CN109214610B - 一种基于长短期记忆神经网络的饱和电力负荷预测方法 - Google Patents
一种基于长短期记忆神经网络的饱和电力负荷预测方法 Download PDFInfo
- Publication number
- CN109214610B CN109214610B CN201811368855.4A CN201811368855A CN109214610B CN 109214610 B CN109214610 B CN 109214610B CN 201811368855 A CN201811368855 A CN 201811368855A CN 109214610 B CN109214610 B CN 109214610B
- Authority
- CN
- China
- Prior art keywords
- predicted
- neural network
- long
- term memory
- equilibrium value
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 41
- 229920006395 saturated elastomer Polymers 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000006403 short-term memory Effects 0.000 title claims abstract description 10
- 230000007787 long-term memory Effects 0.000 title claims abstract description 9
- 230000015654 memory Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000013213 extrapolation Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明涉及一种基于长短期记忆神经网络的饱和电力负荷预测方法，包括：步骤一，设置饱和负荷的影响因素和预测场景；步骤二，构建长短期记忆神经网络预测模型，以训练优化好的长短期记忆神经网络预测模型对待预测区域进行饱和电力负荷预测，获得不同预测场景下所述待预测区域的电力负荷饱和时间与饱和规模。与现有技术相比，本发明具有满足负荷时序连续性与影响因素对负荷影响的时延性要求等优点。
Description
技术领域
本发明涉及一种电力系统负荷预测技术，尤其是涉及一种基于长短期记忆神经网络的饱和电力负荷预测方法。
背景技术
饱和电力负荷预测是指对区域用电负荷进入饱和的时间与饱和用电规模的预测。电力负荷饱和规模与饱和时间受多种因素的影响，包括区域人口、经济特征等。饱和负荷规模与饱和时间是电网远期规划目标的依据，同时对协调近期电网建设有重要意义。
传统饱和电力负荷预测方法包括：采用改进K-均值聚类算法进行负荷分级后用Logistic曲线预测饱和负荷的方法；采用改进的灰色Verhulst模型对饱和负荷进行预测的方法。针对传统饱和负荷预测模型多具有固定模板与参数对非线性的负荷及关联因素预测能力有限的问题，有研究指出将机器学习方法应用于负荷预测，提出了采用粒子群优化的并行膜支持向量机电力负荷预测方法；另有研究提出基于粒子群优化的BP人工神经网络短期负荷预测方法。这些研究并没有考虑负荷时序连续性和关联因素影响的延迟特性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于长短期记忆神经网络的饱和电力负荷预测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于长短期记忆神经网络的饱和电力负荷预测方法，包括：
步骤一，设置饱和负荷的影响因素和预测场景；
步骤二，构建长短期记忆神经网络预测模型，以训练优化好的长短期记忆神经网络预测模型对待预测区域进行饱和电力负荷预测，获得不同预测场景下所述待预测区域的电力负荷饱和时间与饱和规模。
进一步地，所述影响因素包括人口、GDP、人均GDP、二产占比、三产占比和城镇化率。
进一步地，所述步骤一中，利用Logistic曲线模型进行人口、城镇人口和GDP的外推预测，获得对应的预测均衡值，从而预测各影响因素的发展情况。
进一步地，所述预测场景根据人口、GDP和三产占比与设置的预测均衡值的关系进行分类，具体地：
人口高于预测均衡值2％、GDP高于预测均衡值4％、三产占比低于预测均衡值2％时设置为场景1；
人口高于预测均衡值2％、GDP高于预测均衡值4％、三产占比高于预测均衡值2％时设置为场景2；
人口为预测均衡值2％、GDP为预测均衡值4％、三产占比为预测均衡值2％时设置为场景3；
人口低于预测均衡值2％、GDP低于预测均衡值4％、三产占比低于预测均衡值2％时设置为场景4；
人口低于预测均衡值2％、GDP低于预测均衡值4％、三产占比高于预测均衡值2％时设置为场景5。
进一步地，所述步骤二具体包括以下步骤：
201)采集待预测区域的历史数据，形成样本集；
202)在Python环境下利用Keras库搭建长短期记忆神经网络预测模型，该建长短期记忆神经网络预测模型具有用于储存历史信息且随时间更新的记忆单元；
203)利用Adam算法训练优化所述长短期记忆神经网络预测模型；
204)在不同预测场景下，利用优化后的长短期记忆神经网络预测模型进行电力负荷预测，并根据饱和负荷判据，得到所述待预测区域的电力负荷饱和时间与饱和规模。
进一步地，所述步骤201)中，历史数据包括历史用电量数据和各影响因素数据。
进一步地，所述步骤201)中，对历史数据进行归一化后形成样本集，所述样本集包括训练样本集和测试样本集。
进一步地，所述饱和负荷判据包括连续5年用电量增长率小于2％、人口增长率小于0.65％、三产占比大于65％或城镇化率大于70％。
本发明基于长短期记忆神经网络进行饱和电力负荷预测，利用长短期记忆神经网络的长期记忆单元与可遗忘机制保存和更新历史用电信息，构建多输入的长短期记忆神经网络饱和电力负荷预测模型；选取人口、经济等影响因素作为网络模型输入量，采用Python环境下Keras库中的Adam优化算法训练网络模型，并设置多种场景，运用优化后的模型进行饱和电力负荷预测，结合饱和判据得到最终的电力负荷饱和时间与规模。
与现有技术相比，本发明具有以如下有益效果：
(1)本发明构建长短期记忆神经网络预测模型进行饱和电力负荷预测，该模型具有长期的随时间进行更新的记忆单元，能够储存历史的信息，满足了负荷时序连续性与影响因素对负荷影响的时延性要求；
(2)本发明构建的长短期记忆神经网络预测模型对输入因素的关联度要求相对较低，在输入因素兼容能力和预测结果精度上具有一定的优越性；
(3)本发明根据影响因素设置不同预测场景，在不同预测场景下进行饱和电力负荷预测，有效提高预测有效性；
(4)本发明可通过多种饱和负荷判据进行饱和负荷预测，满足多种预测需求。
附图说明
图1为本发明的流程示意图；
图2为本发明实施例中长短期记忆神经网络的结构示意图；
图3为本发明实施例中长短期记忆神经网络计算单元的结构示意图；
图4为本发明实施例中五种场景下的饱和用电量预测结果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本发明提供一种基于长短期记忆神经网络的饱和电力负荷预测方法，如图1所示，包括以下步骤：
步骤一：选取影响因素与设置预测场景，每个场景中的影响因素取值不同。该步骤中，选取人口、GDP、人均GDP、二产占比、三产占比和城镇化率作为影响因素，通过Logistic曲线模型对人口、城镇人口和GDP进行外推预测，按人口、GDP、三产占比与该三者的预测值(记为预测均衡值)的不同设置场景；具体包括如下过程：
步骤S101，分析选取影响饱和负荷水平的主要因素，选取影响饱和负荷水平的主要因素为人口、GDP、人均GDP、二产占比、三产占比和城镇化率；
步骤S102，预测影响因素的发展情况：
利用Logistic曲线模型进行人口、城镇人口和GDP的外推预测，Logistic曲线模型方程为：
式中，a＞0，b＞0，k＜0，c为常数项；
城镇化率通过计算城镇人口与人口的比值得出；
人均GDP通过计算GDP与人口的比值得到；
步骤S103，按影响因素对未来设置多场景，具体为：
经济社会高速发展即人口高于预测均衡值2％、GDP高于预测均衡值4％、三产占比低于预测均衡值2％时设置为场景1；
经济社会高速发展即人口高于预测均衡值2％、GDP高于预测均衡值4％、三产占比高于预测均衡值2％时设置为场景2；
经济社会平稳发展即人口为预测均衡值2％、GDP为预测均衡值4％、三产占比为预测均衡值2％时设置为场景3；
经济社会低速发展即人口低于预测均衡值2％、GDP低于预测均衡值4％、三产占比低于预测均衡值2％时设置为场景4；
经济社会低速发展即人口低于预测均衡值2％、GDP低于预测均衡值4％、三产占比高于预测均衡值2％时设置为场景5。
步骤二：构建长短期记忆神经网络预测模型，以训练优化好的长短期记忆神经网络预测模型对待预测区域进行饱和电力负荷预测，获得不同预测场景下所述待预测区域的电力负荷饱和时间与饱和规模。在Python环境下，利用Keras库搭建长短期记忆神经网络预测模型，使用Adam优化算法训练得到优化模型，运用优化后的模型输入不同场景数据(即影响因素的不同设置值)进行计算，输出结果即为饱和电力负荷预测值，结合饱和判据得到最终的电力负荷饱和时间与规模。
步骤二具体包括如下过程：
步骤S201，收集待预测地区的历史用电量数据和影响因素数据，包括待预测地区能查阅到的历史每一年的用电量、人口、GDP、二产占比、三产占比数据；
步骤S202，将数据进行归一化处理后构建训练和测试样本集，采用min-max方法进行归一化处理，将处理后的数据按年份分成两部分后分别构建训练和测试样本集，min-max归一化方程为：
式中：x*为归一化后的结果；x为输入的数值；xmax为该类样本集中x的最大值；xmin为该类样本集中x的最小值；
步骤S203，在Python环境下利用Keras库搭建长短期记忆神经网络预测模型，长短期记忆神经网络的结构示意图如图3所示；
步骤S204，设置模型参数，输入训练样本集后采用Adam算法优化模型，设置基础的1个隐藏层，使用Adam优化方式训练50轮后获得优化后的长短期记忆神经网络预测模型；
步骤S205，输入测试样本集验证模型的有效性，利用预测的影响因素数据进行饱和电力负荷预测；
步骤S206，根据饱和负荷判据，得到最后的饱和时间与饱和规模，其中：饱和判据为连续5年用电量增长率小于2％、人口增长率小于0.65％、三产占比大于65％或城镇化率大于70％。
下面给出具体的实施例来说明本发明的具体实施过程：
选取我国某省1995-2016年用电量和六大影响因素数据，根据步骤S102，利用Logistic曲线方程对人口、城镇人口和GDP进行外推预测；
根据步骤S202，将1995-2012年用电量和六大影响因素数据作为训练样本集，2013-2016年数据作为测试样本集；
根据步骤S202，将1995-2016年用电量和六大影响因素数据采用min-max方法进行归一化处理，将1995-2012年用电量和六大影响因素数据作为训练样本集，2013-2016年数据作为测试样本集；
根据步骤S205，按照步骤S103中设置的场景，运用优化后的长短期记忆神经网络预测模型外推计算得到未来的用电量，预测结果如图4所示；
根据S206中的饱和负荷判据，得到饱和时间和饱和规模分别如表1和表2所示：
表1五种场景下的饱和时间
| 指标 | 场景1 | 场景2 | 场景3 | 场景4 | 场景5 |
| 连续5年用电量增长率<2％ | 2032 | 2031 | 2031 | 2031 | 2031 |
| 人口增长率<0.65％ | 2011 | 2011 | 2011 | 2011 | 2011 |
| 三产占比>65％ | 2041 | 2040 | 2040 | 2041 | 2040 |
| 城镇化率>70％ | 2018 | 2018 | 2018 | 2018 | 2018 |
由表1可知，场景1和场景4下的饱和时间为2041年，场景2、场景3和场景5下的饱和时间为2040年；
表2五种场景下的饱和规模
由表2可知，场景1下的饱和用电量规模为8381亿千瓦时，场景2下的饱和用电量规模为8078亿千瓦时，场景3下的饱和用电量规模为8065亿千瓦时，场景4下的饱和用电量规模为8050亿千瓦时，场景5下的饱和用电量规模为7843亿千瓦时。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (5)
1.一种基于长短期记忆神经网络的饱和电力负荷预测方法，其特征在于，包括：
步骤一，设置饱和负荷的影响因素和预测场景；
步骤二，构建长短期记忆神经网络预测模型，以训练优化好的长短期记忆神经网络预测模型对待预测区域进行饱和电力负荷预测，获得不同预测场景下所述待预测区域的电力负荷饱和时间与饱和规模；
所述影响因素包括人口、GDP、人均GDP、二产占比、三产占比和城镇化率，利用Logistic曲线模型进行人口、城镇人口和GDP的外推预测，获得对应的预测均衡值，从而预测各影响因素的发展情况；
所述预测场景根据人口、GDP和三产占比与设置的预测均衡值的关系进行分类，具体地：
人口高于预测均衡值2%、GDP高于预测均衡值4%、三产占比低于预测均衡值2%时设置为场景1；
人口高于预测均衡值2%、GDP高于预测均衡值4%、三产占比高于预测均衡值2%时设置为场景2；
人口为预测均衡值2%、GDP为预测均衡值4%、三产占比为预测均衡值2%时设置为场景3；
人口低于预测均衡值2%、GDP低于预测均衡值4%、三产占比低于预测均衡值2%时设置为场景4；
人口低于预测均衡值2%、GDP低于预测均衡值4%、三产占比高于预测均衡值2%时设置为场景5。
2.根据权利要求1所述的基于长短期记忆神经网络的饱和电力负荷预测方法，其特征在于，所述步骤二具体包括以下步骤：
201）采集待预测区域的历史数据，形成样本集；
202）在Python环境下利用Keras库搭建长短期记忆神经网络预测模型，该建长短期记忆神经网络预测模型具有用于储存历史信息且随时间更新的记忆单元；
203）利用Adam算法训练优化所述长短期记忆神经网络预测模型；
204）在不同预测场景下，利用优化后的长短期记忆神经网络预测模型进行电力负荷预测，并根据饱和负荷判据，得到所述待预测区域的电力负荷饱和时间与饱和规模。
3.根据权利要求2所述的基于长短期记忆神经网络的饱和电力负荷预测方法，其特征在于，所述步骤201）中，历史数据包括历史用电量数据和各影响因素数据。
4.根据权利要求2所述的基于长短期记忆神经网络的饱和电力负荷预测方法，其特征在于，所述步骤201）中，对历史数据进行归一化后形成样本集，所述样本集包括训练样本集和测试样本集。
5.根据权利要求2所述的基于长短期记忆神经网络的饱和电力负荷预测方法，其特征在于，所述饱和负荷判据包括连续5年用电量增长率小于2%、人口增长率小于0.65%、三产占比大于65%或城镇化率大于70%。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811368855.4A CN109214610B (zh) | 2018-11-16 | 2018-11-16 | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811368855.4A CN109214610B (zh) | 2018-11-16 | 2018-11-16 | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109214610A CN109214610A (zh) | 2019-01-15 |
| CN109214610B true CN109214610B (zh) | 2022-05-31 |
Family
ID=64995739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811368855.4A Active CN109214610B (zh) | 2018-11-16 | 2018-11-16 | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109214610B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111415050B (zh) * | 2020-04-27 | 2023-12-05 | 新奥新智科技有限公司 | 短期负荷预测方法、短期负荷预测模型训练方法及装置 |
| CN113139672A (zh) * | 2020-05-07 | 2021-07-20 | 国网能源研究院有限公司 | 一种居民生活用电量预测方法 |
| CN116109011B (zh) * | 2023-04-10 | 2023-06-23 | 知鱼智联科技股份有限公司 | 一种智慧园区的能耗管理方法及终端 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101556464A (zh) * | 2009-05-22 | 2009-10-14 | 天津大学 | 基于关联规则的城市电力负荷预测模型自动推荐方法 |
| CN106952181A (zh) * | 2017-03-08 | 2017-07-14 | 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系统 |
| 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 |
| CN108416690A (zh) * | 2018-01-19 | 2018-08-17 | 中国矿业大学 | 基于深度lstm神经网络的电网负荷预测方法 |
-
2018
- 2018-11-16 CN CN201811368855.4A patent/CN109214610B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101556464A (zh) * | 2009-05-22 | 2009-10-14 | 天津大学 | 基于关联规则的城市电力负荷预测模型自动推荐方法 |
| CN106952181A (zh) * | 2017-03-08 | 2017-07-14 | 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系统 |
| 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 |
| CN108416690A (zh) * | 2018-01-19 | 2018-08-17 | 中国矿业大学 | 基于深度lstm神经网络的电网负荷预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109214610A (zh) | 2019-01-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | A short-term load forecasting method based on GRU-CNN hybrid neural network model | |
| Ding et al. | Research on using genetic algorithms to optimize Elman neural networks | |
| CN109214610B (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
| CN109800898A (zh) | 一种智能短期负荷预测方法及系统 | |
| CN109978253B (zh) | 一种基于增量学习的电力系统短期负荷预测方法 | |
| Gao et al. | Forecasting annual natural gas consumption via the application of a novel hybrid model | |
| Wang et al. | Forecasting the seasonal natural gas consumption in the US using a gray model with dummy variables | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| Akpinar et al. | Forecasting natural gas consumption with hybrid neural networks—Artificial bee colony | |
| CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
| Gilan et al. | Sustainable building design: A challenge at the intersection of machine learning and design optimization | |
| Tang et al. | Forecasting annual foreign tourist arrivals to China by incorporating firefly algorithm into fractional non-homogenous discrete Grey model | |
| Sun et al. | Short-term load forecasting model based on multi-label and BPNN | |
| Guo et al. | Wind speed forecasting of genetic neural model based on rough set theory | |
| CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
| Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises | |
| CN109359671B (zh) | 一种水电站水库调度规则的分类智能提取方法 | |
| Liu et al. | An intelligence optimized rolling grey forecasting model fitting to small economic dataset | |
| Xiong et al. | Prediction of China’s express business volume based on FGM (1, 1) model | |
| CN115528750A (zh) | 一种面向电网安全稳定的数据模型混合驱动机组组合方法 | |
| Abdelaziz et al. | Convolutional Neural Network With Genetic Algorithm for Predicting Energy Consumption in Public Buildings | |
| CN114372558A (zh) | 基于多模型融合的居民用电负荷预测方法、介质及设备 | |
| Dong et al. | Nontechnical loss detection of electricity based on neural architecture search in distribution power networks | |
| CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
| CN111507777A (zh) | 一种基于轻量级梯度提升算法预测电价的系统模型 |
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 |