CN108510113A - 一种XGBoost在短期负荷预测中的应用 - Google Patents
一种XGBoost在短期负荷预测中的应用 Download PDFInfo
- Publication number
- CN108510113A CN108510113A CN201810232869.7A CN201810232869A CN108510113A CN 108510113 A CN108510113 A CN 108510113A CN 201810232869 A CN201810232869 A CN 201810232869A CN 108510113 A CN108510113 A CN 108510113A
- Authority
- CN
- China
- Prior art keywords
- load
- prediction
- decoder
- feature
- short
- 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 claims abstract description 10
- 230000000306 recurrent effect Effects 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 7
- 230000036316 preload Effects 0.000 claims description 5
- 238000012887 quadratic function Methods 0.000 claims description 4
- 230000000452 restraining effect Effects 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 2
- 238000013277 forecasting method Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013531 bayesian neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine 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
- 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
- G06N3/045—Combinations of 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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明设计一种基于信息熵聚类和ATTENTION机制的循环神经网络短期负荷预测方法,包括以下步骤:分析影响电力负荷的特征;使用xgboost算法计算所有特征对负荷的信息熵;使用聚类算法对预测地区的历史数据进行基于各特征信息熵为权重的聚类分析;在聚类结果中选取预测日权重距离最近的簇,并依据距离预测时间由远到近组成时间序列T;时间序列T作为ATTENTION循环神经网络的编码器(Encoder),并由解码器(Decoder)获得预测结果。与现有技术相比,本发明具有预测精度高、自适应性好等优点。
Description
技术领域
本发明涉及一种XGBoost在短期负荷预测中的应用。
背景技术
短期负荷预测在电力控制、安全、市场运作和电网合理调度计划中都起到重要性作用。短期电力负荷预测主要用于预知未来几小时,一天或者一周左右电力负荷使用情况。高精度的短期负荷预测有利于缩减电网运营经济成本,电力系统设备调度与安全。由于电力负荷受各种因素的影响,在实际生产过程中很难实现高精度的负荷预测。
在已经主要应用的短期负荷预测模型中,主要分为传统方法和人工智能方法。传统方法是基于数学模型来构造的,包括多元线性回归,随机时间序列,指数平滑和基于先验知识的方法。负荷预测是一个非线性问题,因此传统方法较难实现高精度的预测。人工智能方法主要采用人工神经网络,支持向量机,专家系统模型,模糊逻辑方法和贝叶斯神经网络等方法。由于负荷受到众多特征属性以及未知因素的影响,没有哪种方法能够保证在所有情况下都能保证高精度的预测结果。
此外,随着智能电表的普及和各自然因素、社会因素数据的不断健全,如何从庞大的历史数据中选取最有效的部分也成为研究的热点。
发明内容
本发明的目的在于克服现有技术中存在的上述不足,而提供一种结构设计合理,XGBoost在短期负荷预测中的应用。
本发明解决上述问题所采用的技术方案是:一种XGBoost在短期负荷预测中的应用,具体包括以下步骤:
步骤1:对电力负荷数据进行预处理,确定预测模型的输入特征变量和输出目标;
步骤2:使用极端梯度提升算法(xgboost)计算影响电力负荷各输入特征的信息熵,并
归一化各特征的信息熵,以适配聚类算法对数据的要求;
步骤3:以各特征的信息熵作为重要性启发信息构造基于特征权重的聚类,即样本间距离采用加权欧氏距离衡量,调整聚类参数,使得聚类算法得到与要预测时间段负荷使用情况最相似的历史日;
步骤4:依据距离预测时间由远到近将相似的历史日组成时间序列T;
步骤5:时间序列T作为ATTENTION循环神经网络的编码器(Encoder)输入序列,训练预测模型;
步骤6:判断训练模型是否收敛,如果尚未收敛则返回步骤5,否则由解码器(Decoder)获得负荷预测结果。
作为优选:步骤1中xgboost算法的输入特征包括:季节、温度(℃)、湿度(%)、风速(m/s)、降雨量、星期类型、法定节假日、日前负荷峰值、前七天的负荷平均、七天前负荷值、去年同时段负荷值,输出目标为以上各特征对于负荷值得信息熵(重要度)。
作为优选:步骤2中,步骤2.1:构建算法的目标函数为:
第一部分是训练误差,而第二部分是每棵树的复杂度的和,其中IJ={i|q(xi)=j}被定义为每个叶子上面样本集合表示每个数据点的在误差函数上的一阶导数和二阶导数,定义步骤2.2:将转化为如何求一个一维二次函数的最小值的问题,即:
步骤2.3:其中特征信息熵计算公式如下:
将得到的m个特征的信息熵记为{w1,w2,...,wm}。
作为优选:步骤3中,基于特征权重的聚类算法具体步骤为:步骤3.1对于历史日集合X={x1,x2,...,xi,...,xn},其中对于每一个xi都有对应的m个特征,即xi={xi1,xi2,...,xim},先将所有的特征数据归一化处理;
步骤3.2选择要预测日的特征向量作为第一个初始聚类中心u0,从历史集合里选择与u0距离最远的历史日作为u1,从历史集合里选择与{u0,u1}距离最远的历史日作为u2,......,直到找到K个初始聚类中心{u0,u1,...,uj,...,uk};
步骤3.3对于每个历史日,选取最近的中心点,归为该类,距离计算公式为:
步骤3.4更新聚类中心点为每类的均值;
步骤3.5重复计算步骤3.3和3.4直到聚类中心不再发生改变。
作为优选:步骤5中,用于预测短期负荷的序列到序列(sequence2sequence)的体系结构。该架构由两个LSTM(长短期记忆网络)网络组成:编码器和解码器,编码器的任务是转换可变长度的输入序列并将其编码为固定长度向量,然后将其用作解码器的输入状态,解码器产生长度为n的预测序列,在Encoder输入相似历史日的负荷值y={y0,y1,...,ym-1}和特征向量f={f0,f1,...,fm},而注意力机制让解码器在每一步输出时参与到预测输出的不同部分,由模型Decoder部分预测负荷值实现短期负荷的高精度预测。为了提高预测精度,这里循环神经网络用的是长短期记忆网络(LSTM)结构。
本发明与现有技术相比,具有以下优点和效果:与现有技术相比,本发明采用XGBoost在短期负荷预测中的应用,最大程度上挖掘了预测日的用电规律,剔除了与预测日特征相似度较小的负荷曲线,通过选取聚类后与要预测时间段负荷使用情况最相似的历史日进行预测模型训练,可有效提高短期负荷预测的精度,此外,本发明还采用了具有ATTENTION机制的LSTM循环神经网络建立预测模型,能够更有效的反应历史数据的负荷曲线,从而进一步提高负荷预测精度。
附图说明
图1为本发明的流程图;
图2为一种XGBoost在短期负荷预测中的应用的流程图。
具体实施方式
下面结合附图并通过实施例对本发明作进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
参见图1-图2,本实施例主要基于数据预处理,确定输入特征变量。由于电力负荷的大小受到很多因素的影响,除了需要负荷数据外,季节、温度(℃)、湿度(%)、风速(m/s)、降雨量、星期类型、法定节假日等特征都起到影响作用。而在数据分析过程中又分析了日前负荷峰值、前七天的负荷平均、七天前负荷值、去年同时段负荷值与预测日的关系系数都呈现一定相关性。同时为了保证训练样本足够大,本实例采集的是十年内每天24小时整点时刻的负荷数据,再综合以上十个特征形成样本集。
步骤1:对电力负荷数据进行预处理,确定预测模型的输入特征变量和输出目标;
步骤2:使用极端梯度提升算法(xgboost)计算影响电力负荷各输入特征的信息熵,并归一化各特征的信息熵,以适配聚类算法对数据的要求;
步骤3:以各特征的信息熵作为重要性启发信息构造基于特征权重的聚类,即样本间距离采用加权欧氏距离衡量,调整聚类参数,使得聚类算法得到与要预测时间段负荷使用情况最相似的历史日;
步骤4:依据距离预测时间由远到近将相似的历史日组成时间序列T;
步骤5:时间序列T作为ATTENTION循环神经网络的编码器(Encoder)输入序列,训练预测模型;
步骤6:判断训练模型是否收敛,如果尚未收敛则返回步骤5,否则由解码器(Decoder)获得负荷预测结果。
其中步骤1中xgboost算法的输入特征包括:季节、温度(℃)、湿度(%)、风速(m/s)、降雨量、星期类型、法定节假日、日前负荷峰值、前七天的负荷平均、七天前负荷值、去年同时段负荷值,输出目标为以上各特征对于负荷值得信息熵(重要度)。
其中步骤2中,步骤2.1:构建算法的目标函数为:
第一部分是训练误差,而第二部分是每棵树的复杂度的和,其中IJ={i|q(xi)=j}被定义为每个叶子上面样本集合表示每个数据点的在误差函数上的一阶导数和二阶导数,定义步骤2.2:将转化为如何求一个一维二次函数的最小值的问题,即:
步骤2.3:其中特征信息熵计算公式如下:
将得到的m个特征的信息熵记为{w1,w2,...,wm}。
其中:步骤3中,基于特征权重的聚类算法具体步骤为:步骤3.1对于历史日集合X={x1,x2,...,xi,...,xn},其中对于每一个xi都有对应的m个特征,即xi={xi1,xi2,...,xim},先将所有的特征数据归一化处理;
步骤3.2选择要预测日的特征向量作为第一个初始聚类中心u0,从历史集合里选择与u0距离最远的历史日作为u1,从历史集合里选择与{u0,u1}距离最远的历史日作为u2,......,直到找到K个初始聚类中心{u0,u1,...,uj,...,uk};
步骤3.3对于每个历史日,选取最近的中心点,归为该类,距离计算公式为:
步骤3.4更新聚类中心点为每类的均值;
步骤3.5重复计算步骤3.3和3.4直到聚类中心不再发生改变。
其中:步骤5中,用于预测短期负荷的序列到序列(sequence2sequence)的体系结构。该架构由两个LSTM(长短期记忆网络)网络组成:编码器和解码器,编码器的任务是转换可变长度的输入序列并将其编码为固定长度向量,然后将其用作解码器的输入状态,解码器产生长度为n的预测序列,在Encoder输入相似历史日的负荷值y={y0,y1,...,ym-1}和特征向量f={f0,f1,...,fm},而注意力机制让解码器在每一步输出时参与到预测输出的不同部分,由模型Decoder部分预测负荷值实现短期负荷的高精度预测。为了提高预测精度,这里循环神经网络用的是长短期记忆网络(LSTM)结构。
第一部分是训练误差。而第二部分是每棵树的复杂度的和。其中IJ={i|q(xi)=j}被定义为每个叶子上面样本集合表示每个数据点的在误差函数上的一阶导数和二阶导数。再定义
这里上式转化为如何求一个一维二次函数的最小值的问题,即:
其中信息增益值计算公式如下:
所以得到m个特征的信息熵,记为{w1,w2,...,wm}。
步骤3:本实施例中以2016年某地区某日为例来进行说明,针对预测某地区某日24小时每个整点的负荷值,将历史上10年内将近4000天的数据进行聚类,选取与要预测日24小时负荷使用情况最相似的历史日。通常的聚类方法没有考虑特征对分类的不同影响,简单的欧式距离。本发明以特征权重作为重要性启发信息构造基于特征权重的聚类。此处采用k均值聚类算法进行聚类。
其中附图2显示了用于预测短期负荷的序列到序列(sequence2sequence)的体系结构。该架构由两个LSTM(长短期记忆网络)网络组成:编码器和解码器。编码器的任务是转换可变长:度的输入序列并将其编码为固定长度向量,然后将其用作解码器的输入状态。然后,解码器产生长度为n的输出序列(例如要预测接下来24小时每个整点的负荷,则n=24)。这种架构的主要优点是它允许任意长度的输入。即可以将先前时间步长的任意数量的可用负载测量值用作输入,以预测任意数量的未来时间步长的负载。根据附图2得到的最优短期负荷预测注意力机制循环神经网络模型,若要预测R日24小时每个整点的负荷值,可以在模型中输入对应这R日的相似历史日的负荷值y={y0,y1,...,ym-1},季节,温度(℃),湿度(%),风速(m/s),降雨量,星期类型,法定节假日状态,日前负荷峰值,前七天的负荷平均,七天前负荷值,去年同时段负荷值等特征变量f={f0,f1,...,fm}。即可由模型自动输出预测日R的24小时每个整点负荷值实现短期负荷的高精度预测。注意力机制允许解码器在每一步输出时参与到预测输出的不同部分。尤为重要的是让模型根据输入的序列以及已经产生的序列来决定参与什么。对于训练,编码器网络进行了预先训练,以最大限度地减少然后编码器插入解码器网络并训练两个网络,以减少目标功能为了提高预测精度,这里循环神经网络用的是LSTM单元。
本说明书中所描述的以上内容仅仅是对本发明所作的举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离本发明说明书的内容或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (5)
1.一种XGBoost在短期负荷预测中的应用,其特征在于:具体包括以下步骤:
步骤1:对电力负荷数据进行预处理,确定预测模型的输入特征变量和输出目标;
步骤2:使用极端梯度提升算法(xgboost)计算影响电力负荷各输入特征的信息熵,并
归一化各特征的信息熵,以适配聚类算法对数据的要求;
步骤3:以各特征的信息熵作为重要性启发信息构造基于特征权重的聚类,即样本间距离采用加权欧氏距离衡量,调整聚类参数,使得聚类算法得到与要预测时间段负荷使用情况最相似的历史日;
步骤4:依据距离预测时间由远到近将相似的历史日组成时间序列T;
步骤5:时间序列T作为ATTENTION循环神经网络的编码器(Encoder)输入序列,训练预测模型;
步骤6:判断训练模型是否收敛,如果尚未收敛则返回步骤5,否则由解码器(Decoder)获得负荷预测结果。
2.根据权利要求1所述的一种XGBoost在短期负荷预测中的应用,其特征在于:步骤1中xgboost算法的输入特征包括:季节、温度(℃)、湿度(%)、风速(m/s)、降雨量、星期类型、法定节假日、日前负荷峰值、前七天的负荷平均、七天前负荷值、去年同时段负荷值,输出目标为以上各特征对于负荷值得信息熵(重要度)。
3.根据权利要求1所述的一种XGBoost在短期负荷预测中的应用,其特征在于:步骤2中,步骤2.1:构建算法的目标函数为:
第一部分是训练误差,而第二部分是每棵树的复杂度的和,其中IJ={i|q(xi)=j}被定义为每个叶子上面样本集合表示每个数据点的在误差函数上的一阶导数和二阶导数,定义步骤2.2:将转化为如何求一个一维二次函数的最小值的问题,即:
步骤2.3:其中特征信息熵计算公式如下:
将得到的m个特征的信息熵记为{w1,w2,...,wm}。
4.根据权利要求1所述的一种XGBoost在短期负荷预测中的应用,其特征在于:步骤3中,基于特征权重的聚类算法具体步骤为:步骤3.1对于历史日集合X={x1,x2,...,xi,...,xn},其中对于每一个xi都有对应的m个特征,即xi={xi1,xi2,...,xim},先将所有的特征数据归一化处理;
步骤3.2选择要预测日的特征向量作为第一个初始聚类中心u0,从历史集合里选择与u0距离最远的历史日作为u1,从历史集合里选择与{u0,u1}距离最远的历史日作为u2,......,直到找到K个初始聚类中心{u0,u1,...,uj,...,uk};
步骤3.3对于每个历史日,选取最近的中心点,归为该类,距离计算公式为:
步骤3.4更新聚类中心点为每类的均值;
步骤3.5重复计算步骤3.3和3.4直到聚类中心不再发生改变。
5.根据权利要求1所述的一种XGBoost在短期负荷预测中的应用,其特征在于:步骤5中,用于预测短期负荷的序列到序列(sequence2sequence)的体系结构。该架构由两个LSTM(长短期记忆网络)网络组成:编码器和解码器,编码器的任务是转换可变长度的输入序列并将其编码为固定长度向量,然后将其用作解码器的输入状态,解码器产生长度为n的预测序列,在Encoder输入相似历史日的负荷值y={y0,y1,...,ym-1}和特征向量f={f0,f1,...,fm},而注意力机制让解码器在每一步输出时参与到预测输出的不同部分,由模型Decoder部分预测负荷值实现短期负荷的高精度预测。为了提高预测精度,这里循环神经网络用的是长短期记忆网络(LSTM)结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810232869.7A CN108510113A (zh) | 2018-03-21 | 2018-03-21 | 一种XGBoost在短期负荷预测中的应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810232869.7A CN108510113A (zh) | 2018-03-21 | 2018-03-21 | 一种XGBoost在短期负荷预测中的应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108510113A true CN108510113A (zh) | 2018-09-07 |
Family
ID=63377774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810232869.7A Pending CN108510113A (zh) | 2018-03-21 | 2018-03-21 | 一种XGBoost在短期负荷预测中的应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108510113A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846528A (zh) * | 2018-09-19 | 2018-11-20 | 云南电网有限责任公司信息中心 | 一种大工业电力用户长期负荷预测方法 |
CN109214592A (zh) * | 2018-10-17 | 2019-01-15 | 北京工商大学 | 一种多模型融合的深度学习的空气质量预测方法 |
CN109242220A (zh) * | 2018-11-16 | 2019-01-18 | 国家电网有限公司 | 充电站交易电量预测方法、装置、电子设备及存储介质 |
CN109376971A (zh) * | 2018-12-29 | 2019-02-22 | 北京中电普华信息技术有限公司 | 一种面向电力用户的负荷曲线预测方法及系统 |
CN109376772A (zh) * | 2018-09-28 | 2019-02-22 | 武汉华喻燃能工程技术有限公司 | 一种基于神经网络模型的电力负荷组合预测方法 |
CN109886747A (zh) * | 2019-02-22 | 2019-06-14 | 网易(杭州)网络有限公司 | 销量预测方法、介质、装置和计算设备 |
CN109919370A (zh) * | 2019-02-26 | 2019-06-21 | 国网冀北电力有限公司运营监测(控)中心 | 一种电力负荷预测方法及预测装置 |
CN110070209A (zh) * | 2019-03-18 | 2019-07-30 | 天津理工大学 | 一种基于SD-DNNs的区域供热系统短期负荷预测方法 |
CN110084424A (zh) * | 2019-04-25 | 2019-08-02 | 国网浙江省电力有限公司 | 一种基于lstm与lgbm的电力负荷预测方法 |
CN110245801A (zh) * | 2019-06-19 | 2019-09-17 | 中国电力科学研究院有限公司 | 一种基于组合挖掘模型的电力负荷预测方法及系统 |
CN110321601A (zh) * | 2019-06-14 | 2019-10-11 | 山东大学 | 一种架空线路动态载流能力超前预测方法及系统 |
CN110570034A (zh) * | 2019-08-29 | 2019-12-13 | 河海大学 | 一种基于多XGBoost模型融合的母线负荷预测方法 |
CN110766140A (zh) * | 2019-10-22 | 2020-02-07 | 电子科技大学 | 一种基于XGBoost与LSTM的多传感器实时威胁等级分类方法 |
CN111080032A (zh) * | 2019-12-30 | 2020-04-28 | 成都数之联科技有限公司 | 一种基于Transformer结构的负荷预测方法 |
CN111260030A (zh) * | 2020-01-13 | 2020-06-09 | 润联软件系统(深圳)有限公司 | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 |
CN112016734A (zh) * | 2020-04-07 | 2020-12-01 | 沈阳工业大学 | 基于lstm栈式自编码多模型荷预测方法及系统 |
CN112232886A (zh) * | 2020-10-30 | 2021-01-15 | 南方电网能源发展研究院有限责任公司 | 一种电价概率预测方法、系统、计算机设备和存储介质 |
CN113723717A (zh) * | 2021-11-03 | 2021-11-30 | 北京清大科越股份有限公司 | 系统日前短期负荷预测方法、装置、设备和可读存储介质 |
CN113762356A (zh) * | 2021-08-17 | 2021-12-07 | 中山大学 | 基于聚类和注意力机制的集群负载预测方法及系统 |
CN113962431A (zh) * | 2021-09-09 | 2022-01-21 | 哈尔滨工程大学 | 一种两阶段特征处理的母线负荷预测方法 |
CN115409292A (zh) * | 2022-10-31 | 2022-11-29 | 广东电网有限责任公司佛山供电局 | 一种电力系统短期负荷预测方法及相关装置 |
CN110826795B (zh) * | 2019-10-31 | 2023-06-09 | 国网辽宁省电力有限公司经济技术研究院 | 极端温度气象日母线日前负荷预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
CN107590567A (zh) * | 2017-09-13 | 2018-01-16 | 南京航空航天大学 | 一种基于信息熵聚类和注意力机制的循环神经网络短期负荷预测方法 |
-
2018
- 2018-03-21 CN CN201810232869.7A patent/CN108510113A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
CN107590567A (zh) * | 2017-09-13 | 2018-01-16 | 南京航空航天大学 | 一种基于信息熵聚类和注意力机制的循环神经网络短期负荷预测方法 |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846528B (zh) * | 2018-09-19 | 2021-07-09 | 云南电网有限责任公司信息中心 | 一种大工业电力用户长期负荷预测方法 |
CN108846528A (zh) * | 2018-09-19 | 2018-11-20 | 云南电网有限责任公司信息中心 | 一种大工业电力用户长期负荷预测方法 |
CN109376772A (zh) * | 2018-09-28 | 2019-02-22 | 武汉华喻燃能工程技术有限公司 | 一种基于神经网络模型的电力负荷组合预测方法 |
CN109376772B (zh) * | 2018-09-28 | 2021-02-23 | 武汉华喻燃能工程技术有限公司 | 一种基于神经网络模型的电力负荷组合预测方法 |
CN109214592A (zh) * | 2018-10-17 | 2019-01-15 | 北京工商大学 | 一种多模型融合的深度学习的空气质量预测方法 |
CN109242220A (zh) * | 2018-11-16 | 2019-01-18 | 国家电网有限公司 | 充电站交易电量预测方法、装置、电子设备及存储介质 |
CN109376971B (zh) * | 2018-12-29 | 2022-04-26 | 北京中电普华信息技术有限公司 | 一种面向电力用户的负荷曲线预测方法及系统 |
CN109376971A (zh) * | 2018-12-29 | 2019-02-22 | 北京中电普华信息技术有限公司 | 一种面向电力用户的负荷曲线预测方法及系统 |
CN109886747A (zh) * | 2019-02-22 | 2019-06-14 | 网易(杭州)网络有限公司 | 销量预测方法、介质、装置和计算设备 |
CN109919370A (zh) * | 2019-02-26 | 2019-06-21 | 国网冀北电力有限公司运营监测(控)中心 | 一种电力负荷预测方法及预测装置 |
CN110070209A (zh) * | 2019-03-18 | 2019-07-30 | 天津理工大学 | 一种基于SD-DNNs的区域供热系统短期负荷预测方法 |
CN110084424A (zh) * | 2019-04-25 | 2019-08-02 | 国网浙江省电力有限公司 | 一种基于lstm与lgbm的电力负荷预测方法 |
CN110321601A (zh) * | 2019-06-14 | 2019-10-11 | 山东大学 | 一种架空线路动态载流能力超前预测方法及系统 |
CN110245801A (zh) * | 2019-06-19 | 2019-09-17 | 中国电力科学研究院有限公司 | 一种基于组合挖掘模型的电力负荷预测方法及系统 |
CN110570034B (zh) * | 2019-08-29 | 2022-04-22 | 河海大学 | 一种基于多XGBoost模型融合的母线负荷预测方法 |
CN110570034A (zh) * | 2019-08-29 | 2019-12-13 | 河海大学 | 一种基于多XGBoost模型融合的母线负荷预测方法 |
CN110766140A (zh) * | 2019-10-22 | 2020-02-07 | 电子科技大学 | 一种基于XGBoost与LSTM的多传感器实时威胁等级分类方法 |
CN110826795B (zh) * | 2019-10-31 | 2023-06-09 | 国网辽宁省电力有限公司经济技术研究院 | 极端温度气象日母线日前负荷预测方法 |
CN111080032A (zh) * | 2019-12-30 | 2020-04-28 | 成都数之联科技有限公司 | 一种基于Transformer结构的负荷预测方法 |
CN111080032B (zh) * | 2019-12-30 | 2023-08-29 | 成都数之联科技股份有限公司 | 一种基于Transformer结构的负荷预测方法 |
CN111260030B (zh) * | 2020-01-13 | 2021-01-05 | 润联软件系统(深圳)有限公司 | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 |
CN111260030A (zh) * | 2020-01-13 | 2020-06-09 | 润联软件系统(深圳)有限公司 | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 |
CN112016734B (zh) * | 2020-04-07 | 2024-03-22 | 沈阳工业大学 | 基于lstm栈式自编码多模型荷预测方法及系统 |
CN112016734A (zh) * | 2020-04-07 | 2020-12-01 | 沈阳工业大学 | 基于lstm栈式自编码多模型荷预测方法及系统 |
CN112232886B (zh) * | 2020-10-30 | 2021-06-04 | 南方电网能源发展研究院有限责任公司 | 一种电价概率预测方法、系统、计算机设备和存储介质 |
CN112232886A (zh) * | 2020-10-30 | 2021-01-15 | 南方电网能源发展研究院有限责任公司 | 一种电价概率预测方法、系统、计算机设备和存储介质 |
CN113762356A (zh) * | 2021-08-17 | 2021-12-07 | 中山大学 | 基于聚类和注意力机制的集群负载预测方法及系统 |
CN113762356B (zh) * | 2021-08-17 | 2023-06-16 | 中山大学 | 基于聚类和注意力机制的集群负载预测方法及系统 |
CN113962431A (zh) * | 2021-09-09 | 2022-01-21 | 哈尔滨工程大学 | 一种两阶段特征处理的母线负荷预测方法 |
CN113962431B (zh) * | 2021-09-09 | 2024-07-16 | 哈尔滨工程大学 | 一种两阶段特征处理的母线负荷预测方法 |
CN113723717A (zh) * | 2021-11-03 | 2021-11-30 | 北京清大科越股份有限公司 | 系统日前短期负荷预测方法、装置、设备和可读存储介质 |
CN115409292A (zh) * | 2022-10-31 | 2022-11-29 | 广东电网有限责任公司佛山供电局 | 一种电力系统短期负荷预测方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510113A (zh) | 一种XGBoost在短期负荷预测中的应用 | |
CN107590567A (zh) | 一种基于信息熵聚类和注意力机制的循环神经网络短期负荷预测方法 | |
Tang et al. | Short‐term power load forecasting based on multi‐layer bidirectional recurrent neural network | |
CN109754113B (zh) | 基于动态时间规整与长短时间记忆的负荷预测方法 | |
Zhang et al. | Multi-source and temporal attention network for probabilistic wind power prediction | |
CN109063911B (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
CN111860600B (zh) | 一种基于最大相关最小冗余判据的用户用电特征选择方法 | |
CN108022001A (zh) | 基于pca和分位数回归森林的短期负荷概率密度预测方法 | |
CN109948845A (zh) | 一种配电网负荷长短期记忆神经网络预测方法 | |
Huang et al. | A clustering based grouping method of nearly zero energy buildings for performance improvements | |
Dou et al. | Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition | |
CN108539738A (zh) | 一种基于梯度提升决策树的短期负荷预测方法 | |
CN102184453A (zh) | 基于模糊神经网络和支持向量机的风电功率组合预测方法 | |
Brodowski et al. | A hybrid system for forecasting 24-h power load profile for Polish electric grid | |
CN111915092A (zh) | 基于长短时记忆神经网络的超短期风电功率预测方法 | |
CN113361785A (zh) | 配电网短期负荷预测方法、装置、终端及存储介质 | |
CN113193551A (zh) | 基于多因素和改进特征筛选策略的短期电力负荷预测方法 | |
Wang et al. | Big data analytics for price forecasting in smart grids | |
CN114117852B (zh) | 一种基于有限差分工作域划分的区域热负荷滚动预测方法 | |
CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
CN109858668B (zh) | 一种雷电气候下电力负荷区域协调预测方法 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN112200346A (zh) | 一种天气波动过程划分与匹配的短期风电功率预测方法 | |
CN115481788B (zh) | 相变储能系统负荷预测方法及系统 |
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 |