CN109146191B - 一种基于泛蕴涵模型的短期电力负荷预测方法及系统 - Google Patents
一种基于泛蕴涵模型的短期电力负荷预测方法及系统 Download PDFInfo
- Publication number
- CN109146191B CN109146191B CN201811013987.5A CN201811013987A CN109146191B CN 109146191 B CN109146191 B CN 109146191B CN 201811013987 A CN201811013987 A CN 201811013987A CN 109146191 B CN109146191 B CN 109146191B
- Authority
- CN
- China
- Prior art keywords
- load
- prediction
- generalization
- implication model
- time
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012549 training Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 11
- 230000008878 coupling Effects 0.000 abstract description 8
- 238000010168 coupling process Methods 0.000 abstract description 8
- 238000005859 coupling reaction Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 description 7
- 238000013178 mathematical model Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
Images
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
- 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)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (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)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于泛蕴涵模型的短期电力负荷预测方法及系统。该方法是以当前负荷L(t)、当前平均负荷L_(t)、下一时刻平均负荷L_(t+1)为基本输入量,经步骤1:预处理、步骤2:泛化、步骤3:基于泛蕴涵模型的推理预测和步骤4:逆泛化,求得下一时刻的负荷预测y(t+1),通过时间窗口移动,下一时刻负荷预测y(t+1)作为当前负荷L(t+1),同时基于历史数据L_(t+1)和L_(t+2)预测出t+2时刻负荷y(t+2),……,如此进行下去,以完成一天24小时的短期电力负荷预测。本方法及系统在预测过程中考虑了基本输入量之间的天然耦合关系,具有类人和柔性化特点。
Description
技术领域
本发明涉及电力系统,尤指一种基于泛蕴涵模型的短期电力负荷预测方法及系统。
背景技术
随着经济的发展,电能已经成为我国举足轻重的能源之一。作为电力系统的一部分,短期电力负荷预测在电能调度过程中充当着重要角色。传统和现代人工智能预测法是短期电力负荷预测的常用方法,传统的预测法包括线性回归法、时间序列法等,它们采用数学表达式表述预测模型,但依赖精确的历史数据且建模辨识过程繁琐。现代人工智能预测则是以专家系统、模糊逻辑理论和神经网络为主,但目前的专家系统中的专家经验获取困难,神经网络则存在着训练时间长、泛化能力差、易陷入局部极值的缺陷,而模糊逻辑虽然具有真值柔性,但其在进行模糊推理时,并没有考虑模糊输入之间的天然耦合关系。由于现有技术存在上述缺点,因而急需研发一种对气象、电价等不确定性因素敏感,处理能力更强的短期电力负荷预测方法,以解决对电力负荷预测这类无法建立精确数学模型的预测的问题。
发明内容
为解决上述技术问题,本发明主要目的在于提供一种基于泛蕴涵模型的短期电力负荷预测方法,由于基于泛蕴涵模型的短期电力负荷预测方法的逻辑基础是泛逻辑,在预测过程中考虑了基本输入量之间的天然耦合关系,因而具有类人和柔性化特点;该方法对气象、电价等不确定性因素敏感,处理能力更强、更符合客观规律。
为实现上述目的,本发明提供了一种基于泛蕴涵模型的短期电力负荷预测方法,该方法是以当前负荷L(t)、当前平均负荷下一时刻平均负荷为基本输入量,经步骤1:预处理、步骤2:泛化、步骤3:基于泛蕴涵模型的推理预测和步骤4:逆泛化,求得下一时刻的负荷预测y(t+1),通过时间窗口移动,下一时刻负荷预测y(t+1)作为当前负荷L(t+1),预测出t+2时刻负荷y(t+2),……,如此进行下去,以完成预定时间(一般为24小时)的短期电力负荷预测。本发明的基于泛蕴涵模型的短期电力负荷预测方法的逻辑基础是泛逻辑,在预测过程中考虑了基本输入量之间的天然耦合关系,具有类人和柔性化特点。
其中较佳的,在步骤1的预处理中是通过预处理将基本输入量转化为系统输入量:根据当前负荷L(t),当前平均负荷下一时刻平均负荷为基本输入量,获得预测模型的输入量,即当前负荷x1=L(t),负荷变化和负荷变化趋势
其中较佳的,在步骤2的泛化中是通过泛化因子k1、k2和k3将系统输入量转化为泛蕴涵工作区间[0,1]上的对应量,泛化方法为x1'=k1x1,x2'=k2x2,x3'=k3x3。
其中较佳的,在步骤3基于泛蕴涵模型的推理预测中是基于三输入二阶泛蕴涵模型完成预测,获得预测值y',其计算方法如下:
其中,h1为零级泛蕴涵模型1的广义相关系数,h2零级泛蕴涵模型2的广义相关系数。
其中较佳的,在步骤4逆泛化中是将预测值y'逆泛化为负荷值变化区间的对应值y(t+1),逆泛化方法为y(t+1)=k4y'。
其中较佳的,该方法于预定时间(通常为24小时)的短期电力负荷预测是采用了时间窗口技术,即预测值y(t+1)输出给调度系统,进行时间窗口移动,y(t+1)作为t+1时刻的当前负荷L(t+1),基于步骤(1)-(4)预测t+2时刻的负荷值y(t+2),继续进行时间窗口移动,y(t+2)作为t+2时刻的当前负荷L(t+2),基于步骤(1)-(4)预测t+3时刻的负荷值y(t+3),……,如此进行下去,预测出该预定时间(较佳为一天24小时)所有整点时刻负荷值。
其中较佳的,该方法中是对预测系统中的所有参数采用遗传算法进行优化。
其中较佳的,所述遗传算法的训练样本从历史电力负荷数据中提取,每个样本是四元组(x1,x2,x3,y),各个元素分别表示某时刻的当前负荷x1=L(t)、负荷变化负荷变化趋势和下一时刻负荷y=L(t+1),适应值函数如下:
其中:m为训练样本个数;下标i表示相应参数来自于第i个训练样本;yout,i表示第i个训练样本的实际输出值;yi表示第i个训练样本的期望输出值,即样本四元组(x1,x2,x3,y)的最后一个数据;αi表示对第i个训练样本的关注度,αi∈[0,1]。
其中较佳的,当实际调度任务中尤其关注某个时刻的预测准确度时,给相应时刻对应的样本以更高的关注度,以提高精细化预测的要求。
本发明还提供了一种基于泛蕴涵模型的短期电力负荷预测的系统结构,其包括:预处理模块、泛化模块、二阶泛蕴涵模型模块、逆泛化模块和调度系统模块,其中,泛化模块、二阶泛蕴涵模型模块和逆泛化模块构成基于泛蕴涵模型的推理预测模块。推理预测模块接收预处理模块的输入量并将逆泛化后得到的预测值y(t+1)输出给调度系统,然后进行时间窗口移动。
借助上述方法及系统,本发明的一种基于泛蕴涵模型的短期电力负荷预测方法主要有如下之优点:
(1)该方法是基于泛逻辑学,而泛逻辑学是研究刚性逻辑学和柔性逻辑学共同规律的一门学科,支持各种逻辑形态和各种推理模式,由于引入了广义相关性和广义自相关性,使得其在处理不确定性推理问题时具有天然优势。因此,相对于回归预测法、时间序列法等依赖于精确历史数据的负荷预测方法,本发明是基于泛蕴涵模型的短期电力负荷预测方法,其对气象、电价等不确定性因素敏感,处理能力更强。
(2)本发明采用的基于泛蕴涵模型的电力负荷预测方法,不需要建立精确的数学模型,因而适合于解决电力负荷预测这类无法建立精确数学模型的预测问题。
(3)基于模糊逻辑的电力负荷预测方法,通常只依赖于当前负荷、当前平均负荷和下一周期平均负荷等数据,而没有考虑这些数据之间的天然耦合关系,而在本发明中,基于泛蕴涵模型的短期电力负荷预测方法通过引入广义相关性把基本输入数据之间的天然联系引入预测过程,更符合客观规律。
附图说明
图1本发明的基于泛蕴涵模型的短期电力负荷预测系统结构图;
图2本发明的基于泛蕴涵模型的短期电力负荷预测系统的预测模型。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案做进一步具体的说明。
一种基于泛蕴涵模型的短期电力负荷预测方法,该方法以当前负荷、当前平均负荷、下一时刻平均负荷为基本输入量,基本输入量经预处理、泛化、基于泛蕴涵模型的推理和逆泛化几个步骤,实现短期电力负荷预测。
该预测方法在每一个预测窗口完成的主要工作有:
(2)泛化,对x1、x2和x3分别采用对应的泛化因子进行泛化,使其成为[0,1]区间的对应量x1'、x2'和x3'。
(3)基于泛蕴涵模型的推理预测,采用二阶泛蕴涵模型实现对x1'、x2'和x3'的泛蕴涵运算,得到[0,1]区间的负荷预测结果y'。
(4)逆泛化,采用逆泛化因子实现对y'的逆泛化,得到实际运行区间的负荷量有效预测值y(t+1)。
为降低预测复杂度,本具体实施例中采用了时间窗口的移动技术,即,获得t+1时刻的负荷预测值y(t+1)后,将其作为已知量L(t+1),用于t+2时刻负荷值y(t+2)的预测,获得t+2时刻的负荷预测值y(t+2)后,将其作为已知量L(t+2),用于t+3时刻负荷值y(t+3)的预测,……,如此进行下去,直到产生全部未来24小时的负荷预测。在实际预测任务中,可以每小时进行一次未来24小时负荷的全部预测,供调度系统实时使用。
预测过程中用到的关键参数,如各泛蕴涵模型的泛化因子、广义相关系数和逆泛化因子等,可采用遗传算法进行优化。
现有的电力系统短期负荷预测主要受星期类型,气象因素(温度、湿度、降雨量)和电价等因素的影响,预测过程包含大量不确定性因素,而本发明的基于泛蕴涵模型的短期电力负荷预测方法是以泛逻辑学为逻辑基础的,逻辑体系中的真值、推理模式、量词等都具有柔性特征,在处理具有大量不确定性因素的预测问题时较经典预测方法更有优势,而且在预测过程中,充分考虑了系统输入量之间的天然耦合关系,因此可以具有更好的预测效果和精度。
由上可知,本发明的基于泛蕴涵模型的短期电力负荷预测方法具有如下特点:
(1)基于泛蕴涵模型的短期电力负荷预测方法的计算核心是泛蕴涵模型,它是泛逻辑学中一种柔性连接词运算模型。从预测方法的逻辑基础上看,该方法的逻辑基础是泛逻辑学,而基于模糊逻辑的电力负荷预测方法的逻辑基础是模糊逻辑,模糊逻辑具有真值柔性,而泛逻辑除具有真值柔性之外,还具备连接词柔性,即在预测过程中考虑到了预测系统输入量之间的天然耦合关系。
(2)预测过程无需建立精确的预测模型,适合解决电力负荷预测这种难以建立数学模型的问题。
(3)基于已有测量数据,基于遗传算法对预测方法中的关键参数进行优化,且优化过程中可以给更重视的预测时间以较高的关注度,提高预测的精细化需求,预测过程中,测量数据的扰动不会影响预测结果,该方法对不确定性的处理能力强。
本发明的系统结构与及其预测步骤如下:
如图1所示,为本发明的基于泛蕴涵模型的短期电力负荷预测系统结构图。
该系统结构图中各模块主要功能及预测步骤如下:
(1)预处理:根据系统当前时刻t的负荷L(t),当前时刻t的历史平均负荷下一时刻t+1的历史平均负荷计算预测模型输入量x1、x2和x3,三个输入量分别表示当前负荷,负荷变化,以及负荷变化趋势,具体计算公式如下:
x1=L(t)
其中,历史平均负荷取过去4周同类型日(星期类型)同一时刻的负荷的平均值。例如,待预测日为周一,当t=0时,指过去4周周一0时负荷的平均值;如果过去4周同类型日中的某一天正好是节日,则再向前取一周的数据;如果当前处于节日,则取前4个节日t时刻的数据。保证对正常日和特殊日的负荷都能有效预测。
(2)泛化:采用泛化因子k1、k2和k3对输入量进行泛化,将输入量x1、x2和x3转化为泛蕴涵模型工作区间[0,1]上的相应量x1'、x2'和x3',泛化方法如下:
x1'=k1x1
x2'=k2x2`
x3'=k3x3
(3)基于泛蕴涵模型的推理预测:基于三输入的二阶泛蕴涵模型完成预测,预测模型如图2所示。
其中,h1和h2为零级泛蕴涵模型1和零级泛蕴涵模型2的广义相关系数,分别表示变量x1'、x2'之间的关系,零级泛蕴涵模型1输出y1'、x3'之间的关系,反映了当前负荷、负荷变化、以及负荷变化趋势之间的耦合关系。
由于零级泛蕴涵模型的表达式为I(x,y,h)=(min(1,1-xm+ym))1/m
m=(3-4h)/(4h(1-h)),h∈[0,1]
因此,图中各变量的计算公示如下所示:
(4)逆泛化:将二阶泛蕴涵模型的输出y'用逆泛化因子k4转化为电力负荷变化区间上的实际预测量,即下一时刻电力负荷的预测值y(t+1),逆泛化方法如下:
y(t+1)=k4y'
(5)时间窗口移动:将逆泛化后得到的预测值y(t+1)输出给调度系统,然后进行时间窗口移动,y(t+1)作为t+1时刻的当前负荷L(t+1),基于步骤(1)-(4)预测t+2时刻的负荷值y(t+2),继续进行时间窗口移动,y(t+2)作为t+2时刻的当前负荷L(t+2),基于步骤(1)-(4)预测t+3时刻的负荷值y(t+3),……,如此进行下去,直到预测出一天24小时所有整点时刻负荷值。
在实际预测任务中,可以每小时进行一次未来24小时的全部负荷预测,供调度系统实时使用。
为了进一步优化,本发明还公开了参数优化方法:
预测系统中的关键参数主要包括:预测系统各基本输入量的泛化因子k1、k2和k3,零级泛蕴涵模型1的广义相关系数h1,零级泛蕴涵模型2的广义相关系数h2,二阶泛蕴涵模型输出量y'的逆泛化因子k4,这些参数的优化基于遗传算法。
适应值函数如下式:
其中,m为训练样本个数;下标i表示相应参数来自于第i个训练样本;yout,i表示第i个训练样本的实际输出值;yi表示第i个训练样本的期望输出值,即样本四元组(x1,x2,x3,y)的最后一个数据;αi表示对第i个训练样本的关注度,αi∈[0,1],例如,当实际调度任务中尤其关注某个时刻的预测准确度时,可以给相应时刻对应的样本以更高的关注度,提高精细化预测的要求。
综上所述,本发明的一种基于泛蕴涵模型的短期电力负荷预测方法有如下之优点:
(1)该方法是基于泛逻辑学,而泛逻辑学是研究刚性逻辑学和柔性逻辑学共同规律的一门学科,支持各种逻辑形态和各种推理模式,其过引入广义相关性和广义自相关性,使得其在处理不确定性推理问题时具有天然优势。因此,相对于回归预测法、时间序列法等依赖于精确历史数据的负荷预测方法,本发明是基于泛蕴涵模型的短期电力负荷预测方法,其对气象、电价等不确定性因素敏感,处理能力更强。
(2)本发明采用的基于泛蕴涵模型的电力负荷预测方法,不需要建立精确的数学模型,因而适合于解决电力负荷预测这类无法建立精确数学模型的预测问题。
(3)基于模糊逻辑的电力负荷预测方法,通常只依赖于当前负荷、当前平均负荷和下一周期平均负荷等数据,而没有考虑这些数据之间的天然耦合关系,而在本发明中,基于泛蕴涵模型的短期电力负荷预测方法通过引入广义相关性把基本输入数据之间的天然联系引入预测过程,更符合客观规律。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解,依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于泛蕴涵模型的短期电力负荷预测方法,其特征在于,该方法是以当前负荷L(t)、当前平均负荷下一时刻平均负荷为基本输入量,经步骤1:预处理、步骤2:泛化、步骤3:基于泛蕴涵模型的推理预测和步骤4:逆泛化,求得下一时刻的负荷预测y(t+1),通过时间窗口移动,下一时刻负荷预测y(t+1)作为当前负荷L(t+1),同时基于历史数据和预测出t+2时刻负荷y(t+2),……,如此进行下去,以完成预定时间的短期电力负荷预测;
其中,在步骤2的泛化中是通过泛化因子k1、k2和k3将系统输入量转化为泛蕴涵模型工作区间[0,1]上的对应量,泛化方法为x1'=k1x1,x2'=k2x2,x3'=k3x3;在步骤3基于泛蕴涵模型的推理预测中是基于三输入二阶泛蕴涵模型完成预测,获得预测值y',其计算方法如下:
2.根据权利要求1所述的一种基于泛蕴涵模型的短期电力负荷预测方法,其特征在于,在步骤4逆泛化中是将预测值y'逆泛化为负荷值变化区间的对应值y(t+1),逆泛化方法为y(t+1)=k4y'。
3.根据权利要求1或2所述的一种基于泛蕴涵模型的短期电力负荷预测方法,其特征在于,该方法于预定时间的短期电力负荷预测是采用了时间窗口技术,即预测值y(t+1)输出给调度系统,进行时间窗口移动,y(t+1)作为t+1时刻的当前负荷L(t+1),基于步骤(1)-(4)预测t+2时刻的负荷值y(t+2),继续进行时间窗口移动,y(t+2)作为t+2时刻的当前负荷L(t+2),基于步骤(1)-(4)预测t+3时刻的负荷值y(t+3),……,如此进行下去,预测出该预定时间内所有整点时刻负荷值。
4.根据权利要求1或2所述的一种基于泛蕴涵模型的短期电力负荷预测方法,其特征在于,该方法中是对预测系统中的所有参数采用遗传算法进行优化。
6.一种基于泛蕴涵模型的短期电力负荷预测的系统,其特征在于,其包括:预处理模块、泛化模块、二阶泛蕴涵模型模块、逆泛化模块和调度系统模块,其中,泛化模块、二阶泛蕴涵模型模块和逆泛化模块构成基于泛蕴涵模型的推理预测模块,所述系统实现如权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811013987.5A CN109146191B (zh) | 2018-08-31 | 2018-08-31 | 一种基于泛蕴涵模型的短期电力负荷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811013987.5A CN109146191B (zh) | 2018-08-31 | 2018-08-31 | 一种基于泛蕴涵模型的短期电力负荷预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109146191A CN109146191A (zh) | 2019-01-04 |
CN109146191B true CN109146191B (zh) | 2020-12-11 |
Family
ID=64826204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811013987.5A Active CN109146191B (zh) | 2018-08-31 | 2018-08-31 | 一种基于泛蕴涵模型的短期电力负荷预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146191B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781947B (zh) * | 2019-10-22 | 2023-04-07 | 北京交通大学 | 用电负荷预测模型训练、用电负荷预测方法及装置 |
CN113139698A (zh) * | 2021-05-13 | 2021-07-20 | 国网山东省电力公司枣庄供电公司 | 负荷预测方法、装置及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318334A (zh) * | 2014-10-29 | 2015-01-28 | 上海工程技术大学 | 一种基于长相关farima模型的短期电力负荷预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050256831A1 (en) * | 2004-05-17 | 2005-11-17 | Chih-Lung Yang | Data query method employing an implication model and business dictionary |
-
2018
- 2018-08-31 CN CN201811013987.5A patent/CN109146191B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318334A (zh) * | 2014-10-29 | 2015-01-28 | 上海工程技术大学 | 一种基于长相关farima模型的短期电力负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109146191A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ke et al. | Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN111967688B (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN115169703A (zh) | 一种基于长短时记忆网络组合的短期电力负荷预测方法 | |
CN112396234A (zh) | 一种基于时域卷积神经网络的用户侧负荷概率预测方法 | |
CN109146191B (zh) | 一种基于泛蕴涵模型的短期电力负荷预测方法及系统 | |
CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
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 | |
CN114519471A (zh) | 一种基于时序数据周期性的用电负荷预测方法 | |
CN112348287A (zh) | 基于lstm分位数回归的电力系统短期负荷概率密度预测方法 | |
CN112288140A (zh) | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 | |
Sen | Time Series Prediction based on Improved Deep Learning | |
CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
CN113139698A (zh) | 负荷预测方法、装置及设备 | |
CN117494906A (zh) | 一种基于多元时间序列的天然气日负荷预测方法 | |
JPH11175503A (ja) | 時系列データ予測装置 | |
CN116402194A (zh) | 一种基于混合神经网络的多时间尺度负荷预测方法 | |
Cárdenas et al. | STLF in the user-side for an iEMS based on evolutionary training of Adaptive Networks | |
JP2001288782A (ja) | 配水量予測システム | |
CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
Sun et al. | Information entropy based neural network model for short-term load forecasting | |
CN114742258B (zh) | 可迁移的居民家庭用电负荷场景预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |