CN108921341A - 一种基于门控自编码的热电厂短期热负荷预测方法 - Google Patents
一种基于门控自编码的热电厂短期热负荷预测方法 Download PDFInfo
- Publication number
- CN108921341A CN108921341A CN201810669272.9A CN201810669272A CN108921341A CN 108921341 A CN108921341 A CN 108921341A CN 201810669272 A CN201810669272 A CN 201810669272A CN 108921341 A CN108921341 A CN 108921341A
- Authority
- CN
- China
- Prior art keywords
- power plant
- data
- steam power
- input
- intermediate state
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 16
- 230000007246 mechanism Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000010438 heat treatment Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 9
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 17
- 230000004913 activation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000005619 thermoelectricity Effects 0.000 description 1
- 238000012795 verification 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
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种基于门控自编码的热电厂短期热负荷预测方法,包括步骤:将热电厂历史供热负荷数据映射到自编码器的中间状态表达式中,对中间状态进行训练,所述自编码器引入了注意力机制;获取中间状态的训练结果,将所述训练结果与预测期的天气数据输入到多层GRU网络,进行热负荷预测。本发明在自编码器中引入注意力机制,考虑时序对预测效果的影响,提高了模型提取特征的可靠性,同时将预测期的天气数据输入到预测模型中,提升了预测的准确性。
Description
技术领域
本发明涉及电力系统负荷预测技术领域,具体地说是一种基于门控自编码的热电厂短期热负荷预测方法。
背景技术
燃煤热电联产机组的主要特征是发电机组既生产电能,又利用汽轮发电机做过功的蒸汽对用户进行供热。因此在北方的采暖季中,燃煤热电联产机组主要承担着对特定地区内居民集中供暖的主要工作。目前国家规定的CHP(combined heat and power,热电联产技术)运行原则是“以热定电”,即热电厂应根据热负荷的需要,确定最佳运行方案,并以满足热负荷的需要为主要目标。地区电力管理部门在制定电厂电力调度曲线时,必须充分考虑供热负荷曲线和节能因素,不得以电量指标限制热电厂对外供热。这表明在地区电力调度管理过程中不应忽视热电联产的热负荷预测,以改善电网的协调性。更重要的是,受传输限制的影响,准确的CHP热负荷预测也有助于更灵活的峰值负荷管理。
传统的热负荷预测方法包括回归分析、指数平滑法、时间序列法、支持向量机SVM(Support Vector Machine,支持向量机)和BP(back propagation,反向传播)神经网络等。回归分析和指数平滑法主要用于预测数据变化平稳、趋势明显的数据。时间序列方法忽略了影响热负荷因素的分析。同时,短期热负荷数据的波动性和随机性也会对传统方法的负荷预测精度产生负面影响。对于SVM,核函数的选择存在任意性。而样本数据量和维数的增加会导致更高的计算复杂度。
综上所述,现有热负荷预测方法存在计算复杂。预测结果准确性低的问题。
发明内容
本发明实施例中提供了一种基于门控自编码的热电厂短期热负荷预测方法,以解决现有技术中预测方法的计算过程复杂。预测结果不准确的问题。
为了解决上述技术问题,本发明实施例公开了如下技术方案:
本发明提供了一种基于门控自编码的热电厂短期热负荷预测方法,以下步骤:
将热电厂历史供热负荷数据映射到自编码器的中间状态表达式中,对中间状态进行训练,所述自编码器引入了注意力机制;
获取中间状态的训练结果,将所述训练结果与预测期的天气数据输入到多层GRU网络,进行热负荷预测。
进一步地,将热电厂历史供热负荷数据输入到自编码器之前,对热电厂历史供热负荷数据进行归一化处理,并将归一化处理后的数据作为训练的输入数据,所述归一化处理的表达式为
式中x为输入的热电厂历史供热负荷数据,xmax为输入的热电厂历史供热负荷数据的最大值,xmin为输入的热电厂历史供热负荷数据的最小值。
进一步地,所述自编码器为E-D((encoder-decoder,编码-解码))结构,E-D结构的训练过程为:
编码端对输入数据进行编码,并在网络的末端输出编码后的中间状态;
解码端将所述中间状态作为输入状态,并以前一步的输出值作为下一步的输入值进行网络训练。
进一步地,所述编码端和解码端均采用多层GRU(Gated Recurrent Unit,选通重复单元),所述中间状态为编码端经过多层GRU训练后的输出状态;所述解码端通过引入注意力机制的非线性变换函数得到输出数据。
进一步地,所述中间状态表达式为:
式中⊙代表元素乘积公式;和ct是t时刻的候选状态和中间状态,zt是GRU的更新门。
进一步地,所述引入注意力机制的具体过程为:
利用softmax函数计算输出状态的权重;
将该权重带入非线性变换函数,计算输出数据。
进一步地,引入注意力机制的非线性变换函数的表达式为:
yi=f(aic,yi-1,yi-2...y1)
式中,yi为第i个输出数据,ai为关于yi的输出状态c的权重,f为非线性变换函数。
进一步地,对中间状态进行训练的具体过程为:
给定自编码器的输入数据与输出数据,设置输出数据与输入数据的顺序相反但数值一致;
根据引入注意力机制的非线性变换函数进行训练,得到中间状态。
进一步地,所述天气数据包括风速数据、气温数据、气压数据和湿度数据。
发明内容中提供的效果仅仅是实施例的效果,而不是发明所有的全部效果,上述技术方案中的一个技术方案具有如下优点或有益效果:
1、在自编码器中引入注意力机制,考虑时序对预测效果的影响,提高了模型提取特征的可靠性,提升了预测的准确性,同时将预测期的天气数据输入到预测模型中,使预测的精确度进一步提高。
2、自编码器选用E-D结构,解码端的输出数据作为下不数据重新输入解码端,在训练过程中能够更好的学习到数据之间的时序关系,从而具有较强的鲁棒性。
3、对热电厂历史供热负荷数据进行训练之前,对数据进行归一化处理,解决数据不同维度之间存在量纲差异的问题,保证训练的顺利进行。
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,对于本领域普通技术人员而言,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是本发明方法的流程示意图;
图2是tanh激活函数曲线图;
图3是GRU结构单元示意图;
图4是引入注意力机制的自编码器结构示意图;
图5是引入注意力机制的预测模型结构示意图;
图6是144个时间步长的验证机误差曲线图;
图7是144个时间步长的热负荷预测结果图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图1所示,本发明的基于门控自编码的热电厂短期热负荷预测方法包括以下步骤:
S1,将热电厂历史供热负荷数据映射到自编码器的中间状态表达式中,对中间状态进行训练,且自编码器引入了注意力机制。
由于参与训练的初始数据的不同维度之间存在量纲差异,使用Min-max方法对初始数据进行归一化。并将归一化处理后的数据作为训练的输入数据。初始数据包括热电厂历史供热负荷数据以及与供热负荷相关的影响因素,如风速、气温、气压等。
考虑到训练网络中使用了tanh激活函数,表达式为:
tanh(x)=2*sig(x)-1 (1)
如图2所示,tanh激活函数的有效区间为[-1,1]。同时当函数值接近1或-1时,神经元会发生饱和从而导致学习失效。因此,为防止数据数值过大或过小而发生神经元饱和的问题,将风速、气温、气压、轮毂高度的空气密度标准化为[-0.5,0.5],表达式如下所示:
式(2)中x为初始数据,xmax为初始数据的最大值,xmin为初始数据的最小值。对于预测后的输出结果进行反归一化,使数据回复到原来的量纲。
自编码器使用E-D基本结构,包括编码端和解码端,编码端的作用主要是用来对输入数据进行编码,并在网络的末端输出编码后的中间状态;解码端则是接受来自编码端的中间状态作为初始输入状态,同时以每一步的输出值作为下一步的输入值。选择E-D结构的模型进行热负荷预测时,解码端的上一步的输出数据作为下一步数据重新输入解码端,因此模型在训练过程中能够更好地学习到数据之间的时序关系,从而具有较强的鲁棒性。
自编码器的编码端和解码端均采用多层GER,GRU是门控制循环神经网络的一种,与LSTM(Long Short-Term Memory,长短期记忆网络)相比,GRU在具备相同数据挖掘能力的同时,实现了门控制结构的改进,其将LSTM中的输入门和遗忘门合并为更新门zt,同时用重置门rt代替了LSTM的输出门。其中zt决定了模型对新输入信息和历史信息的整合,rt则决定了上一步的状态信息进入模型的比例。由于门的数量由3个变成2个,因此训练参数得到了降低,从而提升了训练的速度。
如图3所示,两个控制门的表达式为:
rt=σsig(Wrct-1+Urxt+br) (3)
zt=σsig(Wzct-1+Uzxt+bz) (4)
状态的表达式为:
式中,⊙代表元素乘积公式;Wz、Uz是zt门的权重矩阵,Wr、Ur是rt门的权重矩阵;Wc、Us是输出状态的权重矩阵;xt是t时刻的输入数据;和ct分别是t时刻的候选状态和输出状态;bc,br和bz是常数。σsig和φtanh分别是sigmoid与tanh激活函数,分别用来激活控制门zt、rt和候选状态sigmoid和tanh函数的表达式为:
tanh(x)=2*sig(x)-1 (8)
注意力机制是解决信息超载问题的一种资源分配方案,其能够将计算资源分配给更重要的任务。在未考虑注意力机制时,自编码器预测结果的过程如下:
y1=f(c) (9)
y2=f(c,y1) (10)
y3=f(c,y1,y2) (11)
f是解码端的非线性变换函数。在生成目标yi时,中间状态C都是一样的,而不会考虑到yi的区别。也就是说,数据集中任意单个值对生成某个目标值yi来说影响力都是相同的,这并没有体现出网络具有注意力识别的功能。
如图4所示,考虑注意力机制后,利用softmax函数计算输出状态的权重;将该权重带入非线性变换函数,计算输出数据。具体公式如下:
mi=s(yi,C) (13)
s(yi,C)=tanh(Wyi+UC) (14)
根据公式(12)-公式(14)计算出权重αi的值,引入注意力机制的非线性变换函数的表达式为:
yi=f(aic,yi-1,yi-2...y1) (15)
式中,yi为第i个输出数据,ai为关于yi的输出状态c的权重,f为非线性变换函数。图4中c1=a1c,c2=a2c,c3=a3c。
如图5所示,预测模型基于注意力机制的E-D结构进行自编码处理以降低模型误差。在自编码过程中,反映输入中时序关系的中间状态被提取出来。为了能够提升训练效率,在自编码过程中输出数据与输入数值一致,但顺序相反。也就是说,给定输入值那么输出值就是根据引入注意力机制的非线性函数(15),训练得到中间状态。实施例中引入注意力机制的自编码器使用了2层GRU,每层的神经元数量分别为128和64。
S2,获取中间状态的训练结果,将所述训练结果与预测期的天气数据输入到多层GRU网络,进行热负荷预测。
在自编码器处理之后,可以得到表示热负荷时间序列特征的嵌入层。该嵌入层即步骤S1训练得到的中间状态,将此嵌入层与未来的天气数据结合起来形成新的输入并将其输入到另一个GRU网络中。因天气模式的变化是热负荷波动的主要原因,如果天气时间序列模式保持不变,热负荷历史信息已经在自编码过程中学习了;如果天气模式发生新的变化,那么预测模型就应该将这些变化在新的预测结构中考虑进去。实施例中使用了一个3层GRU网络作为预测模型,进行热负荷预测。其中3层GRU网络输入数据的维数为68(包括嵌入层的64个维度以及风速,气温,气压和湿度),并设置神经元为128、64和32。为了训练模型,使用时间反向传播(BPTT),损失函数的形式如下:
为了验证实施例中描述的基于门控自编码的热电厂短期热负荷预测方法,选取某地区天气数据和电厂热负荷数据作为实验数据,数据间隔为10分钟,预测未来36、72、144个时间步(即6小时、12小时和24小时)的CHP热负荷整个数据集的时间跨度为2016年12月18日到2018年3月9日的冬季采暖期,共计19164个观测值。将数据集分成训练集、验证集和测试集,比例分别为50%,30%和20%。选取预测值与实际值百分比的均方根误差(RMSRE)作为评估指标:
将利用引入注意力机制的预测模型(GRU-based E-D)得到的结果与非自编码的GRU模型(Non auto-encoded GRU)得到的预测结果比较,如图6和图7所示,图6中为30个训练周期,预测区间为144个时间步长的验证集误差结果,引入注意力机制的预测模型的学习错误率较低且更早的收敛到最优解。
针对预测效果,基于注意力机制的自编码模型的预测效果更好,如表1所示,其RMSRE分别较非自编码的GRU模型相比,降低了3.4%、5.2%和8.3%。
表1.未来24小时预测误差
引入注意力机制的预测模型提取了热负荷的历史时间序列特征,同时考虑了预测期间天气的新变化,例如风速和温度的突然变化。因此基于注意力机制GRU-based ED自编码处理后的模型所做的预测更加敏感,如图7所示,而非自编码的GRU模型出现了延迟。
以上所述只是本发明的优选实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也被视为本发明的保护范围。
Claims (9)
1.一种基于门控自编码的热电厂短期热负荷预测方法,其特征是:以下步骤:
将热电厂历史供热负荷数据映射到自编码器的中间状态表达式中,对中间状态进行训练,所述自编码器引入了注意力机制;
获取中间状态的训练结果,将所述训练结果与预测期的天气数据输入到多层GRU网络,进行热负荷预测。
2.根据权利要求1所述的一种基于门控自编码的热电厂短期热负荷预测方法,其特征是:将热电厂历史供热负荷数据输入到自编码器之前,对热电厂历史供热负荷数据进行归一化处理,并将归一化处理后的数据作为训练的输入数据,所述归一化处理的表达式为
式中x为输入的热电厂历史供热负荷数据,xmax为输入的热电厂历史供热负荷数据的最大值,xmin为输入的热电厂历史供热负荷数据的最小值。
3.根据权利要求1所述的一种基于门控自编码的热电厂短期热负荷预测方法,其特征是:所述自编码器为E-D结构,E-D结构的训练过程为:
编码端对输入数据进行编码,并在网络的末端输出编码后的中间状态;
解码端将所述中间状态作为输入状态,并以前一步的输出值作为下一步的输入值进行网络训练。
4.根据权利要求3所述的一种基于门控自编码的热电厂短期热负荷预测方法,其特征是:所述编码端和解码端均采用多层GRU,所述中间状态为编码端经过多层GRU训练后的输出状态;所述解码端通过引入注意力机制的非线性变换函数得到输出数据。
5.根据权利要求4所述的一种基于门控自编码的热电厂短期热负荷预测方法,其特征是:所述中间状态表达式为:
式中⊙代表元素乘积公式;和ct是t时刻的候选状态和中间状态,zt是GRU的更新门。
6.根据权利要求4所述的一种基于门控自编码的热电厂短期热负荷预测方法,其特征是:所述引入注意力机制的具体过程为:
利用softmax函数计算输出状态的权重;
将该权重带入非线性变换函数,计算输出数据。
7.根据权利要求6所述的一种基于门控自编码的热电厂短期热负荷预测方法,其特征是:引入注意力机制的非线性变换函数的表达式为:
yi=f(aic,yi-1,yi-2...y1)
式中,yi为第i个输出数据,ai为关于yi的输出状态c的权重,f为非线性变换函数。
8.根据权利要求7所述的一种基于门控自编码的热电厂短期热负荷预测方法,其特征是:对中间状态进行训练的具体过程为:
给定自编码器的输入数据与输出数据,设置输出数据与输入数据的顺序相反但数值一致;
根据引入注意力机制的非线性变换函数进行训练,得到中间状态。
9.根据权利要求1-8任一项所述的一种基于门控自编码的热电厂短期热负荷预测方法,其特征是:所述天气数据包括风速数据、气温数据、气压数据和湿度数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810669272.9A CN108921341A (zh) | 2018-06-26 | 2018-06-26 | 一种基于门控自编码的热电厂短期热负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810669272.9A CN108921341A (zh) | 2018-06-26 | 2018-06-26 | 一种基于门控自编码的热电厂短期热负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108921341A true CN108921341A (zh) | 2018-11-30 |
Family
ID=64422560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810669272.9A Pending CN108921341A (zh) | 2018-06-26 | 2018-06-26 | 一种基于门控自编码的热电厂短期热负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921341A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933942A (zh) * | 2019-03-26 | 2019-06-25 | 中冶华天南京电气工程技术有限公司 | 一种基于支持向量机的换热站温度控制模型建模方法 |
CN110266002A (zh) * | 2019-06-20 | 2019-09-20 | 北京百度网讯科技有限公司 | 用于预测电力负荷的方法和装置 |
CN110533173A (zh) * | 2019-09-03 | 2019-12-03 | 河南工业大学 | 一种基于多级注意力网络的仓储粮堆温度预测方法及装置 |
CN110619420A (zh) * | 2019-07-31 | 2019-12-27 | 广东工业大学 | 一种基于Attention-GRU的短期住宅负荷预测方法 |
CN110633867A (zh) * | 2019-09-23 | 2019-12-31 | 国家电网有限公司 | 一种基于gru和注意力机制的超短期负荷预测模型 |
CN110728403A (zh) * | 2019-10-11 | 2020-01-24 | 国网江西省电力有限公司经济技术研究院 | 农村中长期电网负荷预测方法 |
CN111193254A (zh) * | 2019-12-06 | 2020-05-22 | 北京国电通网络技术有限公司 | 一种住宅日用电负荷预测方法和设备 |
CN111242351A (zh) * | 2019-12-31 | 2020-06-05 | 上海师范大学 | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 |
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 |
CN111275169A (zh) * | 2020-01-17 | 2020-06-12 | 北京石油化工学院 | 一种短时期建筑热负荷预测的方法 |
CN111709754A (zh) * | 2020-06-12 | 2020-09-25 | 中国建设银行股份有限公司 | 一种用户行为特征提取方法、装置、设备及系统 |
CN112712189A (zh) * | 2019-10-25 | 2021-04-27 | 北京市热力集团有限责任公司 | 一种供热需求负荷预测方法 |
CN112862213A (zh) * | 2021-03-09 | 2021-05-28 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于周期回馈lstm的供热需求量预估方法、系统及设备 |
CN113095598A (zh) * | 2021-05-07 | 2021-07-09 | 国网山东省电力公司经济技术研究院 | 一种多能负荷预测方法、系统、设备和介质 |
CN113222112A (zh) * | 2021-04-02 | 2021-08-06 | 西安电子科技大学 | 一种基于mv-gru的热负荷预测方法 |
Citations (6)
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 |
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
CN107391501A (zh) * | 2017-09-11 | 2017-11-24 | 南京大学 | 一种基于词预测的神经机器翻译方法 |
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 |
CN108197751A (zh) * | 2018-01-23 | 2018-06-22 | 国网山东省电力公司电力科学研究院 | 基于多层Bi-GRU的Seq2seq网络短期电力负荷预测方法 |
CN108830487A (zh) * | 2018-06-21 | 2018-11-16 | 王芊霖 | 基于长短时神经网络的电力负荷预测方法 |
-
2018
- 2018-06-26 CN CN201810669272.9A patent/CN108921341A/zh active Pending
Patent Citations (6)
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 |
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
CN107391501A (zh) * | 2017-09-11 | 2017-11-24 | 南京大学 | 一种基于词预测的神经机器翻译方法 |
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 |
CN108197751A (zh) * | 2018-01-23 | 2018-06-22 | 国网山东省电力公司电力科学研究院 | 基于多层Bi-GRU的Seq2seq网络短期电力负荷预测方法 |
CN108830487A (zh) * | 2018-06-21 | 2018-11-16 | 王芊霖 | 基于长短时神经网络的电力负荷预测方法 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933942A (zh) * | 2019-03-26 | 2019-06-25 | 中冶华天南京电气工程技术有限公司 | 一种基于支持向量机的换热站温度控制模型建模方法 |
CN110266002A (zh) * | 2019-06-20 | 2019-09-20 | 北京百度网讯科技有限公司 | 用于预测电力负荷的方法和装置 |
CN110619420A (zh) * | 2019-07-31 | 2019-12-27 | 广东工业大学 | 一种基于Attention-GRU的短期住宅负荷预测方法 |
CN110619420B (zh) * | 2019-07-31 | 2022-04-08 | 广东工业大学 | 一种基于Attention-GRU的短期住宅负荷预测方法 |
CN110533173A (zh) * | 2019-09-03 | 2019-12-03 | 河南工业大学 | 一种基于多级注意力网络的仓储粮堆温度预测方法及装置 |
CN110533173B (zh) * | 2019-09-03 | 2022-11-04 | 河南工业大学 | 一种基于多级注意力网络的仓储粮堆温度预测方法及装置 |
CN110633867A (zh) * | 2019-09-23 | 2019-12-31 | 国家电网有限公司 | 一种基于gru和注意力机制的超短期负荷预测模型 |
CN110728403A (zh) * | 2019-10-11 | 2020-01-24 | 国网江西省电力有限公司经济技术研究院 | 农村中长期电网负荷预测方法 |
CN110728403B (zh) * | 2019-10-11 | 2023-04-18 | 国网江西省电力有限公司经济技术研究院 | 农村中长期电网负荷预测方法 |
CN112712189A (zh) * | 2019-10-25 | 2021-04-27 | 北京市热力集团有限责任公司 | 一种供热需求负荷预测方法 |
CN111193254B (zh) * | 2019-12-06 | 2021-10-29 | 北京国电通网络技术有限公司 | 一种住宅日用电负荷预测方法和设备 |
CN111193254A (zh) * | 2019-12-06 | 2020-05-22 | 北京国电通网络技术有限公司 | 一种住宅日用电负荷预测方法和设备 |
CN111242351A (zh) * | 2019-12-31 | 2020-06-05 | 上海师范大学 | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 |
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 |
CN111275169A (zh) * | 2020-01-17 | 2020-06-12 | 北京石油化工学院 | 一种短时期建筑热负荷预测的方法 |
CN111709754A (zh) * | 2020-06-12 | 2020-09-25 | 中国建设银行股份有限公司 | 一种用户行为特征提取方法、装置、设备及系统 |
CN111709754B (zh) * | 2020-06-12 | 2023-08-25 | 中国建设银行股份有限公司 | 一种用户行为特征提取方法、装置、设备及系统 |
CN112862213A (zh) * | 2021-03-09 | 2021-05-28 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于周期回馈lstm的供热需求量预估方法、系统及设备 |
CN112862213B (zh) * | 2021-03-09 | 2024-02-20 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于周期回馈lstm的供热需求量预估方法、系统及设备 |
CN113222112A (zh) * | 2021-04-02 | 2021-08-06 | 西安电子科技大学 | 一种基于mv-gru的热负荷预测方法 |
CN113222112B (zh) * | 2021-04-02 | 2023-10-17 | 西安电子科技大学 | 一种基于mv-gru的热负荷预测方法 |
CN113095598A (zh) * | 2021-05-07 | 2021-07-09 | 国网山东省电力公司经济技术研究院 | 一种多能负荷预测方法、系统、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921341A (zh) | 一种基于门控自编码的热电厂短期热负荷预测方法 | |
Liu et al. | A flood forecasting model based on deep learning algorithm via integrating stacked autoencoders with BP neural network | |
CN112700027B (zh) | 用于电功率预测模型的多精度指标综合评价方法及系统 | |
CN112633604B (zh) | 一种基于i-lstm的短期用电量预测方法 | |
CN107766937A (zh) | 基于特征选取和循环神经网络的风电场功率超短期预测方法 | |
CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
CN104951836A (zh) | 基于神经网络技术的发帖预测系统 | |
CN108197751A (zh) | 基于多层Bi-GRU的Seq2seq网络短期电力负荷预测方法 | |
CN112232575B (zh) | 一种基于多元负荷预测的综合能源系统调控方法和装置 | |
CN110222844A (zh) | 一种基于人工神经网络的压缩机性能预测方法 | |
CN114781744A (zh) | 基于编码解码器的深度学习多步长辐照度预测方法 | |
CN114819372A (zh) | 一种基于神经网络的电力消费概率预测方法 | |
CN112884077A (zh) | 基于形状的动态时间归整聚类的园区短期负荷预测方法 | |
CN115471362A (zh) | 深度特征指导两阶段迁移学习的综合能源源—荷预测方法 | |
Alanbar et al. | Energy Consumption Prediction Using Deep Learning Technique | |
CN115600640A (zh) | 基于分解网络的电力负荷预测方法 | |
CN113485261A (zh) | 一种基于CAEs-ACNN的软测量建模方法 | |
CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及系统 | |
CN116822920A (zh) | 一种基于循环神经网络的流程预测方法 | |
CN116050621A (zh) | 一种集成提升模式的多头自注意力海上风电超短时功率预测方法 | |
CN116700011A (zh) | 一种增强深度Transformer-Attention集成预测的分数阶微积分降能引导方法 | |
CN110674460B (zh) | 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法 | |
CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及系统 | |
CN116404637A (zh) | 电力系统短期负荷预测方法和电力系统短期负荷预测装置 | |
CN116316600A (zh) | 基于季节分型的面向风电功率日前预测自适应滤波方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181130 |
|
RJ01 | Rejection of invention patent application after publication |