CN108416695B - 基于深度学习的电力负荷概率密度预测方法和系统、介质 - Google Patents

基于深度学习的电力负荷概率密度预测方法和系统、介质 Download PDF

Info

Publication number
CN108416695B
CN108416695B CN201810157119.8A CN201810157119A CN108416695B CN 108416695 B CN108416695 B CN 108416695B CN 201810157119 A CN201810157119 A CN 201810157119A CN 108416695 B CN108416695 B CN 108416695B
Authority
CN
China
Prior art keywords
power load
deep learning
data
time interval
learning model
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.)
Active
Application number
CN201810157119.8A
Other languages
English (en)
Other versions
CN108416695A (zh
Inventor
周开乐
郭志峰
杨善林
陆信辉
温露露
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201810157119.8A priority Critical patent/CN108416695B/zh
Publication of CN108416695A publication Critical patent/CN108416695A/zh
Priority to US16/284,064 priority patent/US11409347B2/en
Application granted granted Critical
Publication of CN108416695B publication Critical patent/CN108416695B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/28—Supervision thereof, e.g. detecting power-supply failure by out of limits supervision
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)

Abstract

本发明提供一种基于深度学习的电力负荷概率密度预测方法和系统、存储介质，涉及用电技术领域。方法包括：S101、采集在预设历史时间段内用户的电力负荷数据、气象数据以及空气质量数据，并将采集到的数据划分为训练集和测试集；S102、确定用于进行电力负荷预测的深度学习模型；S103、将测试集输入用于进行电力负荷预测的深度学习模型，得到用户在第三时间区间内不同分位点下的电力负荷预测数据；S104、进行核密度估计得到用户在第三时间区间内电力负荷的概率密度曲线。本发明基于较高准确率的电力负荷预测数据进行核密度估计，进而得到较高准确率的概率密度曲线，从而得知用户在未来时间段内电力负荷的概率分布情况。

Description

基于深度学习的电力负荷概率密度预测方法和系统、介质
技术领域
本发明涉及用电技术领域，具体涉及一种基于深度学习的电力负荷概率密度预测方法和系统、存储介质。
背景技术
随着电力系统不断发展，电力系统对社会的经济发展也越来越重要。随着电网技术的不断进步和经济社会对电力需求的增加，目前电力能源服务已经覆盖诸多领域。在此背景下，电网系统的正常运行十分重要，而电力负荷的概率分布情况对于电网系统的运行有着重要的意义，因此需要提供一种能够对电力负荷的概率分布情况进行预测的方案。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于深度学习的电力负荷概率密度预测方法和系统、存储介质，能够确定用户在未来时间段内电力负荷的概率分布情况。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
第一方面，本发明实施例提供一种基于深度学习的电力负荷概率密度预测方法，包括：
S101、采集在预设历史时间段内用户的电力负荷数据、气象数据以及空气质量数据，并将采集到的数据划分为训练集和测试集；其中，所述历史时间段包括第一时间区间和晚于所述第一时间区间的第二时间区间，所述训练集为所述第一时间区间内的数据，所述测试集为所述第二时间区间内的数据；
S102、根据所述训练集和所述测试集，确定用于进行电力负荷预测的深度学习模型；
S103、将所述测试集输入所述用于进行电力负荷预测的深度学习模型，得到用户在第三时间区间内不同分位点下的电力负荷预测数据；其中，所述第三时间区间为预设的未来时间段内的时间区间。
S104、根据用户在第三时间区间内不同分位点下的电力负荷预测数据进行核密度估计，得到用户在所述第三时间区间内电力负荷的概率密度曲线。
第二方面，本发明实施例提供一种基于深度学习的电力负荷概率密度预测系统，包括：
数据采集模块，用于采集在预设历史时间段内用户的电力负荷数据、气象数据以及空气质量数据，并将采集到的数据划分为训练集和测试集；其中，所述历史时间段包括第一时间区间和晚于所述第一时间区间的第二时间区间，所述训练集为所述第一时间区间内的数据，所述测试集为所述第二时间区间内的数据；
模型确定模块，用于根据所述训练集和所述测试集，确定用于进行电力负荷预测的深度学习模型；
负荷预测模块，用于将所述测试集输入所述用于进行电力负荷预测的深度学习模型，得到用户在第三时间区间内不同分位点下的电力负荷预测数据；其中，所述第三时间区间为预设的未来时间段内的时间区间。
核密度估计模块，用于根据用户在第三时间区间内不同分位点下的电力负荷预测数据进行核密度估计，得到用户在所述第三时间区间内电力负荷的概率密度曲线。
第三方面，本发明实施例提供一种计算机可读存储介质，该介质上存储有计算机程序，在处理器执行所述计算机程序时可实现上述方法。
(三)有益效果
本发明实施例提供了一种基于深度学习的电力负荷概率密度预测方法和系统、存储介质，具备以下有益效果：
本发明实施例采用深度学习模型对不同分位点下的电力负荷进行预测，深度学习作为一种人工智能方法相对于传统的时间序列方法和机器学习方法，预测准确率更高，而且在深度学习过程采用的数据不仅有电力负荷数据，还有气象数据和空气质量数据，由于天气情况、空气质量都会影响人的行为，进而影响人的用电量，最终会导致负荷发生变化，因此在考虑气象数据和空气质量数据，可以进一步提高预测准确率。基于较高准确率的电力负荷预测数据进行核密度估计，进而得到较高准确率的概率密度曲线，从而得知用户在未来时间段内电力负荷的概率分布情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明实施例中一种基于深度学习的电力负荷概率密度预测方法的流程示意图；
图2示出了本发明实施例中用户在所述第二时间区间内电力负荷的概率密度曲线；
图3示出了本发明实施例中用户在第二时间区间内电力负荷的概率密度曲线与对应的测试样本匹配的示意图；
图4示出了本发明实施例中用户在第二时间区间内电力负荷的概率密度曲线与对应的测试样本不匹配的示意图；
图5示出了本发明实施例中一种基于深度学习的电力负荷概率密度预测系统的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
第一方面，本发明实施例提供一种基于深度学习的电力负荷概率密度预测方法，如图1所示，该方法包括：
S101、采集在预设历史时间段内用户的电力负荷数据、气象数据以及空气质量数据，并将采集到的数据划分为训练集和测试集；其中，所述历史时间段包括第一时间区间和晚于所述第一时间区间的第二时间区间，所述训练集为所述第一时间区间内的数据，所述测试集为所述第二时间区间内的数据；
可理解的是，电力负荷数据为用户在历史时间段内的电力消费数据，气象数据即天气数据。
在实际应用时，历史时间段、第一时间区间、第二时间区间可以根据需要选择，例如，在当天的24时，将前一天(即昨天)和当天作为历史时间段，采集这两天所产生的电力负荷数据以及这两天的天气数据和空气质量数据。将前一天作为第一时间区间，将当天作为第二时间区间，这样前一天的相关数据形成训练集，当天的相关数据形成测试集。
在实际应用时，在将采集到的数据划分为训练集和测试集之前，还可以包括对采集到的数据进行清洗处理，这样可以将缺失值、异常值去除，以免其影响后续的深度学习和预测。还可以将清洗之后得到的数据进行格式转换，将其转换为有监督学习数据格式，以便执行后续的深度学习和测试过程。
S102、根据所述训练集和所述测试集，确定用于进行电力负荷预测的深度学习模型；
在具体实施时，确定深度学习模型的方式有多种，下面介绍一种可选的模型确定过程：
S1021、对深度学习模型的网络结构和模型参数进行初始化设置；
可理解的是，对深度学习模型的网络结构以及模型参数进行初始化设置，实际上是对深度学习模型的初始化设置以得到初始深度学习模型的过程，具体的初始化设置可以参考如下表1：
表1 初始化设置表
参数 初始值
隐含层个数 3
每个层节点数 [45,200,200,200,1]
最大迭代次数 500
正则化参数L1 0.01
正则化参数L2 0.01
激活函数 Rectifer函数
学习速率 0.1
损失函数 分位点损失函数
从上表1中可以看出，初始深度学习模型的网络结构中，隐含层有3层，输入层、三个隐含层和输出层的节点数分别是45、200、200、200、1，在深度学习过程中最大迭代次数为500次，两个正则化参数为0.01，激活函数为Rectifer函数，学习速率为0.1，选择分位点损失函数作为损失函数。
可理解的是，此时可以仅根据表1对深度学习模型进行初始化，在后续过程中可能涉及对各个参数的调整。
S1022、将所述训练集输入当前的深度学习模型，通过当前的深度学习模型的深度学习，针对所述训练集中的每一个训练样本得到用户在所述第二时间区间内不同分位点下的电力负荷预测数据；
可理解的是，如果是第一次执行步骤S1022，则当前的深度学习模型为初始深度学习模型，如果是第二次、第三次……执行步骤S1022，则当前的深度学习模型为对之前的深度学习模型的结构和/或参数进行调整后的深度学习模型。
可理解的是，不同的分位点对应不同的电力负荷范围，这样在后续过程中，针对每一个训练样本可以得到不同电力负荷预测值的分布情况。分位点可以用τ表示，分位点的取值可以根据需要选择，例如，τ＝0.01,0.02,...,0.99。针对每一个训练样本，通过深度学习可以得到不同分位点下的电力负荷预测数据。例如，分位点的个数取n，则针对训练集中的每一个训练样本，可以得到n个分位点下的电力负荷预测数据。
可理解的是，深度学习模型的输入数据为训练集，训练集为第一时间区间内采集的数据，而深度学习后得到的数据为用户在第二时间区间内不同分位点的电力负荷预测数据，可见得到的数据是当前的深度学习模型是基于第一时间区间的数据，对第二时间区间内不同分位点的电力负荷进行预测。也就是说，通过第一时间区间内的相关数据，深度学习模型可以预测第二时间区间内不同分位点下的电力负荷。
例如，将昨天的电力负荷数据、气象数据和空气质量数据形成训练集，将今天的电力负荷数据、气象数据和空气质量数据形成测试集，将训练集输入当前的深度学习模型后，便得到今天在不同分位点下电力负荷的预测结果。
在具体实施时，当前的深度学习模型进行深度学习的方式有多种，举例来说，当前的深度学习模型采用下式进行深度学习，可以得到用户在所述第二时间区间内分位点τ下的电力负荷预测数据：
Figure BDA0001581764040000061
式中，xi为所述训练集中的第i个训练样本，n为所述训练集中训练样本的个数，ρτ()为分位点τ对应的损失函数，λ为正则化系数，J(w)为正则项，w为权重参数，yi为所述测试集中第i个测试样本，Zτ为用户在所述第二时间区间内分位点τ下的电力负荷预测数据，f()为当前的深度学习模型基于xi和当前模型参数输出的电力负荷预测值。
其中，正则项J(w)可以用以下公式确定：
Figure BDA0001581764040000071
式中，
Figure BDA0001581764040000072
表示模型的第k层中第i个神经元和第j个神经元连接的权重，K表示神经层数，p表示相应层中神经元个数，例如，pk为第k层神经元的个数。
其中，分位点τ对应的损失函数可以包括：
Figure BDA0001581764040000073
式中，μ为损失函数的输入变量，具体为yi和f(xi；w)之间的差值。
S1023、根据用户在所述第二时间区间内不同分位点下的电力负荷预测数据进行核密度估计，得到用户在所述第二时间区间内电力负荷的概率密度曲线；
可理解的是，核密度估计是一种概率密度的估计算法，具体可以通过以下公式计算：
Figure BDA0001581764040000074
式中，
Figure BDA0001581764040000075
为Zτ的概率密度，Zτ为用户在所述第二时间区间内分位点τ下的电力负荷预测数据，T为分位点的个数，h为带宽，Z为与Zτ之间的距离小于等于h的值，
Figure BDA0001581764040000076
a为K()的输入变量。
举例来说，Zτ为5，h取2，则Z可以取与5之间的距离小于等于2的整数，例如，3、4、5、6、7。
可理解的是，针对每一个训练样本，可以得到一条用户在所述第二时间区间内电力负荷的概率密度曲线，该曲线可以体现用户在所述第二时间区间内电力负荷的概率密度分布情况，如图2所示的曲线。假设训练集中有n1个训练样本，则可以得到n1条概率密度曲线。
S1024、根据用户在所述第二时间区间内电力负荷的概率密度曲线和所述测试集中对应的测试样本，对当前的深度学习模型的预测能力进行测定；若所述预测能力满足预定要求，则将当前的深度学习模型作为所述用于进行电力负荷预测的深度学习模型，并执行步骤S103；否则，对当前的深度学习模型的网络结构和/或模型参数进行调整，并返回步骤S1022。
在该步骤中，对深度学习模型的预测能力进行测定的方式有多种，例如，判断用户在所述第二时间区间内电力负荷的概率密度曲线是否与对应的测试样本是否匹配或者吻合，所谓的匹配或者吻合是指测试样本中的电力负荷是否与概率密度曲线的极大值重合或者与极大值之间的差值在一个比较小的范围之内。如图3所示，测试样本中的电力负荷为图3中的直线，测试样本中的电力负荷与概率密度曲线的极大值重合，则认为两者吻合或匹配，这样当前的深度学习模型的预测能力满足预定要求。如图4所示，测试样本中的电力负荷与概率密度曲线中的极大值之间的差距较大，则认为两者不匹配或者不吻合，这样当前的深度学习模型的预测能力较差，不满足预定要求。
可理解的是，如果当前的深度学习模型的预测能力满足要求，则没有必要再对当前的深度学习模型的结构和/或参数进行进一步的调整，直接将当前的深度学习模型作为最终的深度学习模型。但是如果预测能力还达不到要求，则需要对当前的深度学习模型进行调整，返回步骤S1022，继续参与循环，直至深度学习模型的预测能力能够满足要求。
S103、将所述测试集输入所述用于进行电力负荷预测的深度学习模型，得到用户在第三时间区间内不同分位点下的电力负荷预测数据；其中，所述第三时间区间为预设的未来时间段内的时间区间。
可理解的是，第三时间区间为未来时间段内的时间区间，其必然晚于第二时间区间，通过第二时间区间内的相关数据，深度学习模型可以预测第三时间段内不同分位点的电力负荷。
举例来说，将今天的电力负荷数据、气象数据和空气质量数据形成测试集，将测试集输入最终的深度学习模型之后，便得到对明天不同分位点下的电力负荷的预测结果。
S104、根据用户在第三时间区间内不同分位点下的电力负荷预测数据进行核密度估计，得到用户在所述第三时间区间内电力负荷的概率密度曲线。
该步骤中，依据用户在第三时间区间内不同分位点下的电力负荷预测数据进行核密度估计时也可以采用上文中的核密度估计公式：
Figure BDA0001581764040000091
式中，
Figure BDA0001581764040000092
为Zτ的概率密度，Zτ为用户在所述第三时间区间内分位点τ下的电力负荷预测数据，T为分位点的个数，h为带宽，Z为与Zτ之间的距离小于等于h的值，
Figure BDA0001581764040000093
a为K()的输入变量。
可理解的是，与上文中核密度估计公式不同的是，这里的Zτ为用户在所述第三时间区间内分位点τ下的电力负荷预测数据。
可理解的是，测试集中的每一个测试样本，可以得到一条对应的概率密度曲线。通过上述核密度估计公式，便可以得到用户在第三时间区间内电力负荷的概率分布情况。
本发明实施例提供的基于深度学习的电力负荷概率密度预测方法，采用深度学习模型对不同分位点下的电力负荷进行预测，深度学习作为一种人工智能方法相对于传统的时间序列方法和机器学习方法，预测准确率更高，而且在深度学习过程采用的数据不仅有电力负荷数据，还有气象数据和空气质量数据，由于天气情况、空气质量都会影响人的行为，进而影响人的用电量，最终会导致负荷发生变化，因此在考虑气象数据和空气质量数据，可以进一步提高预测准确率。基于较高准确率的电力负荷预测数据进行核密度估计，进而得到较高准确率的概率密度曲线，从而得知用户在未来时间段内电力负荷的概率分布情况。
第二方面，本发明实施例提供一种基于深度学习的电力负荷概率密度预测系统，如图5所示，该系统包括：
数据采集模块，用于采集在预设历史时间段内用户的电力负荷数据、气象数据以及空气质量数据，并将采集到的数据划分为训练集和测试集；其中，所述历史时间段包括第一时间区间和晚于所述第一时间区间的第二时间区间，所述训练集为所述第一时间区间内的数据，所述测试集为所述第二时间区间内的数据；
模型确定模块，用于根据所述训练集和所述测试集，确定用于进行电力负荷预测的深度学习模型；
负荷预测模块，用于将所述测试集输入所述用于进行电力负荷预测的深度学习模型，得到用户在第三时间区间内不同分位点下的电力负荷预测数据；其中，所述第三时间区间为预设的未来时间段内的时间区间。
核密度估计模块，用于根据用户在第三时间区间内不同分位点下的电力负荷预测数据进行核密度估计，得到用户在所述第三时间区间内电力负荷的概率密度曲线。
在一些实施例中，所述模型确定模块包括：
初始化单元，用于对深度学习模型的网络结构和模型参数进行初始化设置；
深度学习单元，用于将所述训练集输入当前的深度学习模型，通过当前的深度学习模型的深度学习，针对所述训练集中的每一个训练样本得到用户在所述第二时间区间内不同分位点下的电力负荷预测数据；
核密度估计单元，用于根据用户在所述第二时间区间内不同分位点下的电力负荷预测数据进行核密度估计，得到用户在所述第二时间区间内电力负荷的概率密度曲线；
能力测定模块，用于根据用户在所述第二时间区间内电力负荷的概率密度曲线和所述测试集中对应的测试样本，对当前的深度学习模型的预测能力进行测定；若所述预测能力满足预定要求，则将当前的深度学习模型作为所述用于进行电力负荷预测的深度学习模型，并转到所述核密度估计模块；否则，对当前的深度学习模型的网络结构和/或模型参数进行调整，并返回所述深度学习单元。
在一些实施例中，所述数据采集模块在将采集到的数据划分为训练集和测试集之前，还对采集到的数据进行清洗处理，并对清洗处理后得到数据的格式转换为有监督学习数据格式。
在一些实施例中，深度学习单元采用下式进行深度学习：
Figure BDA0001581764040000111
式中，xi为所述训练集中的第i个训练样本，n为所述训练集中训练样本的个数，ρτ()为分位点τ对应的损失函数，λ为正则化系数，J(w)为正则项，w为权重参数，yi为所述测试集中第i个测试样本，Zτ为用户在所述第二时间区间内分位点τ下的电力负荷预测数据，f()为当前的深度学习模型基于xi和当前模型参数输出的电力负荷预测值。
在一些实施例中，分位点τ对应的损失函数包括：
Figure BDA0001581764040000112
式中，μ为yi和f(xi；w)之间的差值。
在一些实施例中，核密度估计模块采用下式进行核密度估计：
Figure BDA0001581764040000113
式中，
Figure BDA0001581764040000121
为Zτ的概率密度，Zτ为用户在所述第三时间区间内分位点τ下的电力负荷预测数据，T为分位点的个数，h为带宽，Z为与Zτ之间的距离小于等于h的值，
Figure BDA0001581764040000122
a为K()的输入变量。
可理解的是，本发明实施例提供的电力负荷概率密度预测系统与电力负荷概率密度预测方法相对应，其有关内容的解释、举例、有益效果等部分可以参考电力负荷概率密度预测方法中的相应内容，此处不在赘述。
第三方面，本发明实施例提供一种计算机可读存储介质，该介质上存储有计算机程序，在处理器执行所述计算机程序时可实现上述方法。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于深度学习的电力负荷概率密度预测方法，其特征在于，包括：
S101、采集在预设历史时间段内用户的电力负荷数据、气象数据以及空气质量数据，并将采集到的数据划分为训练集和测试集；其中，所述历史时间段包括第一时间区间和晚于所述第一时间区间的第二时间区间，所述训练集为所述第一时间区间内的数据，所述测试集为所述第二时间区间内的数据；
S102、根据所述训练集和所述测试集，确定用于进行电力负荷预测的深度学习模型；
S103、将所述测试集输入所述用于进行电力负荷预测的深度学习模型，得到用户在第三时间区间内不同分位点下的电力负荷预测数据；其中，所述第三时间区间为预设的未来时间段内的时间区间；
S104、根据用户在第三时间区间内不同分位点下的电力负荷预测数据进行核密度估计，得到用户在所述第三时间区间内电力负荷的概率密度曲线；
所述S102包括：
S1021、对深度学习模型的网络结构和模型参数进行初始化设置；
S1022、将所述训练集输入当前的深度学习模型，通过当前的深度学习模型的深度学习，针对所述训练集中的每一个训练样本得到用户在所述第二时间区间内不同分位点下的电力负荷预测数据；
S1023、根据用户在所述第二时间区间内不同分位点下的电力负荷预测数据进行核密度估计，得到用户在所述第二时间区间内电力负荷的概率密度曲线；
S1024、根据用户在所述第二时间区间内电力负荷的概率密度曲线和所述测试集中对应的测试样本，对当前的深度学习模型的预测能力进行测定；若所述预测能力满足预定要求，则将当前的深度学习模型作为所述用于进行电力负荷预测的深度学习模型，并执行步骤S103；否则，对当前的深度学习模型的网络结构和/或模型参数进行调整，并返回步骤S1022；
当前的深度学习模型采用下式进行深度学习：
Figure FDA0002459297910000021
式中，xi为所述训练集中的第i个训练样本，n为所述训练集中训练样本的个数，ρτ()为分位点τ对应的损失函数，λ为正则化系数，J(w)为正则项，w为权重参数，yi为所述测试集中第i个测试样本，Zτ为用户在所述第二时间区间内分位点τ下的电力负荷预测数据，f()为当前的深度学习模型基于xi和当前模型参数输出的电力负荷预测值。
2.根据权利要求1所述的方法，其特征在于，分位点τ对应的损失函数包括：
Figure FDA0002459297910000022
式中，μ为yi和f(xi；w)之间的差值。
3.根据权利要求1所述的方法，其特征在于，所述S104中采用下式进行核密度估计：
Figure FDA0002459297910000023
式中，
Figure FDA0002459297910000024
为Zτ的概率密度，Zτ为用户在所述第三时间区间内分位点τ下的电力负荷预测数据，T为分位点的个数，h为带宽，Z为与Zτ之间的距离小于等于h的值，
Figure FDA0002459297910000025
a为K()的输入变量。
4.根据权利要求1～3任一项所述的方法，其特征在于，所述将采集到的数据划分为训练集和测试集之前，所述方法还包括：对采集到的数据进行清洗处理，并对清洗处理后得到数据的格式转换为有监督学习数据格式。
5.一种基于深度学习的电力负荷概率密度预测系统，其特征在于，包括：
数据采集模块，用于采集在预设历史时间段内用户的电力负荷数据、气象数据以及空气质量数据，并将采集到的数据划分为训练集和测试集；其中，所述历史时间段包括第一时间区间和晚于所述第一时间区间的第二时间区间，所述训练集为所述第一时间区间内的数据，所述测试集为所述第二时间区间内的数据；
模型确定模块，用于根据所述训练集和所述测试集，确定用于进行电力负荷预测的深度学习模型；
负荷预测模块，用于将所述测试集输入所述用于进行电力负荷预测的深度学习模型，得到用户在第三时间区间内不同分位点下的电力负荷预测数据；其中，所述第三时间区间为预设的未来时间段内的时间区间；
核密度估计模块，用于根据用户在第三时间区间内不同分位点下的电力负荷预测数据进行核密度估计，得到用户在所述第三时间区间内电力负荷的概率密度曲线；
所述模型确定模块包括：
初始化单元，用于对深度学习模型的网络结构和模型参数进行初始化设置；
深度学习单元，用于将所述训练集输入当前的深度学习模型，通过当前的深度学习模型的深度学习，针对所述训练集中的每一个训练样本得到用户在所述第二时间区间内不同分位点下的电力负荷预测数据；
核密度估计单元，用于根据用户在所述第二时间区间内不同分位点下的电力负荷预测数据进行核密度估计，得到用户在所述第二时间区间内电力负荷的概率密度曲线；
能力测定模块，用于根据用户在所述第二时间区间内电力负荷的概率密度曲线和所述测试集中对应的测试样本，对当前的深度学习模型的预测能力进行测定；若所述预测能力满足预定要求，则将当前的深度学习模型作为所述用于进行电力负荷预测的深度学习模型，并转到所述核密度估计模块；否则，对当前的深度学习模型的网络结构和/或模型参数进行调整，并返回所述深度学习单元；
当前的深度学习模型采用下式进行深度学习：
Figure FDA0002459297910000041
式中，xi为所述训练集中的第i个训练样本，n为所述训练集中训练样本的个数，ρτ()为分位点τ对应的损失函数，λ为正则化系数，J(w)为正则项，w为权重参数，yi为所述测试集中第i个测试样本，Zτ为用户在所述第二时间区间内分位点τ下的电力负荷预测数据，f()为当前的深度学习模型基于xi和当前模型参数输出的电力负荷预测值。
6.根据权利要求5所述的系统，其特征在于，所述数据采集模块在将采集到的数据划分为训练集和测试集之前，还对采集到的数据进行清洗处理，并对清洗处理后得到数据的格式转换为有监督学习数据格式。
7.一种计算机可读存储介质，该介质上存储有计算机程序，其特征在于，在处理器执行所述计算机程序时可实现权利要求1～4任一所述的方法。
CN201810157119.8A 2018-02-24 2018-02-24 基于深度学习的电力负荷概率密度预测方法和系统、介质 Active CN108416695B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810157119.8A CN108416695B (zh) 2018-02-24 2018-02-24 基于深度学习的电力负荷概率密度预测方法和系统、介质
US16/284,064 US11409347B2 (en) 2018-02-24 2019-02-25 Method, system and storage medium for predicting power load probability density based on deep learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810157119.8A CN108416695B (zh) 2018-02-24 2018-02-24 基于深度学习的电力负荷概率密度预测方法和系统、介质

Publications (2)

Publication Number Publication Date
CN108416695A CN108416695A (zh) 2018-08-17
CN108416695B true CN108416695B (zh) 2020-07-07

Family

ID=63128934

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810157119.8A Active CN108416695B (zh) 2018-02-24 2018-02-24 基于深度学习的电力负荷概率密度预测方法和系统、介质

Country Status (2)

Country Link
US (1) US11409347B2 (zh)
CN (1) CN108416695B (zh)

Families Citing this family (79)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7296548B2 (ja) * 2019-02-13 2023-06-23 パナソニックＩｐマネジメント株式会社 作業効率評価方法、作業効率評価装置、及びプログラム
CN110322063B (zh) * 2019-06-27 2023-05-30 上海极熵数据科技有限公司 一种耗电功率仿真预测方法及存储介质
CN110782094B (zh) * 2019-10-28 2022-06-21 国网江苏省电力有限公司苏州供电分公司 一种居民用户细粒度用电行为的分项负荷预测方法
CN110826789B (zh) * 2019-10-30 2023-06-06 深圳市康必达控制技术有限公司 基于电力系统的电力负荷预测方法、装置及终端设备
CN111428903A (zh) * 2019-10-31 2020-07-17 国家电网有限公司 一种基于深度增强学习的可中断负荷优选方法
CN110852597B (zh) * 2019-11-07 2022-01-28 国网江西省电力有限公司电力科学研究院 基于生成对抗网络的用电高峰时段居民负荷占比计算方法
CN110837934B (zh) * 2019-11-11 2023-04-07 四川大学 一种基于深度学习的智能电网短期住宅负荷预测方法
CN112052983B (zh) * 2019-11-20 2024-07-02 沈阳工业大学 一种基于信息物理融合的分布式电储热装置负荷预测方法
CN110969293B (zh) * 2019-11-22 2023-07-21 上海交通大学 一种基于迁移学习的短期广义电力负荷预测方法
CN110866655B (zh) * 2019-11-25 2024-04-05 武汉地铁运营有限公司 一种基于功率数值分析的道岔卡阻故障智能预警方法
CN111080477A (zh) * 2019-12-06 2020-04-28 北京国电通网络技术有限公司 一种家庭电力负荷预测方法及系统
CN111160619A (zh) * 2019-12-06 2020-05-15 北京国电通网络技术有限公司 一种基于数据衍生的电力负荷预测方法
CN111091242B (zh) * 2019-12-12 2021-10-08 浙江大学 一种电力负荷的最优非参数区间预测方法
CN111144654A (zh) * 2019-12-27 2020-05-12 深圳供电局有限公司 一种基于物联网的园区能源管理配置方法及装置
CN111222079A (zh) * 2019-12-30 2020-06-02 国网北京市电力公司 电功率预测方法、装置、存储介质以及处理器
CN111144665A (zh) * 2019-12-31 2020-05-12 新奥数能科技有限公司 一种优化热负荷预测方法及装置
CN111382787A (zh) * 2020-03-06 2020-07-07 芯薇(上海)智能科技有限公司 一种基于深度学习的目标检测方法
CN111382789B (zh) * 2020-03-06 2023-11-14 云南电网有限责任公司电力科学研究院 基于机器学习的电力负荷识别方法及系统
CN111582542B (zh) * 2020-03-31 2023-10-03 国网上海市电力公司 一种基于异常修复的电力负荷预测方法及系统
CN111476422A (zh) * 2020-04-10 2020-07-31 北京石油化工学院 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法
CN111489036B (zh) * 2020-04-14 2023-06-09 天津相和电气科技有限公司 基于电器负荷特性和深度学习的居民负荷预测方法、装置
CN111583061A (zh) * 2020-04-30 2020-08-25 新智数字科技有限公司 电能质量确定方法、装置、可读介质及电子设备
CN111768023B (zh) * 2020-05-11 2024-04-09 国网冀北电力有限公司电力科学研究院 一种基于智慧城市电能表数据的概率峰值负荷估计方法
CN111680744A (zh) * 2020-06-05 2020-09-18 中国电力科学研究院有限公司 母线负荷构成辨识方法及机器可读存储介质
CN111832899B (zh) * 2020-06-11 2022-03-01 深圳市城市规划设计研究院有限公司 城市负荷预测方法及系统
CN111898249A (zh) * 2020-07-02 2020-11-06 华能澜沧江水电股份有限公司 滑坡位移非参数概率密度预测方法、设备及存储介质
CN111783684A (zh) * 2020-07-03 2020-10-16 湖南大学 一种基于Bi-GRU-SA的家庭用电负荷分解方法及系统
CN112097365A (zh) * 2020-07-10 2020-12-18 珠海派诺科技股份有限公司 基于预测和分类模型的空调故障检测与辩识方法及装置
US11694116B2 (en) 2020-07-27 2023-07-04 BlueOwl, LLC Vehicle resiliency, driving feedback and risk assessment using machine learning-based vehicle wear scoring
CN111898903A (zh) * 2020-07-28 2020-11-06 北京科技大学 一种钢铁产品均匀性和综合质量评估方法及系统
CN111861039A (zh) * 2020-07-31 2020-10-30 广东电网有限责任公司广州供电局 基于lstm和广义预测控制算法的电力负荷预测方法、系统、设备及存储介质
CN112149890A (zh) * 2020-09-16 2020-12-29 国网山东省电力公司经济技术研究院 基于用户用能标签的综合能源负荷预测方法及系统
CN112215410B (zh) * 2020-09-24 2023-01-10 国网福建省电力有限公司 基于改进深度学习的电力负荷预测方法
CN112381266B (zh) * 2020-10-22 2024-01-09 国网湖北省电力有限公司武汉供电公司 基于历史供电及天气数据预测未来供电量的系统及其方法
CN112633316B (zh) * 2020-10-22 2023-06-09 国网山东省电力公司潍坊供电公司 一种基于边界估值理论的负荷预测方法和装置
CN112149757B (zh) * 2020-10-23 2022-08-19 新华三大数据技术有限公司 一种异常检测方法、装置、电子设备及存储介质
CN112330010A (zh) * 2020-11-03 2021-02-05 长安大学 一种基于深度学习的电力用户负荷区间预测方法
CN112348096B (zh) * 2020-11-11 2022-09-09 合肥工业大学 非侵入式负荷分解方法及系统
CN112348380A (zh) * 2020-11-12 2021-02-09 华北电力大学（保定） 需求响应可调度容量概率预测方法、装置及电子设备
CN112488396A (zh) * 2020-12-01 2021-03-12 国网福建省电力有限公司 基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法
CN112465251A (zh) * 2020-12-08 2021-03-09 上海电力大学 一种基于最简门控神经网络的短期光伏出力概率预测方法
CN112232495B (zh) * 2020-12-10 2022-03-04 北京瑞莱智慧科技有限公司 预测模型的训练方法、装置、介质和计算设备
CN112613542B (zh) * 2020-12-14 2024-01-12 国网甘肃省电力公司营销服务中心 一种基于双向lstm的企业除污设备负荷辨识方法
CN112712203B (zh) * 2020-12-29 2023-09-15 湖南大学 一种配电网日最高负荷预测方法和系统
CN112685915B (zh) * 2021-01-18 2023-06-30 重庆大学 一种风电出力条件概率分布建模方法
CN112801374B (zh) * 2021-01-29 2023-01-13 广东晨兴智能科技有限公司 模型训练方法、用电负荷预测方法、装置及设备
CN112836876B (zh) * 2021-02-03 2023-12-08 国网福建省电力有限公司宁德供电公司 一种基于深度学习的配电网线路负荷预测方法
CN112836370B (zh) * 2021-02-03 2023-09-26 北京百度网讯科技有限公司 供热系统调度方法、装置、设备、存储介质以及程序产品
CN112909936B (zh) * 2021-02-04 2022-10-04 中国神华能源股份有限公司国华电力分公司 火电机组运行状态的监测方法、装置和系统
CN112861365B (zh) * 2021-02-23 2022-09-06 国网冀北电力有限公司智能配电网中心 低压配电网负荷状态估计方法、装置及终端设备
US11480358B2 (en) * 2021-02-25 2022-10-25 Synapse Wireless, Inc. Machine learning systems for modeling and balancing the activity of air quality devices in industrial applications
CN113051837A (zh) * 2021-04-25 2021-06-29 华北电力大学 一种基于气象参数的dlstm电力负荷预测方法和装置
CN113191418A (zh) * 2021-04-27 2021-07-30 华中科技大学 基于室外气象参数的非侵入式建筑分项冷负荷监测方法
CN113255996B (zh) * 2021-05-24 2024-03-26 国家电网有限公司大数据中心 一种标签化的电费余额管理方法、装置、设备及存储介质
CN113393027B (zh) * 2021-06-10 2023-11-07 大连海事大学 一种基于深度学习的航标漂移智能预测方法
CN113434493A (zh) * 2021-06-28 2021-09-24 湘潭大学 一种基于Transformer的非侵入式负荷分解方法
CN113408210B (zh) * 2021-07-12 2023-08-01 内蒙古电力(集团)有限责任公司乌兰察布供电分公司 基于深度学习的非侵入负荷分解方法、系统、介质和设备
CN113837227B (zh) * 2021-08-26 2024-02-02 北京智芯微电子科技有限公司 负载预测方法、装置、芯片、电子设备及存储介质
CN113449934B (zh) * 2021-08-31 2021-11-30 国能日新科技股份有限公司 一种基于数据迁移的风力发电功率预测方法及装置
CN113792919B (zh) * 2021-09-02 2024-02-27 华中科技大学 一种基于迁移学习深度学习相结合的风电功率预测方法
CN113763047A (zh) * 2021-09-07 2021-12-07 广东电网有限责任公司 基于核密度估计的负荷预测信息价值率评估方法及系统
CN113822475B (zh) * 2021-09-15 2023-11-21 浙江浙能技术研究院有限公司 抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法
CN114092274A (zh) * 2021-10-18 2022-02-25 国网江苏省电力有限公司经济技术研究院 一种基于极端外部冲击的短期电力负荷预测方法
CN114240035B (zh) * 2021-11-09 2024-03-22 云南电网有限责任公司 一种基于业务感知的转接设备低功耗控制方法及转接装置
CN114219150B (zh) * 2021-12-15 2022-09-23 浙江大学 基于自适应优化构造区间的电力负荷区间预测方法
CN114219182B (zh) * 2022-01-20 2024-08-20 天津大学 一种基于强化学习的异常天气场景风电预测方法
CN114638400B (zh) * 2022-02-21 2024-07-26 国网山东省电力公司滨州供电公司 一种电力负荷预测系统及方法
CN114580758B (zh) * 2022-03-09 2023-07-18 苗韧 一种多城市自动能源负荷预测方法及系统
CN114638312B (zh) * 2022-03-24 2024-07-19 申能新能源(青海)有限公司 一种风电功率无监督式学习分类算法
CN114676941B (zh) * 2022-05-30 2022-09-30 国网天津市电力公司经济技术研究院 园区综合能源系统电-热负荷联合自适应预测方法及装置
CN114862057B (zh) * 2022-06-13 2024-05-31 浙江电力交易中心有限公司 一种代理电量预测方法、装置、设备及介质
CN115603321B (zh) * 2022-11-11 2023-06-16 浙江浙能能源服务有限公司 一种基于电力消费数据的电力负荷预测系统及方法
CN115983448B (zh) * 2022-12-14 2023-09-12 南京信息工程大学 一种基于时空图神经网络的多能源负荷预测方法
CN116187181B (zh) * 2023-02-01 2024-03-22 国网电力科学研究院武汉南瑞有限责任公司 一种基于宽度学习系统的电动车充电负荷时序建模方法、系统及介质
CN116127844B (zh) * 2023-02-08 2023-10-31 大连海事大学 一种考虑流动控制方程约束的流场时程深度学习预测方法
CN116167414A (zh) * 2023-02-22 2023-05-26 上海交通大学 基于深度学习的微型pmu数据衍生系统
CN116701857B (zh) * 2023-05-22 2024-07-16 广州航海学院 干燥过程中目标对象含水率与干燥能耗预测方法和装置
CN116887569B (zh) * 2023-07-06 2024-01-30 广州至为信息科技有限公司 一种数据中心能耗预测和节能调节方法、系统及存储介质
CN117332901B (zh) * 2023-10-17 2024-07-19 南方电网数字电网研究院股份有限公司 采用分层时间聚合策略的新能源小时间尺度功率预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6226409B1 (en) * 1998-11-03 2001-05-01 Compaq Computer Corporation Multiple mode probability density estimation with application to sequential markovian decision processes
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
CN107704953A (zh) * 2017-09-20 2018-02-16 河海大学 Ewt分位数回归森林的短期风电功率概率密度预测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102270279A (zh) * 2011-07-27 2011-12-07 华北电力大学 一种短期电力负荷预测方法
US10879702B2 (en) * 2015-03-27 2020-12-29 Trustees Of Princeton University System and method for performing wind forecasting
CN106251027B (zh) * 2016-08-17 2018-05-01 合肥工业大学 基于模糊支持向量分位数回归的电力负荷概率密度预测方法
CN106548253A (zh) * 2016-11-08 2017-03-29 中国地质大学（武汉） 基于非参数核密度估计的风电功率预测的方法
CN107092582B (zh) * 2017-03-31 2021-04-27 江苏方天电力技术有限公司 一种基于残差后验的异常值在线检测及置信度评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6226409B1 (en) * 1998-11-03 2001-05-01 Compaq Computer Corporation Multiple mode probability density estimation with application to sequential markovian decision processes
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
CN107704953A (zh) * 2017-09-20 2018-02-16 河海大学 Ewt分位数回归森林的短期风电功率概率密度预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
何耀耀等.考虑温度因素的中期电力负荷概率密度预测方法.《电网技术》.2015,第39卷(第1期),176-181. *
基于神经网络分位数回归及核密度估计的概率密度预测方法研究;闻才喜;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20160515;正文第8、23-32页 *
考虑温度因素的中期电力负荷概率密度预测方法;何耀耀等;《电网技术》;20150131;第39卷(第1期);176-181 *

Also Published As

Publication number Publication date
US11409347B2 (en) 2022-08-09
US20190265768A1 (en) 2019-08-29
CN108416695A (zh) 2018-08-17

Similar Documents

Publication Publication Date Title
CN108416695B (zh) 基于深度学习的电力负荷概率密度预测方法和系统、介质
CN108280552B (zh) 基于深度学习的电力负荷预测方法和系统、存储介质
CN107037373B (zh) 基于神经网络的蓄电池剩余电量预测方法
CN111079989B (zh) 一种基于dwt-pca-lstm的供水公司供水量预测装置
CN106055918A (zh) 一种电力系统负荷数据辨识及修复方法
CN106503867A (zh) 一种遗传算法最小二乘风电功率预测方法
CN113486078A (zh) 一种分布式配电网运行监控方法及系统
CN109067427B (zh) 一种基于优化型小波神经网络的跳频序列预测方法
CN111028100A (zh) 考虑气象因素的精细化短期负荷预测方法、装置及介质
CN114169416B (zh) 一种基于迁移学习的小样本集下短期负荷预测方法
CN109904854B (zh) 一种面向需求响应的家庭电路负荷分解方法及系统
CN116707331B (zh) 基于模型预测的逆变器输出电压高精度调节方法及系统
CN115619028A (zh) 一种基于聚类算法融合的电力负荷精准预测方法
CN109948920B (zh) 一种基于证据理论的电力市场结算数据风险处理方法
CN111310963A (zh) 电站的发电数据预测方法、装置、计算机设备和存储介质
CN107045659A (zh) 预测光伏发电功率的方法及装置
CN116415732A (zh) 一种基于改进arnn的用户侧电力负荷数据处理方法
CN111539558A (zh) 一种采用优化极限学习机的电力负荷预测方法
CN116226689A (zh) 一种基于高斯混合模型的配电网典型运行场景生成方法
CN115907131A (zh) 一种北方地区电采暖负荷预测模型搭建方法和系统
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
CN111539573A (zh) 一种风光互补离网系统的功率预测方法及系统
CN108038518A (zh) 一种基于气象数据的光伏发电功率确定方法及系统
CN110059871B (zh) 光伏发电功率预测方法
CN109459609B (zh) 一种基于人工神经网络的分布式电源频率检测方法

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
GR01 Patent grant
GR01 Patent grant