CN108764588A - 一种基于深度学习的温度影响电力预测方法 - Google Patents
一种基于深度学习的温度影响电力预测方法 Download PDFInfo
- Publication number
- CN108764588A CN108764588A CN201810762050.1A CN201810762050A CN108764588A CN 108764588 A CN108764588 A CN 108764588A CN 201810762050 A CN201810762050 A CN 201810762050A CN 108764588 A CN108764588 A CN 108764588A
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- deep learning
- model
- prediction method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000009467 reduction Effects 0.000 claims abstract description 16
- 241001269238 Data Species 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000005201 scrubbing Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000000714 time series forecasting Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 claims 1
- 230000004913 activation Effects 0.000 claims 1
- 239000011248 coating agent Substances 0.000 claims 1
- 238000000576 coating method Methods 0.000 claims 1
- 238000011478 gradient descent method Methods 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 3
- 230000000750 progressive effect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 7
- 230000003442 weekly effect Effects 0.000 description 7
- YLZOPXRUQYQQID-UHFFFAOYSA-N 3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)-1-[4-[2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidin-5-yl]piperazin-1-yl]propan-1-one Chemical compound N1N=NC=2CN(CCC=21)CCC(=O)N1CCN(CC1)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F YLZOPXRUQYQQID-UHFFFAOYSA-N 0.000 description 4
- AFCARXCZXQIEQB-UHFFFAOYSA-N N-[3-oxo-3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propyl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(CCNC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 AFCARXCZXQIEQB-UHFFFAOYSA-N 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- VZSRBBMJRBPUNF-UHFFFAOYSA-N 2-(2,3-dihydro-1H-inden-2-ylamino)-N-[3-oxo-3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propyl]pyrimidine-5-carboxamide Chemical compound C1C(CC2=CC=CC=C12)NC1=NC=C(C=N1)C(=O)NCCC(N1CC2=C(CC1)NN=N2)=O VZSRBBMJRBPUNF-UHFFFAOYSA-N 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003455 independent Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—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)
Abstract
本发明公开了一种基于深度学习的温度对电力预测方法，近年来，随着科技的不断进步，社会再次掀起发展人工智能技术的浪潮。深度学习作为人工智能的核心技术起到了举足轻重的作用。本发明提出一种基于深度学习的温度对电力预测方法，该方法在分析原有不同电力类型数据的基础上加入天气温度这类影响因素，通过堆叠降噪自动编码器构建4层DNN模型训练分析电力数据和天气温度数据，全面分析预测电力的变化。
Description
技术领域
本发明涉及电网领域，具体涉及一种基于深度学习的温度影响电力预测方法。
背景技术
随着科技的不断进步，社会正大力发展人工智能技术。人工智能时代正逐渐向我们走来。深度学习作为人工智能的核心技术不断取得进步，对于各个行业的应用也在不断深化。关于预测耗电量的研究也在不断深化。传统的电力预测存在预测成本高，准确性低，且预测周期长，预测难度大，预测电力种类较少等缺点。
电力预测的方法可分为两大类，短期负荷预测的方法和中长期负荷预测的方法。常用的短期负荷预测方法有：多元回归法、时间序列法、神经网络预测法(ANN)、专家系统分析法。多元回归法分为线性和非线性，多元线性回归为需要用两个和两个以上的影响因素作为自变量来解释因变量的变化，且多个自变量与因变量之间是线性关系。自变量和因变量之间是非线性则为多元非线性回归。该方法只能算出综合用电负荷的发展水平，无法预测算出各地区的负荷发展水平。时间序列法是利用按时间顺序排列的数据预测未来的方法。该方法只致力于通过数据建立数学模型的拟合，对规律性处理不足。
例如，国网山东省电力公司枣庄供电公司申请的“基于深度递归神经系统网络的电力系统短期负荷预测方法”中所预测为单一负荷数据，其参考价值较少，电力系统专业性较低。华北电力大学申请的“一种基于深度神经网络的风电场功率预测方法”专利中，所用堆叠自动编码器(SAE)进行网络模型的构建，其鲁棒性和泛化性较差，当数据集过大或者数据集存在时段的缺失时，会影响训练预测效果。
发明内容
为了克服现有技术中的不足，本发明提供了一种基于深度学习的温度影响电力预测方法，以解决预测电力数据类型较少，预测准确率低和模型鲁棒性和泛化性较低的问题。
为了实现上述目的，采集电力历史数据和气象数据，建立数据集。然后进行数据清理，按时间序列排序，对其进行归一化，最后根据时间序列的预测原理改变每个样本的维数。模型确定使用堆叠降噪自动编码器构建4层神经网络模型。在训练阶段把训练集放入模型进行预训练和微调，并确定模型最优的参数值。在预测阶段把预测集放入模型进行测试，预测出模型的总体误差，及每种电力类型的平均误差、均方误差和最大误差。
进一步地，该方法通过堆叠降噪自动编码器(SDAE)构建一个4层DNN网络模型，输入层在分析原有电流(I)，电压(U)，有功功率(P)，无功功率(Q)共4种电力类型数据的基础上加入天气温度数据这类影响因素，分别利用一周数据和三个月数据的家庭用电数据进行模型训练。先进行数据清理，然后训练得到每12分钟预测下1分钟电力数据的人工智能模型。把温度参数融入模型和使用降噪自动编码器，会有效提高模型鲁棒性和预测精度。且把单维的平均温度作为模型的天气中温度的影响因素的效果比每天的最高和最低两维温度类型作为模型的天气中温度的影响因素的效果要更好些。
进一步地，所述深度学习神经网络结构包括堆叠降噪自动编码器(SDAE)结构，SDAE结构包括输入层、隐藏层和输出层。输入层神经元节点数为上述的电力类型维数加上温度类型维数。在隐藏层中，为两个隐藏层相连，神经元节点数最终为优化后的个数。输出层神经元节点数为4种电力类型个数。
进一步地，数据预处理，为加快模型的处理效率和防止神经网络计算过于饱和，可通过对原始数据进行预处理。主要方式为，统计数据集的最大值、最小值和平均值，
进一步地，将数据集进行归一化，归一到[0，1]区间，加快神经网络的收敛。
进一步地，改变数据集中每个样本的维数，由之前采集的每个样本6维和5维变为72维和60维，采用交叉迭代样本维数改变法。在时间原理上，单个样本由原先1分钟变为12分钟。将新样本放入模型进行训练，预测。输出层为历史数据后新的时间数据，以此建立输入和输出层联系。在一次训练中输入层为前12分钟的历史数据。输出为第13分钟的预测数据，以此叠加，从而不断预测新的时间。
进一步地，通过改变模型参数进行不断的训练，调试，最终确定最优的模型参数。
与现有技术相比，本发明具有以下有益技术效果：与其它相关发明预测单一电力数据类型相比，本发明分析预测多种电力类型数据。并且加入气候温度数据作为影响因素，使用堆叠降噪自动编码器构建多层深度神经网络。这样能够有效提高模型的鲁棒性和泛化性。利用12分钟的历史数据预测下一分钟，进行迭加，这样可使模型使用灵活，方便。通过不断改变参数最终可确定最优模型。
附图说明
图1是本发明实例的一种基于深度学习的温度影响电力预测方法的总体流程图，包括数据采集，数据预处理，样本经过维数变化后放入模型输入层，经过中间两层隐藏层和输出层最终输出训练和预测数据；
图2-1是本发明实例深度神经网络即堆叠降噪自动编码器(Stacked DenoisingAuto-encoder)结构图，由单个降噪自动编码器的隐藏层直接与下一个降噪自动编码器的隐藏层相连；
图2-2是本发明实例中堆叠自动编码器加噪原理图；
图3是样本维数变化处理原理图，通过前12个样本与第13个样本建立非线性关系，从而进行预测；
图4为一周数据中，每天最高温度和最低温度作为影响因素的真实值与预测值拟合图；
图5为一周数据中，每天平均温度作为影响因素的真实值与预测值拟合图；
图6为三个月数据中，每天最高温度和最低温度作为影响因素的真实值与预测值拟合图；
图7为三个月数据中，每天平均温度作为影响因素的真实值与预测值拟合图；
具体实施方式：
1、环境的搭建
用堆叠降噪自动编码器(SDAE)构建4层深度神经网络，网络模型是由Matlab编写，操作简单，方便。在电脑依次安装Matlab软件，DeepLearnToolbox-master工具包，配置好环境，调试运行。
2、数据采集
在家庭安装电力记录仪，按时间顺序记录，采集频率为每分钟一次。软件读取每天的天气温度数据，并与电力数据汇总生成CSV格式文件。数据采集分为两部分，一个是2018年2月26到3月5一周数据集，包含6种数据类型记为实例1-1，5种数据类型实验记为实例1-2。三个月数据集实验组中，包含6种数据记为实例2-1，5种数据类型记为实例2-2。
3、数据预处理
数据预处理主要是针对一些在记录时产生数据异常、数据缺失或者重复进行的后期处理，或者提高数据形式的改变是数据在模型中有更好的使用效果，从而使数据集尽可能的完善。本发明在预处理阶段进行了数据的清理、数据按时间顺序的排序和数据的均一化。处理后一周数据集共有10037，三个月数据集共有106876。最后改变数据的维数，如图3所示。由之前采集的每个样本6维包括(电流、电压、有功功率、无功功率、每天最高温度和每天最低温度)和5维包括(电流、电压、有功功率、无功功率、每天平均温度)变为72维和60维，采用交叉迭代样本维数改变法。下面展开介绍实例的数据维数变化。实例1-1由之前的每个样本6维数据变为每个样本72维数据。6*12维在时间的表示上是1*12为12分钟，第二组样本从第二个1分钟开始算，到12分钟之后的数据结束。已知之前的样本数为10037，从第一个样本数据开始计算，采用交叉叠加方法，取第1维到第72维数据作为新的单个样本维数，也就是说把第1个样本到第12个样本叠加在一起形成新的单个样本。接着，从第二个样本开始取，取到第13个样本合在一起作为新的第二个样本，即交叉迭代取样。以此类推，可知，最后一个新的样本为原先的第10025到第10037样本的集合。新的样本数为10025，每个样本的维数为72。最后我们把10025中前8000个作为训练集，后2000个作为预测集。其它实例处理方式相同，经过处理后，实例1-2为10025，每个样本维数为60。同样把10025样本中前8000个作为训练集，后2000个作为训练集。实例2-1为106864，每个样本维数为72，实例2-2为106864，每个样本维数为60。都去前100000为训练集，接下来的6864为测试集。
4、建立模型
如图1和图2-1所示，采用堆叠降噪自动编码器(SDAE)构建一个4层DNN网络模型，实例1-1：网络输入层的节点个数为72，第一层隐含层的节点个数为13，第二层隐含层的节点个数为11，输出层的节点个数为6。预训练阶段：训练次数为90，学习率为2，批处理量大小为100。微调阶段：迭代次数变化范围为1-10，学习率为1，批处理量大小为100。实例1-2：网络输入层的节点个数为60，第二层隐含层的节点个数为11，第三层隐含层的节点数为9，输出层的节点个数为5。预训练阶段：训练次数为95，学习率为2，批量大小为100。微调阶段：迭代次数变化范围为1-10，学习率为1，批量大小为100。实例2-1：网络输入层的节点个数为72，第一个隐含层的节点个数为13，第二个隐含层的节点数11，输出层的节点个数为6。预训练阶段：训练次数为200，学习率为2，批量大小为400。微调阶段：迭代次数变化范围为1-10，学习率为1，批量大小为100。实例2-2：网络输入层的节点个数为60，第一个隐含层的节点个数为11，第二个隐含层的节点数9，输出层的节点个数为5。预训练阶段：训练次数为200，学习率为2，批量大小为500。微调阶段：迭代次数变化范围为1-10，学习率为1，批量大小为100。所有实例均设置噪声全覆盖。堆叠降噪自动编码器(Stacked DenoisingAutoencoder)是在自动编码器的基础上进行降噪和堆叠。降噪原理如图2-2所示，通过覆盖神经元节点的噪声比例来进行加噪。堆叠为每个自编码器的编码阶段连接在一起形成中间含有多个隐藏层的堆叠自动编码器。通过编码器将输入向量转换为隐藏向量。在本研究中，我们使用了logistic sigmoid函数如下：隐藏层神经元的输出，称为编码，由以下公式获得：自动编码器试图通过解码器对输入向量进行重构，从而产生重构矢量。输出层值，也称为解码，是由这是输出层神经元的偏置。对神经网络的参数进行优化，使平均重构误差最小化这是一个损失函数。采用梯度下降法，根据以上公式来更新权重矩阵和偏置向量。其中a表示学习速率。采用时间序列预测法。输出层为每个样本的所有维数即12分钟的历史数据，输出层为下一个样本的前6维或者5维即接下来第13分钟的新数据。
5、结果测试分析
第一组实验所用数据集为2018年1月8日到2018年1月14日一周数据。实验训练预测结果如下。
实例1-1最终总体误差为0.0770，即准确率为92.30％。各个特征向量的各个误差如表1所示：
如图4所示，各个特征向量在测试集上的预测值和真实值的曲线图比较，横坐标单位是分钟，纵坐标是各个特征向量的单位值。
实例1-2最终总体误差为0.0735，即准确率为92.65％。各个特征向量的各个误差如表2所示
如图5所示，各个特征向量在测试集上的预测值和真实值的曲线图比较，横坐标单位是分钟，纵坐标是各个特征向量的单位值。
我们在第一组一周数据集的基础上，增加容量，扩大到2017年12月到2018年2月三个月数据集，进行训练和和预测得到如下结果。
实例2-1最终总体误差为0.0003，即准确率为99.97％。各个特征向量的各个误差如表3所示：
如图6所示，各个特征向量在测试集上的预测值和真实值的曲线图比较，横坐标是时间单位分钟，纵坐标是各个特征向量的单位值。
实例2-2最终总体误差为0.0002，即准确率为99.98％。各个特征向量的各个误差如表4所示：
如图7所示，各个特征向量在测试集上的预测值和真实值的曲线图比较，横坐标是时间单位分钟，纵坐标是各个特征向量的单位值。
由以上模型实例结果对比可以看出，随着数据集的增大，各种类型的误差都有整体的下降。这也从侧面验证了数据集的容量对神经网络模型预测的影响。并且在每个实例中，相同数据集情况下，取每天的平均温度一维特征变量作为影响因素。得到的预测结果要比取每天的最高温度和最低温度两维特征变量作为影响因素要更好些。
以上所述只是本发明的选优实施方案，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.基于深度学习的温度对电力预测方法，其特征在于，包括以下步骤：
(1)采集电力历史数据和气象数据，建立数据集；
(2)对步骤(1)中的数据进行数据清理，然后按时间序列排序，对其进行归一化，最后根据时间序列的预测原理改变每个样本的维数；
(3)确定使用堆叠降噪自动编码器构建4层神经网络模型；
(4)把训练集放入模型进行预训练和微调，并确定模型最优的参数值；
(5)把预测集放入模型进行测试，预测出模型的总体误差，及每种电力类型的平均误差、均方误差和最大误差。
2.根据权利要求1所述的基于深度学习的温度对电力预测方法，其特征在于：步骤(1)的电力类型有电流(I)、电压(U)、有功功率(P)和无功功率(Q)。气象类型有每天的最高温度(Max_t)、最低温度(Min_t)和平均温度(Avg_t)。步骤(2)清理的数据类型包括异常数据，缺失数据和重复数据。样本维数变化依据时间序列预测原理的变化方式，通过改变每个样本的维数实现预测时间的变化。输入层和输出层的神经元节点数代表单个样本的维数。步骤(3)确定的模型包括输入层、两个隐藏层和输出层。每层之间可通过数据清零比例(inputMaskedFraction)来设置噪声的覆盖比例，增加模型的鲁棒性和泛化性。
3.根据权利要求1和2所述的基于深度学习的温度对电力预测方法，其特征在于：步(3)中堆叠降噪自动编码器，是在堆叠自编码器的基础上加入噪声，且结果显示，噪声全覆盖时效果最好。隐藏层神经元的输出，称为编码，由以下公式获得：自动编码器试图通过解码器对输入向量进行重构，从而产生重构矢量。输出层值，也称为解码，是由这是输出层神经元的解码过程。接着对神经网络的参数进行优化，使平均重构误差最小化这是一个损失函数。采用梯度下降法，根据以上公式来更新权重矩阵和偏置向量。其中a表示学习速率。网络所使用的激活函数为logistic sigmoid，函数如下：
4.根据权利要求1-3任一所述的基于深度学习的温度对电力预测方法，其特征在于：采集完所有历史数据后，对数据进行数据清理，包括数据集中太大，太小，和记录为零的数值。
5.根据权利要求1-3任一所述的基于深度学习的温度对电力预测方法，其特征在于：归一化的区间范围是[0，1]。公式为
6.根据权利要求1-3任一所述的基于深度学习的温度对电力预测方法，其特征在于：进行完数据的归一化后，进行样本数据维数的变化。
7.根据权利要求1-3任一所述的基于深度学习的温度对电力预测方法，其特征在于：样本数据维数处理好后放入模型进行训练预测。
8.根据权利要求1-3任一所述的基于深度学习的温度对电力预测方法，其特征在于：按照说明书中的的模型参数设置后，训练预测效果可达最优。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810762050.1A CN108764588A (zh) | 2018-07-11 | 2018-07-11 | 一种基于深度学习的温度影响电力预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810762050.1A CN108764588A (zh) | 2018-07-11 | 2018-07-11 | 一种基于深度学习的温度影响电力预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108764588A true CN108764588A (zh) | 2018-11-06 |
Family
ID=63973514
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810762050.1A Pending CN108764588A (zh) | 2018-07-11 | 2018-07-11 | 一种基于深度学习的温度影响电力预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108764588A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109471049A (zh) * | 2019-01-09 | 2019-03-15 | 南京航空航天大学 | 一种基于改进堆叠自编码器的卫星电源系统异常检测方法 |
| CN110426075A (zh) * | 2019-06-20 | 2019-11-08 | 中国人民解放军战略支援部队信息工程大学 | 一种野外基线长度确定方法及装置 |
| CN110561192A (zh) * | 2019-09-11 | 2019-12-13 | 大连理工大学 | 一种基于堆叠自编码器的深孔镗刀状态监测方法 |
| CN110866640A (zh) * | 2019-11-11 | 2020-03-06 | 山东科技大学 | 一种基于深度神经网络的电力负荷预测方法 |
| CN111638034A (zh) * | 2020-06-09 | 2020-09-08 | 重庆大学 | 基于深度学习的应变天平温度梯度误差补偿方法及系统 |
| CN115935215A (zh) * | 2023-01-06 | 2023-04-07 | 国网山东省电力公司威海供电公司 | 极端天气下基于深度学习的输电线路覆冰预警方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
| CN107730006A (zh) * | 2017-09-13 | 2018-02-23 | 重庆电子工程职业学院 | 一种基于可再生能源大数据深度学习的建筑近零能耗控制器 |
-
2018
- 2018-07-11 CN CN201810762050.1A patent/CN108764588A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
| CN107730006A (zh) * | 2017-09-13 | 2018-02-23 | 重庆电子工程职业学院 | 一种基于可再生能源大数据深度学习的建筑近零能耗控制器 |
Non-Patent Citations (2)
| Title |
|---|
| 吴润泽等: "基于深度学习的电网短期负荷预测方法研究", 《现代电力》 * |
| 张浩: "基于深度学习的风电功率预测方法研究", 《中国优秀硕士学位论文全文数据库（工程科技Ⅱ辑）》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109471049A (zh) * | 2019-01-09 | 2019-03-15 | 南京航空航天大学 | 一种基于改进堆叠自编码器的卫星电源系统异常检测方法 |
| CN109471049B (zh) * | 2019-01-09 | 2021-09-17 | 南京航空航天大学 | 一种基于改进堆叠自编码器的卫星电源系统异常检测方法 |
| CN110426075A (zh) * | 2019-06-20 | 2019-11-08 | 中国人民解放军战略支援部队信息工程大学 | 一种野外基线长度确定方法及装置 |
| CN110561192A (zh) * | 2019-09-11 | 2019-12-13 | 大连理工大学 | 一种基于堆叠自编码器的深孔镗刀状态监测方法 |
| CN110866640A (zh) * | 2019-11-11 | 2020-03-06 | 山东科技大学 | 一种基于深度神经网络的电力负荷预测方法 |
| CN111638034A (zh) * | 2020-06-09 | 2020-09-08 | 重庆大学 | 基于深度学习的应变天平温度梯度误差补偿方法及系统 |
| CN115935215A (zh) * | 2023-01-06 | 2023-04-07 | 国网山东省电力公司威海供电公司 | 极端天气下基于深度学习的输电线路覆冰预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108764588A (zh) | 一种基于深度学习的温度影响电力预测方法 | |
| CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
| CN112116144B (zh) | 一种区域配电网短期负荷预测方法 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN101782743A (zh) | 神经网络建模方法及系统 | |
| CN111260030A (zh) | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN110598854A (zh) | 一种基于gru模型的台区线损率预测方法 | |
| CN112733417B (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和系统 | |
| CN111160659B (zh) | 一种考虑温度模糊化的电力负荷预测方法 | |
| Sharma et al. | Fuzzy coding of genetic algorithms | |
| CN111553510A (zh) | 一种短期风速预测方法 | |
| CN111008726A (zh) | 一种电力负荷预测中类图片转换方法 | |
| CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
| CN115034430A (zh) | 碳排放量预测方法、装置、终端及存储介质 | |
| Kalogirou | Artificial neural networks and genetic algorithms for the modeling, simulation, and performance prediction of solar energy systems | |
| CN116245019A (zh) | 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质 | |
| CN115545345A (zh) | 一种基于gru-tcn模型的电网负荷预测方法 | |
| CN115409259A (zh) | 一种电力负荷概率预测方法 | |
| CN116384576A (zh) | 风速预测方法、装置、系统及存储介质 | |
| Wen et al. | MapReduce-based BP neural network classification of aquaculture water quality | |
| CN116774086B (zh) | 一种基于多传感器数据融合的锂电池健康状态估计方法 | |
| CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
| CN110109904B (zh) | 一种面向环保大数据的水质软测量方法 | |
| CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181106 |
|
| WD01 | Invention patent application deemed withdrawn after publication |