | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 |
CN109685252B (zh) * | 2018-11-30 | 2023-04-07 | 西安工程大学 | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 |
CN109376960A (zh) * | 2018-12-06 | 2019-02-22 | 国网北京市电力公司 | 基于lstm神经网络的电网负荷预测方法 |
CN109784532A (zh) * | 2018-12-12 | 2019-05-21 | 中山大学 | 一种基于深度学习的厂区能耗预测方法及系统 |
CN109657874A (zh) * | 2018-12-29 | 2019-04-19 | 安徽数升数据科技有限公司 | 一种基于长短时记忆模型的电力中长期负荷预测方法 |
CN109886389A (zh) * | 2019-01-09 | 2019-06-14 | 南京邮电大学 | 一种基于Highway和DC的新型双向LSTM神经网络构建方法 |
CN109886389B (zh) * | 2019-01-09 | 2023-04-25 | 南京邮电大学 | 一种基于Highway和DC的新型双向LSTM神经网络构建方法 |
CN109904854B (zh) * | 2019-01-14 | 2023-11-07 | 中国电力科学研究院有限公司 | 一种面向需求响应的家庭电路负荷分解方法及系统 |
CN109904854A (zh) * | 2019-01-14 | 2019-06-18 | 中国电力科学研究院有限公司 | 一种面向需求响应的家庭电路负荷分解方法及系统 |
CN109492838A (zh) * | 2019-01-16 | 2019-03-19 | 中国地质大学(武汉) | 一种基于深度循环神经网络的股指价格预测方法 |
CN109948845A (zh) * | 2019-03-15 | 2019-06-28 | 国网江苏省电力有限公司经济技术研究院 | 一种配电网负荷长短期记忆神经网络预测方法 |
CN110059867A (zh) * | 2019-03-27 | 2019-07-26 | 华中科技大学 | 一种swlstm结合gpr的风速预测方法 |
CN110059867B (zh) * | 2019-03-27 | 2021-01-19 | 华中科技大学 | 一种swlstm结合gpr的风速预测方法 |
CN110276472A (zh) * | 2019-05-21 | 2019-09-24 | 南方电网调峰调频发电有限公司 | 一种基于lstm深度学习网络的海上风电功率超短期预测方法 |
CN110210993A (zh) * | 2019-05-22 | 2019-09-06 | 重庆大学 | 基于循环神经网络模型的城市短期燃气负荷预测方法 |
CN110264068A (zh) * | 2019-06-18 | 2019-09-20 | 国网北京市电力公司 | 电力数据的处理方法和装置 |
CN110298501A (zh) * | 2019-06-21 | 2019-10-01 | 河海大学常州校区 | 基于长短时记忆神经网络的电负荷预测方法 |
CN110298501B (zh) * | 2019-06-21 | 2022-08-16 | 河海大学常州校区 | 基于长短时记忆神经网络的电负荷预测方法 |
CN110263866A (zh) * | 2019-06-24 | 2019-09-20 | 苏州智睿新能信息科技有限公司 | 一种基于深度学习的电力用户负荷区间预测方法 |
CN110263866B (zh) * | 2019-06-24 | 2023-11-10 | 苏州智睿新能信息科技有限公司 | 一种基于深度学习的电力用户负荷区间预测方法 |
CN110309984A (zh) * | 2019-07-09 | 2019-10-08 | 上海上塔软件开发有限公司 | 一种非侵入式负荷识别与短期用户行为预测方法 |
CN110322073A (zh) * | 2019-07-09 | 2019-10-11 | 南方电网科学研究院有限责任公司 | 基于循环神经网络的电力负荷预测方法、装置及设备 |
CN110309984B (zh) * | 2019-07-09 | 2022-08-05 | 上海上塔软件开发有限公司 | 一种非侵入式负荷识别与短期用户行为预测方法 |
CN110866591A (zh) * | 2019-10-28 | 2020-03-06 | 浙江大学 | 基于需求预测进行前瞻式云制造服务租赁配置的方法 |
CN110766236A (zh) * | 2019-10-31 | 2020-02-07 | 云南电网有限责任公司昆明供电局 | 基于统计分析和深度学习的电力设备状态趋势预测方法 |
CN110929414A (zh) * | 2019-12-06 | 2020-03-27 | 创新奇智(成都)科技有限公司 | 一种基于级联时序模型的暖通系统能效优化方法 |
CN111160000A (zh) * | 2019-12-10 | 2020-05-15 | 深圳信息职业技术学院 | 作文自动评分方法、装置终端设备及存储介质 |
CN111080037A (zh) * | 2020-01-02 | 2020-04-28 | 中国电力科学研究院有限公司 | 一种基于深度神经网络的短期电力负荷预测方法及装置 |
CN111200531A (zh) * | 2020-01-02 | 2020-05-26 | 国网冀北电力有限公司信息通信分公司 | 一种通信网流量预测方法、装置与电子设备 |
CN111200531B (zh) * | 2020-01-02 | 2022-01-04 | 国网冀北电力有限公司信息通信分公司 | 一种通信网流量预测方法、装置与电子设备 |
CN111210091A (zh) * | 2020-02-25 | 2020-05-29 | 上海积成能源科技有限公司 | 一种基于递归神经网络的长短期记忆模型来预测短期电力负荷的系统模型 |
CN111340300A (zh) * | 2020-02-29 | 2020-06-26 | 上海电力大学 | 一种基于faf-lstm深度神经网络的居民负荷预测方法及系统 |
CN112001519A (zh) * | 2020-05-20 | 2020-11-27 | 国网浙江省电力有限公司 | 一种基于深度神经网络的电力负荷预测方法 |
CN111401667A (zh) * | 2020-06-03 | 2020-07-10 | 广东电网有限责任公司东莞供电局 | 一种工厂的用电调度方法、装置、计算机设备和存储介质 |
CN111680838A (zh) * | 2020-06-08 | 2020-09-18 | 中国电力科学研究院有限公司 | 一种空调负荷聚合功率预测方法及系统 |
CN112329990A (zh) * | 2020-10-20 | 2021-02-05 | 昆明理工大学 | 一种基于lstm-bp神经网络的用户用电负荷预测方法 |
CN112485870A (zh) * | 2020-12-07 | 2021-03-12 | 中南大学 | 光纤耦合器阵列的自适应控制方法 |
CN112365098A (zh) * | 2020-12-07 | 2021-02-12 | 国网冀北电力有限公司承德供电公司 | 电力负荷的预测方法、装置、设备和存储介质 |
CN112766598A (zh) * | 2021-01-29 | 2021-05-07 | 上海工程技术大学 | 一种基于lstm神经网络的电能质量稳态指标预测与预警方法 |
CN115034507A (zh) * | 2022-06-30 | 2022-09-09 | 杭州凯达电力建设有限公司 | 一种充电桩的电力负荷预测方法及相关组件 |
Also Published As
Publication number | Publication date |
---|---|
WO2018161722A1 (zh) | 2018-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106960252A (zh) | 基于长短时记忆神经网络的电力负荷预测方法 | |
CN106952181A (zh) | 基于长短时记忆神经网络的电力负荷预测系统 | |
CN107622329A (zh) | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 | |
Kumar et al. | Energy load forecasting using deep learning approach-LSTM and GRU in spark cluster | |
Li et al. | A hybrid teaching-learning artificial neural network for building electrical energy consumption prediction | |
Xiao et al. | A combined model based on multiple seasonal patterns and modified firefly algorithm for electrical load forecasting | |
Mihalakakou et al. | On the energy consumption in residential buildings | |
Xiao et al. | A combined model based on data pre-analysis and weight coefficients optimization for electrical load forecasting | |
Chandramitasari et al. | Building deep neural network model for short term electricity consumption forecasting | |
Lohani et al. | Hydrological time series modeling: A comparison between adaptive neuro-fuzzy, neural network and autoregressive techniques | |
CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
Wang et al. | LSTM-based short-term load forecasting for building electricity consumption | |
CN110212524A (zh) | 一种区域电力负荷预测方法 | |
CN106022549A (zh) | 基于神经网络和思维演化搜索的短期负荷预测方法 | |
CN102495937A (zh) | 一种基于时间序列的预测方法 | |
CN109711617A (zh) | 一种基于blstm深度学习的中长期径流预测方法 | |
Morteza et al. | Deep learning hyperparameter optimization: Application to electricity and heat demand prediction for buildings | |
Massaoudi et al. | Performance evaluation of deep recurrent neural networks architectures: Application to PV power forecasting | |
Muzumdar et al. | Designing a robust and accurate model for consumer-centric short-term load forecasting in microgrid environment | |
Srivastava et al. | Predictive analysis of RNN, GBM and LSTM network for short-term wind power forecasting | |
Das et al. | Prediction of retail sales of footwear using feedforward and recurrent neural networks | |
Cruz et al. | Neural network prediction interval based on joint supervision | |
CN116865251A (zh) | 一种短期负荷概率预测方法及系统 | |
CN109978237A (zh) | 一种基于精细化气象数据的地区电网短期负荷预测系统 | |
Martin et al. | Neural network development for the forecasting of upper atmosphere parameter distributions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170718 |