CN108647812A - 基于主成分自适应bp神经网络的短期电力负荷预测方法 - Google Patents
基于主成分自适应bp神经网络的短期电力负荷预测方法 Download PDFInfo
- Publication number
- CN108647812A CN108647812A CN201810399522.1A CN201810399522A CN108647812A CN 108647812 A CN108647812 A CN 108647812A CN 201810399522 A CN201810399522 A CN 201810399522A CN 108647812 A CN108647812 A CN 108647812A
- Authority
- CN
- China
- Prior art keywords
- data
- principal component
- load
- adaptive
- 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
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
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Abstract
本发明涉及一种基于主成分自适应BP神经网络的短期电力负荷预测方法,包括:神经网络的输入量为历史数据的主成分,神经网络的输出量为预测日期的24小时负荷值;通过主成分分析生成历史数据的一组新的互不相关的新变量,并将其用于BP神经网络,以上构成了主成分自适应BP神经网络;利用主成分自适应BP神经网络进行短期电力负荷预测。主成分自适应BP神经网络兼具BP神经网络和主成分分析的优点,不仅具有较好的误差反馈修正的动态过程,而且有效的减少了输入数据,增强了数据的有效性。将其应用到短期电力负荷预测中,能够更好的拟合电力负荷系统的非线性、动态性和时变性的特点,预测精度高。
Description
技术领域
本发明涉及电力系统负荷预测技术领域,特别是涉及一种基于主成分自适应BP神经 网络的短期电力负荷预测方法。
背景技术
电力系统负荷预测是电力系统的调度运行和生产计划的基础工作,负荷预测关系到电 力系统的安全和稳定运行,对于实际生产生活有着不可估量的作用。
负荷预测是通过考虑到相关因素的影响,对未来用电量或者发电量进行预测,电力生 产部门和管理部门以此为依据制定生产计划和发展规划。负荷预测按时间期限分为长期、 中期、短期和超短期。电力负荷虽然是不确定的、随机的,易受到气候、意外事故等各种 条件的干扰,但在一定条件下,仍存在明显的变化趋势。
当前,作为人工智能学科理论,人工神经网络预测方法逐渐得到了成功应用。目前用 于负荷预测的人工神经网络主要有误差反向传播网络(BP)、径向基函数网络(RBF)等。人工神经网络的预测效果在很大程度上取决于输入数据,故对于输入数据进行适当的处理可以提升预测的精度。
发明内容
本发明所要解决的技术问题是提供一种基于主成分自适应BP神经网络的短期电力负 荷预测方法,能够提高预测精度。
本发明解决其技术问题所采用的技术方案是:提供一种基于主成分自适应BP神经网 络的短期电力负荷预测方法,包括以下步骤:
(1)确定神经网络的输入输出量;
(2)将电力系统历史负荷数据作为样本,并对样本进行预处理;
(3)建立主成分自适应BP神经网络:利用主成分分析对历史负荷数据进行处理,将原有的数据指标线性转换为一组新的互不相关的新变量,然后根据累积贡献率大于95%这一原则从新的变量中选取所需的主成分,结合BP神经网络,构成主成分自适应的BP神经 网络;
(4)利用主成分自适应BP神经网络进行短期电力负荷预测:将训练数据送入BP神经网络进行训练,用训练好的改进的BP神经网络预测模型进行短期电力负荷预测,最终 得到预测数据;将预测数据反归一化,从而得到实际的预测负荷值。
所述步骤(1)中神经网络的输入量为预测日对应的前一天24小时的负荷值、最高最 低气温、天气状况以及日期类型;神经网络的输出量为预测日的24小时负荷值。
所述步骤(2)中的预处理包括对历史负荷数据中的异常数据进行修复处理,并将修 复处理后的历史负荷数据进行归一化处理;其中,异常数据是指电力系统历史负荷数据由 于干扰因素存在缺失的或错误的数据。
所述对历史负荷数据中的异常数据进行修复处理具体为:
对于缺失数据的处理:如果缺失数据的前后时间间隔小于或等于设定阈值,采用线性 插值的方法将其补上;如果缺失数据的前后时间间隔大于设定阈值,采用相邻几天的数据 来代替,此时一定要采用相同日期类型的数据;
对于错误数据的处理:将某一时刻的负荷和其前后负荷值进行比较,如果负荷数据的 变化范围大于某一阈值,则取前后负荷值的平均值代替;对大事故日负荷或明显负荷曲线 异常的日负荷用与其日类型相似的正常曲线置换。
所述将修复处理后的历史负荷数据进行归一化处理具体为:使用归一化公式将样本数 据归一化为[0,1]之间,使负荷数据处于同一数量级别;对于历史负荷数值以及最高最低气 温使用最大最小值进行标准化处理;对于天气状况,其归一化后对应状况为:晴为0.9、 多云为0.8、阴为0.7、小雨为0.6、中雨为0.5、阵雨为0.4、雷阵雨为0.3、大雨为0.2、雾或霾为0.1;而对于日期类型,则将工作日赋值为1,休息日赋值为0。
所述步骤(3)中的BP神经网络包含三层,分别是输入层、隐含层和输出层,隐含层和输入层、以及隐含层和输出层之间分别有连接权值,传递函数为sigmoid函数。
所述步骤(3)包括利用主成分分析获得BP神经网络的输入数据,具体为:获得预测地区的历史数据,并通过预处理将历史数据进行归类;计算历史数据各变量间的相关系数矩阵;求解系数矩阵的特征方程,获得特征值;根据得到的特征值计算贡献率;根据累计 贡献率来确定主成分;根据相关系数矩阵及特征值,得到关于相关系数矩阵的正交矩阵; 根据正交矩阵计算新变量;新变量是原变量的线性组合,其中包含了原有数据的大部分信息,选取累计贡献率大于95%的变量,这些变量即为所需的主成分。
所述步骤(4)中的训练数据为预测日前两个月的历史数据。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果: 本发明采用了自适应的主成分分析优化BP神经网络,构成了主成分自适应BP神经网络模 型。该模型兼具BP神经网络和主成分分析的优点,不仅具有较好的误差反馈修正的动态过程,而且有效减少了输入数据的数量,增强了数据的有效性。将该模型应用到短期电力负荷预测中,能够更好的拟合电力负荷系统的非线性、动态性和时变性的特点,预测精度高。
附图说明
图1为本发明的流程图;
图2为BP神经网络结构图;
图3为BP神经网络预测效果示意图;(a)负荷预测分析示意图;(b)误差分析示意图; 图4为主成分自适应BP神经网络预测效果示意图;(a)负荷预测分析示意图;(b)误差分析示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而 不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人 员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定 的范围。
本发明的具体实施方式涉及一种基于主成分自适应BP神经网络的短期电力负荷预测 方法,如图1所示,包括以下步骤:
步骤1:确定神经网络的输入输出量。
影响电力系统短期电力负荷的因素有很多,其不仅和过往历史电力负荷有关,也会受 到天气状况、季节性、以及日期类型的影响。本实施方式中,将预测日前一天的24小时负荷、最高最低气温、天气状况以及日期类型作为预测的输入量,预测日的24小时负荷 值作为预测的输出量。
步骤2:样本预处理。
步骤2.1:异常数据处理
电力系统历史负荷数据,由于一些干扰因素(例如极端天气、数据录入错误等),会存在一些不完整的、偏差较大甚至是错误的数据,这些数据为异常数据。针对这些异常数据,需要采用一定的方法来进行检测和修正。
对于缺失数据的处理:如果缺失数据的前后时间间隔不大,采用线性插值的方法将其 补上。如果时间间隔较大,导致线性插值的效果不理想,可采用相邻几天的数据来代替。 由于不同日类型的负荷数据差异较大,因此修补数据时一定要采用相同日期类型的数据。
对于错误数据的处理:将某一时刻的负荷和其前后负荷值进行比较,如果差值大于某 一阈值,即负荷数据的变化范围在其前后负荷值的±10%以外,则取前后负荷值的平均值 代替;将某一时刻的负荷值,分别与其前一天、前两天相同时刻的负荷值进行比较,如果 偏差大于某一阈值,即负荷数据的变化范围在其前一天和前两天相同时刻的负荷值的± 10%以外,则取前两天负荷的平均值代替;对大事故日负荷或明显负荷曲线异常的日负荷 用与其日类型相似的正常曲线置换。
步骤2.2:归一化处理
对样本数据进行归一化处理。
归一化处理是使用归一化公式将样本数据归一化为[0,1]之间,使负荷数据处于同一数 量级别,加快神经网络收敛。
本实施方式中,对于负荷数值以及气温数据的归一化处理方法采用最大最小法。
对于天气状况,则按照晴(0.9)、多云(0.8)、阴(0.7)、小雨(0.6)、中雨(0.5)、 阵雨(0.4)、雷阵雨(0.3)、大雨(0.2)、雾(霾)(0.1)的方式赋值。
日期类型分为工作日和休息日,工作日归一化为1,休息日归一化为0。
步骤3:建立主成分自适应BP神经网络模型
步骤3.1:BP神经网络的拓扑结构
BP神经网络的典型拓扑结构如图2所示。BP神经网络包含三层,分别是输入层、隐含层、输出层,隐含层和输入层、输出层之间分别有连接权值,传递函数为sigmoid函数。
在本实施例中,输入层的节点数根据对历史数据主成分分析过后选取的主成分而确 定;输出层节点数为24个,即预测日一天24小时的负荷值。该网络的隐含层为单隐含层,根据神经网络不断训练的效果,结合经验公式并最终确定其隐含层神经元的个数。
步骤3.2:利用主成分分析获得BP神经网络的输入数据
获得预测地区的历史地区,并通过预处理将历史数据进行归类;
计算历史数据各变量(列)间的相关系数矩阵。要计算相关系数,首先要计算协方差。 历史数据的矩阵X如式(1)所示,m为样本数量,n为指标数量;
求取历史数据矩阵X中的第i个指标xi和第j个指标xj的协方差,再分别计算各个指标 的方差,然后得到相关系数矩阵R;
相关系数矩阵的各个元素分别为
式中,cov(xi,xj)为第i个指标xi和第j个指标xj的协方差,为第i个指标xi的标 准差,为第j个指标xj的标准差,rij为第i个指标xi和第j个指标xj的相关系数。相 关系数矩阵R由rij所组成(1≤i≤m,1≤j≤n);
计算特征值。求解系数矩阵的特征方程,获得n(指标数)个特征值λ1、λ2、…、λn (λ1≥λ2≥…≥λn)。特征方程如式(3)所示;
|R-λE|=0 (3)
获取特征值是为了计算贡献率做准备,贡献率是选取主成分的重要依据;
计算贡献率。主成分的贡献率α定义如下,
式(4)为第t个主成分(1≤t≤n)的贡献率,λt为第t个特征值。一般根据累计贡 献率来确定主成分,一般取累计贡献率在85%-95%之间即可,本实施方式取累积贡献率为95%。累积贡献率公式如式(5)所示;
要确定主成分的数量,也就是确定p的值,使β>95%,此时λ1、λ2、…、λp即对应 第1、2、……、p个新变量。
计算主成分。根据相关系数矩阵R及其特征值,可以得到关于相关系数矩阵R的 正交矩阵;
PTRP=diag(λ1、λ2、…、λn) (6)
式中,PT为正交矩阵P的转置矩阵,diag()表示对角阵。
根据正交矩阵,可以计算新变量。新变量的计算公式如下:
Z=XP (7)
Z是由新指标所构成的矩阵,X为历史数据矩阵。计算得到Z矩阵中的任意两列 都是不相关的(相关系数为0)。新变量是原变量的线性组合,其中包含了原有数据的 大部分信息,选取累计贡献率大于95%的变量,这些变量即为所需的主成分,选取所 得到的主成分可以作为预测模型的输入。
步骤4:利用主成分自适应BP神经网络进行短期电力负荷预测
使用之前选取的主成分作为训练数据,将其送入BP神经网络进行训练,用训练好的 改进的BP神经网络预测模型进行短期电力负荷预测,最终得到预测数据;将预测数据反归一化,从而得到实际的预测负荷值。
以该地区2016年3月和4月的数据作为原始样本数据,经过异常数据的处理以及归一化后,得到历史数据,通过自适应主成分分析获得历史数据的主成分,即输入数据,最 终将输入数据应用于BP神经网络,最终得到预测日的一天24小时的负荷值。图3和图4 分别为BP神经网络和主成分自适应BP神经网络的预测效果图,由对比可知,BP神经网 络误差较大,而自适应主成分BP神经网络的预测平均误差率能够控制在2%以内,预测效 果较好。
Claims (8)
1.一种基于主成分自适应BP神经网络的短期电力负荷预测方法,其特征在于,包括以下步骤:
(1)确定神经网络的输入输出量;
(2)将电力系统历史负荷数据作为样本,并对样本进行预处理;
(3)建立主成分自适应BP神经网络:利用主成分分析对历史负荷数据进行处理,将原有的数据指标线性转换为一组新的互不相关的新变量,然后根据累积贡献率大于95%这一原则从新的变量中选取所需的主成分,结合BP神经网络,构成主成分自适应的BP神经网络;
(4)利用主成分自适应BP神经网络进行短期电力负荷预测:将训练数据送入BP神经网络进行训练,用训练好的改进的BP神经网络预测模型进行短期电力负荷预测,最终得到预测数据;将预测数据反归一化,从而得到实际的预测负荷值。
2.根据权利要求1所述的基于主成分自适应BP神经网络的短期电力负荷预测方法,其特征在于,所述步骤(1)中神经网络的输入量为预测日对应的前一天24小时的负荷值、最高最低气温、天气状况以及日期类型;神经网络的输出量为预测日的24小时负荷值。
3.根据权利要求1所述的基于主成分自适应BP神经网络的短期电力负荷预测方法,其特征在于,所述步骤(2)中的预处理包括对历史负荷数据中的异常数据进行修复处理,并将修复处理后的历史负荷数据进行归一化处理;其中,异常数据是指电力系统历史负荷数据由于干扰因素存在缺失的或错误的数据。
4.根据权利要求3所述的基于主成分自适应BP神经网络的短期电力负荷预测方法,其特征在于,所述对历史负荷数据中的异常数据进行修复处理具体为:
对于缺失数据的处理:如果缺失数据的前后时间间隔小于或等于设定阈值,采用线性插值的方法将其补上;如果缺失数据的前后时间间隔大于设定阈值,采用相邻几天的数据来代替,此时一定要采用相同日期类型的数据;
对于错误数据的处理:将某一时刻的负荷和其前后负荷值进行比较,如果负荷数据的变化范围大于某一阈值,则取前后负荷值的平均值代替;对大事故日负荷或明显负荷曲线异常的日负荷用与其日类型相似的正常曲线置换。
5.根据权利要求3所述的基于主成分自适应BP神经网络的短期电力负荷预测方法,其特征在于,所述将修复处理后的历史负荷数据进行归一化处理具体为:使用归一化公式将样本数据归一化为[0,1]之间,使负荷数据处于同一数量级别;对于历史负荷数值以及最高最低气温使用最大最小值进行标准化处理;对于天气状况,其归一化后对应状况为:晴为0.9、多云为0.8、阴为0.7、小雨为0.6、中雨为0.5、阵雨为0.4、雷阵雨为0.3、大雨为0.2、雾或霾为0.1;而对于日期类型,则将工作日赋值为1,休息日赋值为0。
6.根据权利要求1所述的基于主成分自适应BP神经网络的短期电力负荷预测方法,其特征在于,所述步骤(3)中的BP神经网络包含三层,分别是输入层、隐含层和输出层,隐含层和输入层、以及隐含层和输出层之间分别有连接权值,传递函数为sigmoid函数。
7.根据权利要求1所述的基于主成分自适应BP神经网络的短期电力负荷预测方法,其特征在于,所述步骤(3)包括利用主成分分析获得BP神经网络的输入数据,具体为:获得预测地区的历史数据,并通过预处理将历史数据进行归类;计算历史数据各变量间的相关系数矩阵;求解系数矩阵的特征方程,获得特征值;根据得到的特征值计算贡献率;根据累计贡献率来确定主成分;根据相关系数矩阵及特征值,得到关于相关系数矩阵的正交矩阵;根据正交矩阵计算新变量;新变量是原变量的线性组合,其中包含了原有数据的大部分信息,选取累计贡献率大于95%的变量,这些变量即为所需的主成分。
8.根据权利要求1所述的基于主成分自适应BP神经网络的短期电力负荷预测方法,其特征在于,所述步骤(4)中的训练数据为预测日前两个月的历史数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810399522.1A CN108647812A (zh) | 2018-04-28 | 2018-04-28 | 基于主成分自适应bp神经网络的短期电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810399522.1A CN108647812A (zh) | 2018-04-28 | 2018-04-28 | 基于主成分自适应bp神经网络的短期电力负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108647812A true CN108647812A (zh) | 2018-10-12 |
Family
ID=63748581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810399522.1A Pending CN108647812A (zh) | 2018-04-28 | 2018-04-28 | 基于主成分自适应bp神经网络的短期电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647812A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522093A (zh) * | 2018-11-16 | 2019-03-26 | 国家电网有限公司 | 电力云虚拟机负载预测方法 |
CN109634715A (zh) * | 2018-11-16 | 2019-04-16 | 国家电网有限公司 | 虚拟机资源运行数据智能预测方法 |
CN110222883A (zh) * | 2019-05-22 | 2019-09-10 | 镇江市高等专科学校 | 基于风驱动优化bp神经网络的电力系统负荷预测方法 |
CN110287233A (zh) * | 2019-06-18 | 2019-09-27 | 华北电力大学 | 一种基于深度学习神经网络的系统异常预警方法 |
CN110416925A (zh) * | 2019-07-12 | 2019-11-05 | 上海电机学院 | 一种海上风电的海底电缆布线设计方法 |
CN110763728A (zh) * | 2019-11-06 | 2020-02-07 | 安徽建筑大学 | 一种基于金属表面红外偏振热像特征的疲劳损伤评估方法 |
CN111414582A (zh) * | 2020-03-12 | 2020-07-14 | 广西电网有限责任公司 | 一种光伏理论功率计算方法、装置、设备和存储介质 |
CN111695731A (zh) * | 2020-06-09 | 2020-09-22 | 中国电力科学研究院有限公司 | 基于多源数据和混合神经网络的负荷预测方法、系统及设备 |
CN111815060A (zh) * | 2020-07-16 | 2020-10-23 | 广东电网有限责任公司 | 一种用电地区短期负荷预测方法及装置 |
CN111984638A (zh) * | 2020-07-10 | 2020-11-24 | 广州汇通国信科技有限公司 | 一种基于bp神经网络算法的配变重过载数据治理方法 |
CN114285775A (zh) * | 2021-12-10 | 2022-04-05 | 电子科技大学中山学院 | 一种网络流量预测方法、装置、计算机设备和存储介质 |
CN117335409A (zh) * | 2023-10-26 | 2024-01-02 | 河北建投电力科技服务有限公司 | 基于人工智能的电力用户负荷预测系统 |
-
2018
- 2018-04-28 CN CN201810399522.1A patent/CN108647812A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109634715A (zh) * | 2018-11-16 | 2019-04-16 | 国家电网有限公司 | 虚拟机资源运行数据智能预测方法 |
CN109522093A (zh) * | 2018-11-16 | 2019-03-26 | 国家电网有限公司 | 电力云虚拟机负载预测方法 |
CN110222883A (zh) * | 2019-05-22 | 2019-09-10 | 镇江市高等专科学校 | 基于风驱动优化bp神经网络的电力系统负荷预测方法 |
CN110287233A (zh) * | 2019-06-18 | 2019-09-27 | 华北电力大学 | 一种基于深度学习神经网络的系统异常预警方法 |
CN110416925B (zh) * | 2019-07-12 | 2021-07-20 | 上海电机学院 | 一种海上风电的海底电缆布线设计方法 |
CN110416925A (zh) * | 2019-07-12 | 2019-11-05 | 上海电机学院 | 一种海上风电的海底电缆布线设计方法 |
CN110763728A (zh) * | 2019-11-06 | 2020-02-07 | 安徽建筑大学 | 一种基于金属表面红外偏振热像特征的疲劳损伤评估方法 |
CN111414582A (zh) * | 2020-03-12 | 2020-07-14 | 广西电网有限责任公司 | 一种光伏理论功率计算方法、装置、设备和存储介质 |
CN111695731A (zh) * | 2020-06-09 | 2020-09-22 | 中国电力科学研究院有限公司 | 基于多源数据和混合神经网络的负荷预测方法、系统及设备 |
CN111695731B (zh) * | 2020-06-09 | 2023-05-02 | 中国电力科学研究院有限公司 | 基于多源数据和混合神经网络的负荷预测方法、系统及设备 |
CN111984638A (zh) * | 2020-07-10 | 2020-11-24 | 广州汇通国信科技有限公司 | 一种基于bp神经网络算法的配变重过载数据治理方法 |
CN111815060A (zh) * | 2020-07-16 | 2020-10-23 | 广东电网有限责任公司 | 一种用电地区短期负荷预测方法及装置 |
CN114285775A (zh) * | 2021-12-10 | 2022-04-05 | 电子科技大学中山学院 | 一种网络流量预测方法、装置、计算机设备和存储介质 |
CN117335409A (zh) * | 2023-10-26 | 2024-01-02 | 河北建投电力科技服务有限公司 | 基于人工智能的电力用户负荷预测系统 |
CN117335409B (zh) * | 2023-10-26 | 2024-04-19 | 河北建投电力科技服务有限公司 | 基于人工智能的电力用户负荷预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647812A (zh) | 基于主成分自适应bp神经网络的短期电力负荷预测方法 | |
Tang et al. | Short‐term power load forecasting based on multi‐layer bidirectional recurrent neural network | |
US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
Pourdaryaei et al. | Short-term electricity price forecasting via hybrid backtracking search algorithm and ANFIS approach | |
CN110414788B (zh) | 一种基于相似日和改进lstm的电能质量预测方法 | |
Mohammed et al. | An adaptive backpropagation algorithm for long-term electricity load forecasting | |
CN110263866A (zh) | 一种基于深度学习的电力用户负荷区间预测方法 | |
KR20180060317A (ko) | 심층 신경망 기반 수용가 전력 수요 예측 장치 및 방법 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN107730041A (zh) | 基于改进的遗传小波神经网络的短期电力负荷预测方法 | |
CN106971238A (zh) | 基于T‑S模糊Elman神经网络的短期电力负荷预测方法 | |
Kim et al. | Short-term electric load prediction using multiple linear regression method | |
CN104036328A (zh) | 自适应风电功率预测系统及预测方法 | |
Luthuli et al. | Short term load forecasting using artificial intelligence | |
Wang et al. | Improving economic values of day‐ahead load forecasts to real‐time power system operations | |
CN108694479A (zh) | 考虑天气对检修间隔时间影响的配电网可靠性预测方法 | |
Li et al. | A closed-loop maintenance strategy for offshore wind farms: Incorporating dynamic wind farm states and uncertainty-awareness in decision-making | |
CN109829115B (zh) | 搜索引擎关键词优化方法 | |
CN112183878A (zh) | 一种结合知识图谱与神经网络的电力负荷预测方法 | |
CN111598328A (zh) | 一种计及疫情事件的电力负荷预测方法 | |
CN116485582A (zh) | 一种基于深度学习的供热优化调控方法及装置 | |
CN115689001A (zh) | 基于模式匹配的短期负荷预测方法 | |
CN109034453A (zh) | 一种基于多标记神经网络的短期电力负荷预测方法 | |
Tianjing et al. | Parallel deep reinforcement learning‐based power flow state adjustment considering static stability constraint | |
CN111950811A (zh) | 基于双层人工神经网络的区域光伏功率预测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181012 |