CN108985514A - 基于eemd和lstm的负荷预测方法、装置及设备 - Google Patents
基于eemd和lstm的负荷预测方法、装置及设备 Download PDFInfo
- Publication number
- CN108985514A CN108985514A CN201810783314.1A CN201810783314A CN108985514A CN 108985514 A CN108985514 A CN 108985514A CN 201810783314 A CN201810783314 A CN 201810783314A CN 108985514 A CN108985514 A CN 108985514A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- neural network
- lstm
- test
- 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 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 108
- 238000012360 testing method Methods 0.000 claims abstract description 108
- 239000002245 particle Substances 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 9
- 238000013100 final test Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000000354 decomposition reaction Methods 0.000 abstract 2
- 239000010410 layer Substances 0.000 description 31
- 210000005036 nerve Anatomy 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 239000008186 active pharmaceutical agent Substances 0.000 description 5
- 230000002354 daily effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241000083513 Punctum Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000005303 weighing 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
- G06N3/08—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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于EEMD和LSTM的负荷预测方法，通过EEDM对样本数据和测试数据进行分解后，降低了历史负荷数据的高度非线性和非平稳性，再从分解得到的样本子序列和测试子序列中选取第一目标数据和第二目标数据以对LSTM神经网络进行训练和利用训练好的LSTM神经网络预测模型对负荷进行预测，因此，结合分解后的测试子序列和训练得到的LSTM神经网络预测模型对负荷进行预测，不会因为负荷序列具有的高度非线性和非平稳性的复杂特性而对电力负荷的预测精确度产生影响，从而保证了电网运行调度的正常运行，此外，本发明还公开了一种基于EEMD和LSTM的负荷预测装置及设备，效果如上。
Description
技术领域
本发明涉及电力技术领域，特别涉及一种基于EEMD和LSTM的负荷预测方法、装置及设备。
背景技术
电力负荷预测主要是预测出电网中单条或者多条输电线的用电需求，根据预测的时间跨度可以分为：短期预测(几分钟到一周)、中期预测(一个月到一个季度)和长期预测(一年以上)，现有条件下，采用各种预测方法准确的预测出区域内中短期供电负荷，对规划和指导发电企业有效生产电能是十分必要的。
目前，用于负荷预测的预测模型包括：时间序列模型、人工智能模型和混合模型、BP神经网络模型、LSTM预测模型等，与其他预测模型相比，LSTM预测模型由于能进行长短期记忆从而得到了更广泛的应用。但是由于负荷序列具有的高度非线性和非平稳性的复杂特性，采用单一的LSTM预测模型很难对高度非线性和非平稳性的负荷序列进行处理，因此采用单一的预测模型对电力负荷的预测的精确度较低，从而影响电网运行调度的正常运行。
因此，如何提高对电力负荷进行预测的精确度以保证电网运行调度的正常运行是本领域技术人员需要解决的问题。
发明内容
本发明的目的在于公开一种基于EEMD和LSTM的负荷预测方法、装置及设备，提高了对短期负荷进行预测的精确度从而保证了电网运行调度的正常运行。
为实现上述目的，本发明实施例公开了如下技术方案：
第一，本发明实施例公开了一种基于EEMD和LSTM的负荷预测方法，包括：
获取历史负荷数据；
确定所述历史负荷数据中的样本数据和测试数据；
基于EEMD对所述样本数据和所述测试数据均进行分解得到样本子序列和测试子序列；
从所述样本子序列和所述测试子序列中选取与所述样本子序列对应的第一目标数据和与测试子序列对应的第二目标数据；
根据所述第一目标数据和纵横交叉算法建立LSTM神经网络预测模型；
利用所述第二目标数据和所述LSTM神经网络预测模型进行负荷预测。
优选的，基于EEMD对所述样本数据和所述测试数据均进行分解得到样本子序列和测试子序列包括：
在所述样本数据和所述测试数据中添加高斯白噪声；
将添加所述高斯白噪声的样本数据和测试数据进行分解得到样本IMF分量、测试IMF分量、样本残差和测试残差；
判断所述样本残差是否小于第一阈值，若是，则停止分解；
若否，则继续分解所述样本残差直到最终的样本残差小于所述第一阈值；
判断所述测试残差是否小于第二阈值，若是，则停止分解；
若否，则对所述测试残差继续分解直到最终的测试残差小于所述第二阈值；
其中，所述样本子序列包含多个样本IMF分量和所述最终的样本残差，所述测试子序列包含多个测试IMF分量和所述最终的测试残差。
优选的，所述从所述样本子序列和所述测试子序列中选取与所述样本子序列对应的第一目标数据和与所述测试子序列对应的第二目标数据包括：
判断所述样本子序列中的各样本IMF分量与添加高斯白噪声的样本数据的第一相关性是否达到第一预设条件；
若是，则将所述第一相关性达到所述第一预设条件的样本IMF分量作为所述第一目标数据；
判断所述测试子序列中的各测试IMF分量与添加高斯白噪声的测试数据的第二相关性是否达到所述第一预设条件；
若是，则将所述第二相关性达到所述第一预设条件的测试IMF分量作为所述第二目标数据。
优选的，所述根据所述第一目标数据和纵横交叉算法建立LSTM神经网络预测模型包括：
确定所述第一目标数据中个样本IMF分量的数据量；
根据所述第一目标数据中各样本IMF分量的数据量确定与所述第一目标数据中各样本IMF分量对应的初始LSTM神经网络模型；
将所述第一目标数据中各样本IMF分量作为与所述第一目标数据中各样本IMF分量对应额定初始LSTM神经网络模型的输入；
利用所述纵横交叉算法对各所述初始LSTM神经网络模型进行训练以建立与各所述初始LSTM神经网络模型对应的LSTM神经网络预测模型。
优选的，所述利用所述纵横交叉算法对各所述初始LSTM神经网络模型进行训练包括：
对所述初始LSTM神经网络模型的待优化粒子进行编码并产生初始种群；
计算所述初始种群中各编码粒子的适应度；
根据各所述编码粒子的适应度对各所述编码粒子进行横向交叉和纵向交叉得到种群矩阵；
计算所述种群矩阵中每个粒子的适应度并选取满足第二预设条件的粒子作为子代种群中的个体；
重复上述步骤直到迭代次数超过最大迭代次数时停止迭代以完成对所述初始LSTM神经网络的训练。
优选的，所述利用所述第二目标数据和所述LSTM神经网络预测模型进行负荷预测包括：
将所述第二目标数据作为各所述LSTM神经网络预测模型的输入；
获取各所述LSTM神经网络预测模型输出层的预测值；
将各所述预测值进行叠加得到实际负荷预测结果。
优选的，在所述利用所述第二目标数据和所述LSTM神经网络预测模型进行负荷预测之后，还包括：
判断所述LSTM神经网络预测模型的实际输出与所述LSTM神经网络预测模型的目标输出之间的偏差是否超过阈值；
若是，则利用所述训练样本对所述LSTM神经网络预测模型再次进行训练，直到训练后的所述LSTM神经网络预测模型的实际输出与所述LSTM神经网络预测模型的目标输出之间的偏差小于或等于所述阈值。
第二，本发明实施例公开了一种基于EEMD和LSTM的负荷预测装置，包括：
获取模块，用于获取历史负荷数据；
确定模块，用于确定所述历史负荷数据中的样本数据和测试数据；
选取模块，用于从所述样本子序列和所述测试子序列中选取与所述样本子序列对应的第一目标数据和与所述测试子序列对应的第二目标数据；
建立模块，用于根据所述第一目标数据和纵横交叉算法建立LSTM神经网络预测模型；
预测模块，用于利用所述第二目标数据和所述LSTM神经网络预测模型进行负荷预测。
优选的，还包括：
判断模块，用于判断所述LSTM神经网络预测模型的实际输出与所述LSTM神经网络预测模型的目标输出之间的偏差是否超过阈值，若是，则进入训练模块；
训练模块，用于利用所述训练样本对所述LSTM神经网络预测模型再次进行训练，直到训练后的所述LSTM神经网络预测模型的实际输出与所述LSTM神经网络预测模型的目标输出之间的偏差小于或等于所述阈值。
第三，本发明实施例公开了一种基于EEMD和LSTM的负荷预测设备，包括：
存储器，用于存储预测程序；
处理器，用于执行所述存储器中存储的预测程序以实现如上任一项所述的基于EEMD和LSTM的负荷预测方法的步骤。
可见，本发明实施例公开的一种基于EEMD和LSTM的负荷预测方法，首先获取历史负荷数据，然后确定历史负荷数据中的样本数据和测试数据，其次，再基于EEMD对样本数据和测试数据均进行分解得到样本子序列和测试子序列，再从样本子序列中选取第一目标数据，从测试子序列中选取第二目标数据，根据第一目标数据和纵横交叉算法建立LSTM神经网络预测模型，利用第二目标数据和LSTM神经网络预测模型进行负荷预测。采用本方案，通过EEDM对样本数据和测试数据进行分解后，降低了历史负荷数据的高度非线性和非平稳性，再从分解得到的样本子序列中选取第一目标数据对LSTM神经网络进行训练以建立LSTM神经网络预测模型，建立LSTM神经网络预测模型后，再利用分解得到的第二目标数据和LSTM神经网络预测模型对负荷进行预测，不会因为负荷序列具有的高度非线性和非平稳性的复杂特性而对电力负荷的精确度产生影响，从而保证了电网运行调度的正常运行。此外，本发明实施例还公开了一种基于EEMD和LSTM的负荷预测装置及设备，效果如上。
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为本发明实施例公开的一种基于EEMD和LSTM的负荷预测方法流程示意图；
图2为本发明实施例公开的一种基于EEMD和LSTM的负荷预测装置结构示意图；
图3为本发明实施例公开的一种基于EEMD和LSTM的负荷预测设备结构示意图。
具体实施方式
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，所描述的实施例仅仅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做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。
本发明实施例公开了一种基于EEMD和LSTM的负荷预测方法、装置及设备，提高了对短期负荷进行预测的精确度从而保证了电网运行调度的正常运行。
请参见图1，图1为本发明实施例公开的一种基于EEMD和LSTM的负荷预测方法流程示意图，该方法包括：
S101、获取历史负荷数据。
具体的，本实施例中，历史负荷数据可以为当前时间前一年、一个月或某些天的电力负荷数据，其中，历史负荷数据中包括的每天的电力负荷数据，每天的每个时刻点均对应有负荷数据，各个时刻点之间的时间间隔可以设定为1小时，对应的，每天则对应有24个时刻点。当然，历史负荷数据也可以为连续16周的电力负荷数据，时间分辨率为0.25小时，即每天包含96个数据点，当然，历史负荷数据的选取也可以根据实际要求进行确定，本发明实施例在此并不作限定。
S102、确定历史负荷数据中的样本数据和测试数据。
具体的，本实施例中，从历史负荷数据中确定样本数据用来训练LSTM网络得到LSTM神经网络预测模型，然后，测试数据为根据训练得到的LSTM神经网络预测模型预测某一天的电力负荷。需要说明的是，若将历史负荷数据中的某部分数据作为样本数据，则将除该样本数据外的其余的数据作为测试数据，即样本数据和测试数据是不重叠的。
S103、基于EEMD对样本数据和测试数据均进行分解得到样本子序列和测试子序列。
具体的，本实施例中，EEMD为集合经验模态集合分解(可以参见现有技术)，基于EEMD对样本数据和测试数据均进行分解，分解样本数据的过程如下：若历史负荷数据为一个月的电力负荷数据，若样本数据选为一个月中前15天的电力负荷数据，对应每一天均有24个时刻点(即形成时间间隔为1小时的时间序列)，然后基于EEMD将每一天的负荷数据进行分解得到多个IMF分量和最终的一个剩余分量(最终的样本残差)，样本数据中总共有15天的电力负荷数据，则对应的，样本子序列的个数则为15个，对应每个样本子序列中均有多个样本IMF分量和样本残差。同理，测试数据的分解过程可以参见样本数据的分解过程，本发明实施例在此不作限定。其次，对应每个样本子序列中的样本IMF分量和样本残差的顺序都是按照时间顺序进行排列的。
其中，作为优选的实施例，步骤S103包括：
在样本数据和测试数据中添加高斯白噪声。
将添加高斯白噪声的样本数据和测试数据进行分解得到样本IMF分量、测试IMF分量、样本残差和测试残差。
判断样本残差是否小于第一阈值，若是，则停止分解。
若否，则继续分解样本残差直到最终的样本残差小于第一阈值。
判断测试残差是否小于第二阈值，若是，则停止分解。
若否，则对测试残差继续分解直到最终的测试残差小于第二阈值。
其中，样本子序列中包含多个样本IMF分量和最终的样本残差，测试子序列包含多个测试IMF分量和最终的测试残差。
具体的，本实施例中，第一阈值和第二阈值的大小可以根据所需的样本IMF分量和测试IMF分量的个数确定，最终得到的样本子序列中均包含了多个样本IMF分量和最终的样本残差。测试子序列可以参见样本子序列。此外，第一阈值和第二阈值的值可以相同，当然，第一阈值和第二阈值的大小可以根据实际情况设定为不同的值。本发明实施例在此并不作限定。
下面举例说明：以历史负荷数据中的某一天为例，若该天的原始负荷数据为xo(t)，则在原始负荷数据xo(t)中加入高斯白噪声n(t)，添加了高斯白噪声n(t)的负荷数据作为待分解的负荷数据u(t)0，则待分解的负荷数据u(t)0可以采用下式表示：
u(t)0＝xo(t)+n(t)
对上式进行迭代分解后则可以计算得出待分解的负荷数据u(t)中的IMF分量(样本IMF分量或测试IMF分量)和残差项(样本残差和测试残差)，然后，经过分解后的IMF分量的叠加负荷数据可以采用下式进行表示：
其中，N是分解得到的IMF分量的个数，rN(t)是分解得到的残差项，vi表示得到的第i个IMF分量。
S104、从样本子序列和测试子序列中选取与样本子序列对应的第一目标数据和与测试子序列对应的第二目标数据。
具体的，本实施例中，由于分解出的样本子序列和测试子序列中的样本IMF分量或测试IMF分量可能为噪声分量，因此，需要将该部分样本IMF分量和测试IMF分量进行筛除。
其中，作为优选的实施例，步骤S104包括：
判断样本子序列中的各样本IMF分量与添加高斯白噪声的样本数据的第一相关性是否达到第一预设条件；
若是，则将第一相关性达到第一预设条件的样本IMF分量作为第一目标数据。
判断测试子序列中的各测试IMF分量与添加高斯白噪声的测试数据的第二相关性是否达到第一预设条件。
若是，则将第二相关性达到第一预设条件的测试IMF分量作为第二目标数据。
具体的，本实施例中，第一相关性和第二相关性可以利用Brownian距离协方差系数进行表示，第一预设条件可以为设定的阈值。对样本IMF分量和测试IMF分量进行筛选的第一预设条件可以采用阈值作为判定准则，下面以整个添加了高斯白噪声的负荷数据u(t)0为例进行说明，具体过程如下：
首先计算被分解出的各个IMF分量的Brownian距离协方差系数，计算公式如下：
其中，E(vi(t)·u(t)0)为添加了高斯白噪声的负荷数据与得到各IMF分量的乘积的均值，E(vi(t)·u(t))为经分解后的IMF分量的叠加负荷数据与各IMF分类的乘积的均值，var(vi(t))为经分解得到的IMF分量的方差。
与第一预设条件对应的阈值k可以采用下式进行计算：
通过判断各IMF分量的Brownian距离协方差系数与计算出的阈值k的相对大小，即可从样本子序列中选取第一目标数据，和从测试子序列中选取第二目标数据。此外，阈值的确定方式也可以为其他方式，本发明实施例在此并不作限定。
S105、根据第一目标数据和纵横交叉算法建立LSTM神经网络预测模型。
具体的，本实施例中，在从样本子序列中选取出第一目标数据后，便根据第一目标数据的数据量的大小确定LSTM神经网络预测模型的输入层、输出层以及隐含层的神经元的个数(根据样本数据的数据量的大小确定LSTM神经网络预测模型的输入层、输出层以及隐含层的神经元的个数可以参见现有技术)。在输入层接收到第一目标数据后，将第一目标数据传输到隐含层(网络层)，然后通过隐含层对第一目标数据进行训练建模(主要是对连接输入层和隐含层的权值或阈值进行不断的更新，利用样本数据对LSTM神经网络进行训练的原理可以参见现有技术)，以训练生成LSTM神经网络预测模型。
其中，作为优选的实施例，根据第一目标数据和纵横交叉算法建立LSTM神经网络预测模型包括：
确定第一目标数据中每个样本IMF分量的数据量。
根据第一目标数据中每个样本IMF分量的数据量确定与第一目标数据中各样本IMF分量对应的初始LSTM神经网络模型。
将第一目标数据中各样本IMF分量作为与第一目标数据中各样本IMF分量对应的初始LSTM神经网络模型的输入。
利用纵横交叉算法对各初始LSTM神经网络模型进行训练以建立与各初始LSTM神经网络模型对应的LSTM神经网络预测模型。
具体的，本实施例中，对LSTM神经网络模型的具体结构进行介绍(也可以参见现有技术)，具体过程如下：
首先LSTM神经网络模型是一种改进型的迭代神经网络、该迭代神经网络通过隐层状态向量ht递归应用状态转移函数f来处理序列的网络，对于时间步长为t的隐层状态向量ht由当前输入序列(第一目标数据)xt和上一时刻的隐层状态向量ht-1决定，隐层状态向量ht可以采用下式进行表示：
对LSTM神经网络预测模型的隐层状态向量进行介绍后，下面对LSTM的网络层再进行介绍，LSTM网络层包括输入门it，输出门ot和遗忘门ft以及记忆单元ct，在某一时刻t，记忆单元ct记录到当前时刻t为止的所有历史信息并受到输入门it，输出门ot和遗忘门ft这三个逻辑门控制，该三个逻辑门的输出值均在0和1之间。其中，三个逻辑门的主要功能如下：遗忘门ft控制LSTM网络层的信息擦除，输入门it控制LSTM网络层的信息更新，输出门ot控制内部状态的信息输出。LSTM网络层的参数迭代更新方式如下式：
it＝(Wixt+Uiht-1+Vict-1)
ft＝σ(Wfxt+Ufht-1+Vfct-1)
ot＝σ(Woxt+Uoht-1+Voct)
ht＝ot·tanh(ct)
上式中，xt为t时刻的数据输入序列，σ表示的是sigmoid函数，“·”表示的是连个元素之间的相乘，Wi，Wf，Wo以及Wc表示的是对应的逻辑门的输入权重和记忆单元的输入权重。Ui，Uf，Uo，Uc表示的是对应的逻辑门的循环权重和记忆单元的循环权重，Vi，Vf，Vo分别表示的是对应的逻辑门的影响权重，tanh表示的是隐层状态向量ht的双曲正切函数。
单层多任务深度神经网络模型的多个相关任务共享一个相同的LSTM网络层，该相同的LSTM网络层在时刻t的输出表示为ht s，其中初始化参数是均匀分布在[-0.1,0.1]之间的随机采样值。因此，LSTM神经网络预测模型中通过上式对各参数进行迭代更新后，得到最终的最优参数后即构建了最终的LSTM网络预测模型。
下面对利用纵横交叉算法对LSTM神经网络进行训练(即建立纵横交叉算法优化LSTM神经网络预测模型)的过程进行介绍：
其中，作为优选的实施例，利用纵横交叉算法对初始LSTM神经网络模型的训练过程具体为：
对初始LSTM神经网络模型的待优化粒子进行编码并产生初始种群。
根据各编码粒子的适应度对各编码粒子进行横向交叉和纵向交叉得到种群矩阵。
计算种群矩阵中每个粒子的适应度并选取满足第二预设条件的粒子作为子代种群中的个体。
重复上述步骤直到迭代次数超过最大迭代次数时停止迭代以完成对初始LSTM神经网络的训练。
具体的，本实施例中，第二预设条件为将种群矩阵中的适应度与初始矩阵中的适应度作比较，将适应度大一些的个体作为子代种群中的个体。下面将纵横交叉算法(也可以参见现有技术)进行介绍：
首先，根据给定的第一目标数据中的样本子序列确定神经网络拓扑结构和各层的神经元数据，并确定纵向交叉概率Pv，种群规模M，最大迭代次数Tmaxgen，然后对所需要优化的粒子(优化参数)进行编码，在编码的解空间里，随机产生初始种群X＝[X1,X2,…,XM]T，在得到初始种群后，采用下式计算初始种群中每一个个体的适应度，具体公式如下：
其中，pt表示LSTM神经完了的实际输出，表示的是神经完了的目标输出(即期望值)，N表示的是训练样本数。在得到初始种群中的每一个个体的适应度后，对初始种群中的每一个个体进行横向交叉操作，横向交叉的概率通常取为1是在初始种群中两个粒子中作算数交叉操作，且两粒子是在同一维随机产生。横向交叉操作获得的子代保存在矩阵MShc中，然后计算该矩阵中的所有粒子的适应度，将得到的适应值与父代种群(即DSvc)进行对比，选取适应度更好的粒子保留在DShc中。其中，横向交叉操作的公式参见下式：
MShc(i,d)＝r1×X(i,d)+(1-r1)×X(j,d)+c1×(X(i,d)-X(j,d))
MShc(j,d)＝r2×X(j,d)+(1-r2)×X(i,d)+c2×(X(j,d)-X(i,d))
i,j∈N(1,M)，d∈N(1,D)
其中，式中，r1、r2是[0，1]之间的随机数；c1、c2是[-1，1]之间的随机数；M为粒子数的范围；D为变量的维数；X(i,d)、X(j,d)分别表示父代粒子X(i)和X(j)的第d维；MShc(i,d)、MShc(j,d)分别表示X(i,d)和X(j,d)通过横向交叉在第d维产生子代。
在进行完横向交叉操作之后，下面再进行纵向交叉操作，纵向交叉是所有粒子不同维之间进行的一种算数交叉，且两维是随机结合在一起的，交叉后产生的解保存在矩阵MSvc中，然后计算矩阵MSvc中各粒子的适应值，与其父代种群DShc进行比较，从而选择更优秀的粒子保存在DSvc中，其中，纵向交叉操作可以采用下式进行表示：
MSvc(i,d1)＝r·X(i,d1)+(1-r)·X(i,d2)
i∈N(1,M)，d1,d2∈N(1,D)，
r∈[0，1]
上式中，MSvc(i,d1)是粒子X(i)的第d1维和第d2维通过纵向交叉操作后产生的子代，r表示的是[0，1]之间的随机数。通过上述步骤的不断迭代，直到当前的迭代次数超过最大的迭代次数之后便停止迭代直到得到最优解。将DSvc中适应度最好的一组解设为LSTM神经网络所对应的权重，即得到了LSTM神经网络预测模型。
其中，通过纵横交叉算法最终便得到了LSTM神经网络的各项最优参数。从而就确定了LSTM神经网络预测模型。
S106、利用第二目标数据和LSTM神经网络预测模型进行负荷预测。
具体的，本实施例中，进行负荷预测可以是短期负荷预测、中期负荷预测，也可以是长期负荷预测。在此，本发明实施例优选为短期负荷预测(如预测某一天的负荷数据)。在由上一步骤得到LSTM神经网络预测模型后，利用该LSTM神经网络预测模型和测试样本对预测日的电力负荷进行预测，通过连接至LSTM隐藏层(网络层)的回归器产生该区域内的电力负荷预测结果并通过LSTM神经网络预测模型的输出层输出。
其中，作为优选的实施例，步骤S104包括：
将第二目标数据作为各LSTM神经网络预测模型的输入。
获取各LSTM神经网络预测模型输出层的预测值。
将各预测值进行叠加得到实际负荷预测结果。
具体的，本实施例中，针对每个样本子序列中的各个分量分别建立对应的LSTM神经网络预测模型后，然后将第二目标数据作为各个LSTM神经网络预测模型的输入，即将测试子序列中的各个分量作为对应的LSTM神经网络预测模型的输入，例如，每个样本子序列中共包含5个分量，按照时间顺序依次分为第一样本IMF分量(对应建立第一LSTM神经网络预测模型)……依次类推共建立5个LSTM神经网络预测模型，此后，再将第二目标数据中的各个测试子序列中的第一测试IMF分量、第二测试IMF分量等作为对应的LSTM神经完了预测模型的输入，最终得到5个LSTM神经网络预测模型的输出预测值，将5个LSTM神经网络预测模型的输出预测值进行叠加后，即为预测日的电力负荷预测结果。
可见，本发明实施例公开的一种基于EEMD和LSTM的负荷预测方法，首先获取历史负荷数据，然后确定历史负荷数据中的样本数据和测试数据，其次，再基于EEMD对样本数据和测试数据均进行分解得到样本子序列和测试子序列，再从样本子序列中选取第一目标数据，从测试子序列中选取第二目标数据，根据第一目标数据和纵横交叉算法建立LSTM神经网络预测模型，利用第二目标数据和LSTM神经网络预测模型进行负荷预测。采用本方案，通过EEDM对样本数据和测试数据进行分解后，降低了历史负荷数据的高度非线性和非平稳性，再从分解得到的样本子序列中选取第一目标数据对LSTM神经网络进行训练以建立LSTM神经网络预测模型，建立LSTM神经网络预测模型后，再利用分解得到的第二目标数据和LSTM神经网络预测模型对负荷进行预测，不会因为负荷序列具有的高度非线性和非平稳性的复杂特性而对电力负荷的精确度产生影响，从而保证了电网运行调度的正常运行。
基于以上实施例，作为优选的实施例，步骤S104之后，还包括：
判断LSTM神经网络预测模型的实际输出与LSTM神经完了预测模型的目标输出之间的偏差是否超过阈值。
若是，则利用训练样本对LSTM神经完了预测模型再次进行训练，直到训练后的LSTM神经网络预测模型的实际输出与LSTM神经网络预测模型的目标输出之间的偏差小于或等于阈值。
具体的，本实施例中，在得到LSTM神经网络预测模型后，LSTM神经网络预测模型的实际输出可能达不到预期的目标，因此，本发明实施例中，通过设定阈值以确定LSTM神经网络预测模型的目标输出和实际输出之间的偏差是否在可控范围内，如果是，则该LSTM神经网络预测模型是满足要求的，如果否，则需要再利用样本数据对LSTM神经网络进行训练以使最终的LSTM神经网络预测模型的实际输出与目标输出之间的偏差小于阈值。阈值的设定可以根据实际需求或者最终的预测精度要求进行确定，对于阈值的大小，本发明实施例在此并不作限定。
可见，本实施例中，通过判断LSTM神经网络预测模型的实际输出和目标输出之间的偏差是否超过阈值的方式来确定LSTM神经网络预测模型的预测精度是否达到要求，可以避免当LSTM神经网络预测模型的实际输出存在大的误差时而引起的电力负荷预测准确率较低的情况发生。
下面对本发明实施例公开的一种基于EEMD和LSTM的负荷预测装置进行介绍，请参见图2，图2为本发明实施例公开的一种基于EEMD和LSTM的负荷预测装置结构示意图，该装置包括：
获取模块201，用于获取历史负荷数据；
确定模块202，用于确定历史负荷数据中的样本数据和测试数据；
分解模块203，用于基于EEMD对样本数据和测试数据均进行分解得到样本子序列和测试子序列；
选取模块204，用于从样本子序列和测试子序列中选取与样本子序列对应的第一目标数据和与测试子序列对应的第二目标数据；
建立模块205，用于根据第一目标数据和纵横交叉算法建立LSTM神经网络预测模型；
预测模块206，用于利用第二目标数据和LSTM神经网络预测模型进行负荷预测。
可见，本发明实施例公开的一种基于EEMD和LSTM的负荷预测装置，首先获取历史负荷数据，然后确定历史负荷数据中的样本数据和测试数据，其次，再基于EEMD对样本数据和测试数据均进行分解得到样本子序列和测试子序列，再从样本子序列中选取第一目标数据，从测试子序列中选取第二目标数据，根据第一目标数据和纵横交叉算法建立LSTM神经网络预测模型，利用第二目标数据和LSTM神经网络预测模型进行负荷预测。采用本方案，通过EEDM对样本数据和测试数据进行分解后，降低了历史负荷数据的高度非线性和非平稳性，再从分解得到的样本子序列中选取第一目标数据对LSTM神经网络进行训练以建立LSTM神经网络预测模型，建立LSTM神经网络预测模型后，再利用分解得到的第二目标数据和LSTM神经网络预测模型对负荷进行预测，不会因为负荷序列具有的高度非线性和非平稳性的复杂特性而对电力负荷的精确度产生影响，从而保证了电网运行调度的正常运行。
基于上述实施例，作为优选的实施例，还包括：
判断模块，用于判断LSTM神经网络预测模型的实际输出与LSTM神经网络预测模型的目标输出之间的偏差是否超过阈值，若是，则进入训练模块；
训练模块，用于训练样本对LSTM神经网络预测模型再次进行训练，直到训练后的LSTM神经网络预测模型的实际输出与LSTM神经网络预测模型的目标输出之间的偏差小于或等于阈值。
请参见图3，图3为本发明实施例公开的一种基于EEMD和LSTM的负荷预测设备结构示意图，该设备包括：
存储器301，用于存储预测程序；
处理器302，用于执行所述存储器中存储的预测程序以实现以上任一实施例提到的基于EEMD和LSTM的负荷预测方法的步骤。
需要说明的是，本发明实施例所公开的一种基于EEMD和LSTM的负荷预测设备具有如上任意一个实施例所具有的技术效果，本发明实施例在此不再赘述。
以上对本申请所公开的一种基于EEMD和LSTM的负荷预测方法、装置及设备进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本说明书中，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。
Claims (10)
1.一种基于EEMD和LSTM的负荷预测方法，其特征在于，包括：
获取历史负荷数据；
确定所述历史负荷数据中的样本数据和测试数据；
基于EEMD对所述样本数据和所述测试数据均进行分解得到样本子序列和测试子序列；
从所述样本子序列和所述测试子序列中选取与所述样本子序列对应的第一目标数据和与所述测试子序列对应的第二目标数据；
根据所述第一目标数据和纵横交叉算法建立LSTM神经网络预测模型；
利用所述第二目标数据和所述LSTM神经网络预测模型进行负荷预测。
2.根据权利要求1所述的基于EEMD和LSTM的负荷预测方法，其特征在于，所述基于EEMD对所述样本数据和所述测试数据均进行分解得到样本子序列和测试子序列包括：
在所述样本数据和所述测试数据中添加高斯白噪声；
将添加所述高斯白噪声的样本数据和测试数据进行分解得到样本IMF分量、测试IMF分量、样本残差和测试残差；
判断所述样本残差是否小于第一阈值，若是，则停止分解；
若否，则继续分解所述样本残差直到最终的样本残差小于所述第一阈值；
判断所述测试残差是否小于第二阈值，若是，则停止分解；
若否，则对所述测试残差继续分解直到最终的测试残差小于所述第二阈值；
其中，所述样本子序列包含多个样本IMF分量和所述最终的样本残差，所述测试子序列包含多个测试IMF分量和所述最终的测试残差。
3.根据权利要求1或2所述的基于EEMD和LSTM的负荷预测方法，其特征在于，所述从所述样本子序列和所述测试子序列中选取与所述样本子序列对应的第一目标数据和与所述测试子序列对应的第二目标数据包括：
判断所述样本子序列中的各样本IMF分量与添加高斯白噪声的样本数据的第一相关性是否达到第一预设条件；
若是，则将所述第一相关性达到所述第一预设条件的样本IMF分量作为所述第一目标数据；
判断所述测试子序列中的各测试IMF分量与添加高斯白噪声的测试数据的第二相关性是否达到所述第一预设条件；
若是，则将所述第二相关性达到所述第一预设条件的测试IMF分量作为所述第二目标数据。
4.根据权利要求3所述的基于EEMD和LSTM的负荷预测方法，其特征在于，所述根据所述第一目标数据和纵横交叉算法建立LSTM神经网络预测模型包括：
确定所述第一目标数据中各样本IMF分量的数据量；
根据所述第一目标数据中各样本IMF分量的数据量确定与所述第一目标数据中各样本IMF分量对应的初始LSTM神经网络模型；
将所述第一目标数据中各样本IMF分量作为与所述第一目标数据中各样本IMF分量对应的初始LSTM神经网络模型的输入；
利用所述纵横交叉算法对各所述初始LSTM神经网络模型进行训练以建立与各所述初始LSTM神经网络模型对应的LSTM神经网络预测模型。
5.根据权利要求4所述的基于EEMD和LSTM的负荷预测方法，其特征在于，所述利用所述纵横交叉算法对各所述初始LSTM神经网络模型进行训练的训练过程具体为：
对所述初始LSTM神经网络模型的待优化粒子进行编码并产生初始种群；
计算所述初始种群中各编码粒子的适应度；
根据各所述编码粒子的适应度对各所述编码粒子进行横向交叉和纵向交叉得到种群矩阵；
计算所述种群矩阵中每个粒子的适应度并选取满足第二预设条件的粒子作为子代种群中的个体；
重复上述步骤直到迭代次数超过最大迭代次数时停止迭代以完成对所述初始LSTM神经网络的训练。
6.根据权利要求4所述的基于EEMD和LSTM的负荷预测方法，其特征在于，所述利用所述第二目标数据和所述LSTM神经网络预测模型进行负荷预测包括：
将所述第二目标数据作为各所述LSTM神经网络预测模型的输入；
获取各所述LSTM神经网络预测模型输出层的预测值；
将各所述预测值进行叠加得到实际负荷预测结果。
7.根据权利要求4-6任意一项所述的基于EEMD和LSTM的负荷预测方法，其特征在于，在所述利用所述第二目标数据和所述LSTM神经网络预测模型进行负荷预测之后，还包括：
判断所述LSTM神经网络预测模型的实际输出与所述LSTM神经网络预测模型的目标输出之间的偏差是否超过阈值；
若是，则利用所述训练样本对所述LSTM神经网络预测模型再次进行训练，直到训练后的所述LSTM神经网络预测模型的实际输出与所述LSTM神经网络预测模型的目标输出之间的偏差小于或等于所述阈值。
8.一种基于EEMD和LSTM的负荷预测装置，其特征在于，包括：
获取模块，用于获取历史负荷数据；
确定模块，用于确定所述历史负荷数据中的样本数据和测试数据；
分解模块，用于基于EEMD对所述样本数据和所述测试数据均进行分解得到样本子序列和测试子序列；
选取模块，用于从所述样本子序列和所述测试子序列中选取与所述样本子序列对应的第一目标数据和与所述测试子序列对应的第二目标数据；
建立模块，用于根据所述第一目标数据和纵横交叉算法建立LSTM神经网络预测模型；
预测模块，用于利用所述第二目标数据和所述LSTM神经网络预测模型进行负荷预测。
9.根据权利要求8所述的基于EEMD和LSTM的负荷预测装置，其特征在于，还包括：
判断模块，用于判断所述LSTM神经网络预测模型的实际输出与所述LSTM神经网络预测模型的目标输出之间的偏差是否超过阈值，若是，则进入训练模块；
训练模块，用于利用所述训练样本对所述LSTM神经网络预测模型再次进行训练，直到训练后的所述LSTM神经网络预测模型的实际输出与所述LSTM神经网络预测模型的目标输出之间的偏差小于或等于所述阈值。
10.一种基于EEMD和LSTM的负荷预测设备，其特征在于，包括：
存储器，用于存储预测程序；
处理器，用于执行所述存储器中存储的预测程序以实现如权利要求1至7任一项所述的基于EEMD和LSTM的负荷预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810783314.1A CN108985514A (zh) | 2018-07-17 | 2018-07-17 | 基于eemd和lstm的负荷预测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810783314.1A CN108985514A (zh) | 2018-07-17 | 2018-07-17 | 基于eemd和lstm的负荷预测方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108985514A true CN108985514A (zh) | 2018-12-11 |
Family
ID=64549880
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810783314.1A Pending CN108985514A (zh) | 2018-07-17 | 2018-07-17 | 基于eemd和lstm的负荷预测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108985514A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135637A (zh) * | 2019-05-13 | 2019-08-16 | 武汉科技大学 | 基于长短期记忆与自适应提升的微电网短期负荷预测方法 |
| CN110381523A (zh) * | 2019-06-17 | 2019-10-25 | 盐城吉大智能终端产业研究院有限公司 | 一种基于tvf-emd-lstm模型的蜂窝基站网络流量预测方法 |
| CN110555515A (zh) * | 2019-08-22 | 2019-12-10 | 南京信大气象科学技术研究院有限公司 | 一种基于eemd和lstm的短期风速预测方法 |
| CN110659442A (zh) * | 2019-09-23 | 2020-01-07 | 珠海格力电器股份有限公司 | 系统及其数据短期预测方法和装置、存储介质 |
| CN111461462A (zh) * | 2020-04-29 | 2020-07-28 | 南京工程学院 | 基于TrellisNet-LSTM的日负荷预测方法 |
| CN111652701A (zh) * | 2020-05-29 | 2020-09-11 | 蚌埠学院 | 一种基于融合神经网络的个人信用评估方法及系统 |
| CN111815065A (zh) * | 2020-07-21 | 2020-10-23 | 东北大学 | 基于长短时记忆神经网络的短期电力负荷预测方法 |
| CN112330079A (zh) * | 2021-01-07 | 2021-02-05 | 四川大汇大数据服务有限公司 | 地表信息预测方法及装置 |
| CN112561186A (zh) * | 2020-12-22 | 2021-03-26 | 上海电机学院 | 一种短期电力负荷的预测方法 |
| CN112990587A (zh) * | 2021-03-24 | 2021-06-18 | 北京市腾河智慧能源科技有限公司 | 一种对台区用电进行精准预测的方法及系统、设备、介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408529A (zh) * | 2014-11-21 | 2015-03-11 | 广东工业大学 | 电网短期负荷预测方法 |
| CN107256439A (zh) * | 2017-06-01 | 2017-10-17 | 常州英集动力科技有限公司 | 联合eemd与神经网络的短期负荷预测方法及系统 |
| CN107516150A (zh) * | 2017-08-25 | 2017-12-26 | 广东工业大学 | 一种短期风电功率的预测方法、装置及系统 |
| CN108256697A (zh) * | 2018-03-26 | 2018-07-06 | 电子科技大学 | 一种用于电力系统短期负荷的预测方法 |
-
2018
- 2018-07-17 CN CN201810783314.1A patent/CN108985514A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408529A (zh) * | 2014-11-21 | 2015-03-11 | 广东工业大学 | 电网短期负荷预测方法 |
| CN107256439A (zh) * | 2017-06-01 | 2017-10-17 | 常州英集动力科技有限公司 | 联合eemd与神经网络的短期负荷预测方法及系统 |
| CN107516150A (zh) * | 2017-08-25 | 2017-12-26 | 广东工业大学 | 一种短期风电功率的预测方法、装置及系统 |
| CN108256697A (zh) * | 2018-03-26 | 2018-07-06 | 电子科技大学 | 一种用于电力系统短期负荷的预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| ，陈冬沣等: ""基于纵横交叉算法与 Elman 神经网络的短期负荷预测研究"", 《贵州电力技术》 * |
| XUEHENG QIU ETAL: ""Empirical Mode Decomposition based ensemble deep learning for load demand time series forecasting"", 《APPLIED SOFT COMPUTING》 * |
| 朱乔木 等: ""基于长短期记忆网络的风电场发电功率超短期预测"", 《电网技术》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135637A (zh) * | 2019-05-13 | 2019-08-16 | 武汉科技大学 | 基于长短期记忆与自适应提升的微电网短期负荷预测方法 |
| CN110381523B (zh) * | 2019-06-17 | 2023-04-07 | 盐城吉研智能科技有限公司 | 一种基于tvf-emd-lstm模型的蜂窝基站网络流量预测方法 |
| CN110381523A (zh) * | 2019-06-17 | 2019-10-25 | 盐城吉大智能终端产业研究院有限公司 | 一种基于tvf-emd-lstm模型的蜂窝基站网络流量预测方法 |
| CN110555515A (zh) * | 2019-08-22 | 2019-12-10 | 南京信大气象科学技术研究院有限公司 | 一种基于eemd和lstm的短期风速预测方法 |
| CN110659442A (zh) * | 2019-09-23 | 2020-01-07 | 珠海格力电器股份有限公司 | 系统及其数据短期预测方法和装置、存储介质 |
| CN110659442B (zh) * | 2019-09-23 | 2023-09-08 | 珠海格力电器股份有限公司 | 系统及其数据短期预测方法和装置、存储介质 |
| CN111461462A (zh) * | 2020-04-29 | 2020-07-28 | 南京工程学院 | 基于TrellisNet-LSTM的日负荷预测方法 |
| CN111461462B (zh) * | 2020-04-29 | 2023-11-21 | 南京工程学院 | 基于TrellisNet-LSTM的日负荷预测方法 |
| CN111652701A (zh) * | 2020-05-29 | 2020-09-11 | 蚌埠学院 | 一种基于融合神经网络的个人信用评估方法及系统 |
| CN111815065B (zh) * | 2020-07-21 | 2023-08-29 | 东北大学 | 基于长短时记忆神经网络的短期电力负荷预测方法 |
| CN111815065A (zh) * | 2020-07-21 | 2020-10-23 | 东北大学 | 基于长短时记忆神经网络的短期电力负荷预测方法 |
| CN112561186A (zh) * | 2020-12-22 | 2021-03-26 | 上海电机学院 | 一种短期电力负荷的预测方法 |
| CN112330079B (zh) * | 2021-01-07 | 2021-03-26 | 四川大汇大数据服务有限公司 | 地表信息预测方法及装置 |
| CN112330079A (zh) * | 2021-01-07 | 2021-02-05 | 四川大汇大数据服务有限公司 | 地表信息预测方法及装置 |
| CN112990587A (zh) * | 2021-03-24 | 2021-06-18 | 北京市腾河智慧能源科技有限公司 | 一种对台区用电进行精准预测的方法及系统、设备、介质 |
| CN112990587B (zh) * | 2021-03-24 | 2023-10-24 | 北京市腾河智慧能源科技有限公司 | 一种对台区用电进行精准预测的方法及系统、设备、介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108985514A (zh) | 基于eemd和lstm的负荷预测方法、装置及设备 | |
| US20210278825A1 (en) | Real-Time Production Scheduling with Deep Reinforcement Learning and Monte Carlo Tree Research | |
| Bayram et al. | Comparison of multi layer perceptron (MLP) and radial basis function (RBF) for construction cost estimation: the case of Turkey | |
| CN107622329A (zh) | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 | |
| Jiang et al. | Day-ahead prediction of bihourly solar radiance with a Markov switch approach | |
| Zhaoyu et al. | The application of the PSO based BP network in short-term load forecasting | |
| CN109063902A (zh) | 一种短期负荷预测方法、装置、设备及存储介质 | |
| CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
| CN112700057B (zh) | 一种基于模块化循环神经网络的电力负荷预测方法 | |
| Senties et al. | Multiobjective scheduling for semiconductor manufacturing plants | |
| CN110232444A (zh) | 地质监测bp神经网络的优化方法、装置、设备及存储介质 | |
| CN108093085A (zh) | 一种大数据系统实时服务参数自适应调整方法 | |
| Kaveh et al. | Feasibility of PSO-ANFIS-PSO and GA-ANFIS-GA models in prediction of peak ground acceleration | |
| CN111898867A (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
| Xu et al. | A Nonlinear Multiobjective Bilevel Model for Minimum Cost Network Flow Problem in a Large‐Scale Construction Project | |
| Adnan et al. | New Artificial Neural Network and Extended Kalman Filter hybrid model of flood prediction system | |
| Wu et al. | Automatic fuzzy model identification for short-term load forecast | |
| CN109543879A (zh) | 基于神经网络的负荷预测方法及装置 | |
| CN117114190B (zh) | 一种基于混合深度学习的河道径流预测方法及设备 | |
| CN116822722A (zh) | 水位预测方法、系统、装置、电子设备及介质 | |
| Wai et al. | Short-term load forecasting via fuzzy neural network with varied learning rates | |
| Bouaziz et al. | Extended immune programming and opposite-based PSO for evolving flexible beta basis function neural tree | |
| CN106096761A (zh) | 一种基于神经网络的建筑负荷预测方法及装置 | |
| Jaisiva et al. | Real Time Investigation on Congestion Forecasting in De-regulated Power Markets using Artificial Neural Network | |
| Zufiria et al. | A neural network approach for generating solar irradiation artificial series |
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: 20181211 |