CN109242236A - 基于关联全连接神经网络和lstm的pmu一次调频负荷预测方法 - Google Patents

基于关联全连接神经网络和lstm的pmu一次调频负荷预测方法 Download PDF

Info

Publication number
CN109242236A
CN109242236A CN201810732495.5A CN201810732495A CN109242236A CN 109242236 A CN109242236 A CN 109242236A CN 201810732495 A CN201810732495 A CN 201810732495A CN 109242236 A CN109242236 A CN 109242236A
Authority
CN
China
Prior art keywords
data
neural network
value
load
lstm
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.)
Granted
Application number
CN201810732495.5A
Other languages
English (en)
Other versions
CN109242236B (zh
Inventor
姜策
杜丽媛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Map Mdt Infotech Ltd
Original Assignee
Xi'an Map Mdt Infotech Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xi'an Map Mdt Infotech Ltd filed Critical Xi'an Map Mdt Infotech Ltd
Priority to CN201810732495.5A priority Critical patent/CN109242236B/zh
Publication of CN109242236A publication Critical patent/CN109242236A/zh
Application granted granted Critical
Publication of CN109242236B publication Critical patent/CN109242236B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Neurology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Development Economics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，具体包括选取训练数据、验证数据，建立联合神经网络模型，训练联合神经网络模型，将预测样本集输入训练的联合神经网络模型；本发明的方法在超短期电力负荷预测中考虑了负荷和功率的历史数据之间的关联性，采用了LSTM神经网络和全连接神经网络相关联的结构，有效解决了长时依赖问题；本发明还具有算法较简单、运行时间短、预测精度高，为电网的稳定运行提供了坚实保障的优点。

Description

基于关联全连接神经网络和LSTM的PMU一次调频负荷预测 方法
技术领域
本发明属于智能电网控制与电力预测方法技术领域，具体涉及基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法。
背景技术
近年来，我国配电自动化水平的提高和智能配网建设的推进，为配电网复杂化的负荷预测提供了多方面的数据和技术支持。准确的负荷预测可以保证电力系统的稳定性和安全性，提高电网的经济效益和社会效益。
国内外学者已经提出很多关于负荷预测的方法，大致可分为三类：传统优化算法、启发式算法和人工智能算法。其中与负荷预测相关的人工智能算法主要包括小波分析法、遗传算法、模糊理论、支持向量机和人工神经网络等，它以其独特优点得到了广泛的研究。如贾辛淼在《基于小波分析的电力系统短期负荷预测的应用研究》中提出的小波神经网络预测模型，具有较短的学习训练时间和更好的精度；Lin和Tu等提出了粒子群算法优化的最小二乘支持向量机负荷预测模型；Hong等提出了一种用于短期负荷预测的模糊回归模型，该模型考虑了相关性因素。刘春霞等采用人工神经网络的非线性预测能力建立电力负荷预测模型，并利用遗传算法优化神经网络连接权值。
上述方法虽然已被证实在短期负荷预测领域里具有良好的表现，但仍存在一些不足：①支持向量机难以处理大规模训练样本；②小波变换算法通常难以与人工神经网络相结合；③模糊系统不具备自学习能力，模糊规则较多依赖专家经验；④由于城市核心区负荷受相关因素影响大，不同地区负荷呈现不同的规律性，预测方法鲁棒性差；⑤负荷影响因素分析粗糙等问题，导致负荷预测耗时长，预测精准度较差，实用性不强。人工神经网络能够处理海量信息输入，具有自适应自学习能力，在短期负荷预测问题中表现突出，因而成为本发明研究的重点。
发明内容
本发明的目的在于提供基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，能够建立适用性强、预测精度高的预测模型。
本发明采用的技术方案为，基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，具体按照以下步骤实施：
步骤1、将待预测目标的历史数据进行预处理，随机选取80％作为训练数据，20％作为验证数据，同时设置模型网络动态参数：数据批处理尺寸和数据移动窗口大小；
步骤2、以训练数据、验证数据作为输入组，构建模型网络，以LSTM神经网络为第一层，将第一层输出结果作为全连接层的输入构建神经网络，得到联合神经网络模型；
步骤3、将训练数据输入联合神经网络模型，得到训练数据模型输出结果output；将验证数据输入联合神经网络模型，得到验证数据模型输出结果output；
步骤4、通过训练样本集中负荷数据真实值和训练数据模型输出结果output构建损失函数loss，运用梯度优化器优化，并控制学习速度，根据梯度进行动态调整，使损失函数loss尽可能达到全局最优，得到已训练的联合神经网络模型；
同时根据验证样本集中的负荷数据真实值和验证数据模型输出结果output计算联合神经网络模型的预测精度值ACC；
步骤5、利用TensorFlow中Tensorboard将损失函数loss、预测精度值ACC界面实时动态展示；
步骤6、待预测样本集输入已训练的联合神经网络模型，得到预测数据。
本发明的特点还在于：
步骤1预处理是指对数据进行对比处理和归一化处理。
预处理具体过程为：
对原始数据纵向对比处理：将t时刻的负荷值与t-1～t-10区间内时刻的负荷值的数据进行对比，若负荷值没发生变化，则判断该数据为死区数据，进行剔除；
归一化处理：采用以下公式进行归一化
式(1)中，Lmax和Lmin分别为训练样本集中特征数据的最大值和最小值；Li为归一化前特征数值，为归一化后的特征数值。
步骤2具体过程为：
步骤2.1、以训练数据、验证数据作为输入组，建立LSTM神经网络，设定神经网络输入层神经元个数、状态值初始化、网络迭代次数、输入特征个数，输出迭代结果；
步骤2.2、将迭代结果作为输入建立全连接神经网络，设定输入层神经元个数、神经元激活函数、内核初始化、网络迭代次数、输出变量个数，得到联合神经网络模型。
步骤4损失函数loss为：
式中，为训练样本集中负荷数据的预测值，yi为训练样本集中负荷数据的真实值；n为预测值的个数。
步骤4计算联合神经网络模型的预测精度值ACC公式为：
式(3)中，为训练样本集中负荷数据的预测值，yi为训练样本集中负荷数据的真实值；m为预测值的个数。
本发明基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法有益效果是：
在超短期电力负荷预测中考虑了负荷和功率的历史数据之间的关联性，采用了LSTM神经网络和全连接神经网络相关联的结构，有效解决了长时依赖问题；本发明还具有算法较简单、运行时间短、预测精度高，为电网的稳定运行提供了坚实保障的优点。
附图说明
图1是本发明于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法流程图；
图2是本发明中联合神经网络结构示意图；
图3是本发明中的方法得到的预测结果与实际值的对比曲线图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，如图1所示，具体按照以下步骤实施：
步骤1、将待预测目标的历史数据进行预处理，随机选取80％作为训练数据，20％作为验证数据，同时设置模型网络动态参数：数据批处理尺寸和数据移动窗口大小；
预处理是指对数据进行对比处理和归一化处理；
具体过程为：
对原始数据纵向对比处理：将t时刻的负荷值与t-1～t-10区间内时刻的负荷值的数据进行对比，若负荷值没发生变化，则判断该数据为死区数据，进行剔除；
归一化处理：采用以下公式进行归一化
式(1)中，Lmax和Lmin分别为训练样本集中特征数据的最大值和最小值；Li为归一化前特征数值，为归一化后的特征数值。
步骤2、以训练数据、验证数据作为输入组，构建模型网络，以LSTM神经网络为第一层，将第一层输出结果作为全连接层的输入构建神经网络，得到联合神经网络模型；
具体过程为：
步骤2.1、以训练数据、验证数据作为输入组，建立LSTM神经网络，设定神经网络输入层神经元个数、状态值初始化、网络迭代次数、输入特征个数，输出迭代结果；
步骤2.2、将迭代结果作为输入建立全连接神经网络，设定输入层神经元个数、神经元激活函数、内核初始化、网络迭代次数、输出变量个数，得到联合神经网络模型。
步骤3、将训练数据输入联合神经网络模型，得到训练数据模型输出结果output；将验证数据输入联合神经网络模型，得到验证数据模型输出结果output；
步骤4、通过训练样本集中负荷数据真实值和训练数据模型输出结果output构建损失函数loss，运用梯度优化器优化，并控制学习速度，根据梯度进行动态调整，使损失函数loss尽可能达到全局最优，得到已训练的联合神经网络模型；
损失函数loss为：
式中，为训练样本集中负荷数据的预测值，yi为训练样本集中负荷数据的真实值；n为预测值的个数；
同时根据验证样本集中的负荷数据真实值和验证数据模型输出结果output计算联合神经网络模型的预测精度值ACC；
预测精度值ACC公式为：
式(3)中，为训练样本集中负荷数据的预测值，yi为训练样本集中负荷数据的真实值；m为预测值的个数。
步骤5、利用TensorFlow中Tensorboard将损失函数loss、预测精度值ACC界面实时动态展示；
步骤6、待预测样本集输入已训练的联合神经网络模型，得到预测数据。
实施例
本发明提供了一种基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，其步骤为：
将待预测目标的历史数据作为原始数据，经过数据纵向对比处理以及归一化后，把处理后的数据(x,y)选取80％作为训练数据(x_train,y_train)，剩余的20％(x_valid,y_valid)用来验证预测方法的准确性，设置：批尺寸batch_size为64和窗口大小window为30；
数据纵向对比处理方法如下：
将t时刻的负荷值与其前一个时刻的负荷值的数据进行对比，如果没有发生变化，则判断该数据为死区数据，进行剔除；
数据归一化采用最值法，公式如下：
式中，Lmax和Lmin分别为训练样本集中特征数据的最大值和最小值；Li、分别为归一化前、后的特征数值。其中负荷和频率的数据归一化公式分别为：
式中，230和170分别是负荷的上下限，频率的波动范围在48和52之间；
以训练数据、验证数据作为输入组，构建模型网络，其具体结构如图2中LSTM层所示；设定神经网络输入层神经元个数rnn_cell_num为3、状态值初始化_init_state为0、网络迭代次数rnn_cell_num为10、输入特征个数input_size为2；选取图2中LSTM层的最后一次迭代结果yc值作为输出，将该输出yc作为图2全连接层中dence1的输入，建立全连接神经网络，设定输入层神经元个数dence_cell_num为10、神经元激活函数activation为tensorflow.nn.relu、内核初始化kernel_initializer为tensorflow.glorot_uniform_initializer()、网络迭代次数dence_layer_num为3、输出变量个数output_size为1，得到联合神经网络模型。
将80％训练数据输入联合神经网络模型，得到训练数据模型输出结果output；将验证数据输入联合神经网络模型，得到验证数据模型输出结果output。
通过训练样本集中负荷数据真实值和训练数据模型输出结果output构建损失函数loss，运用梯度优化器优化，并控制学习速度，根据梯度进行动态调整，使损失函数loss尽可能达到全局最优，得到已训练的联合神经网络模型；
损失函数loss为：
式中，为训练样本集中负荷数据的预测值，yi为训练样本集中负荷数据的真实值；n为预测值的个数；
同时根据验证样本集中的负荷数据真实值和验证数据模型输出结果output计算联合神经网络模型的预测精度值ACC；
预测精度值ACC公式为：
式(3)中，为训练样本集中负荷数据的预测值，yi为训练样本集中负荷数据的真实值；m为预测值的个数。
设定训练次数n_epoch为100次，随机重排列整个训练集(x,y)，重新划分训练数据和验证数据，对联合神经网络模型重新训练。
待预测样本集输入已训练的联合神经网络模型，得到预测数据pred_y。
将预测数据pred_y与真实值real_y比较，结果如图3所示。
通过上述方式，由于本发明基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，在超短期电力负荷预测中考虑了负荷和功率的历史数据之间的关联性，采用了LSTM神经网络和全连接神经网络相关联的结构，有效解决了长时依赖问题；本发明还具有算法较简单、运行时间短、预测精度高，为电网的稳定运行提供了坚实保障的优点。

Claims (6)

1.基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，其特征在于，具体按照以下步骤实施：
步骤1、将待预测目标的历史数据进行预处理，随机选取80％作为训练数据，20％作为验证数据，同时设置模型网络动态参数：数据批处理尺寸和数据移动窗口大小；
步骤2、以训练数据、验证数据作为输入组，构建模型网络，以LSTM神经网络为第一层，将第一层输出结果作为全连接层的输入构建神经网络，得到联合神经网络模型；
步骤3、将训练数据输入联合神经网络模型，得到训练数据模型输出结果output；将验证数据输入联合神经网络模型，得到验证数据模型输出结果output；
步骤4、通过训练样本集中负荷数据真实值和训练数据模型输出结果output构建损失函数loss，运用梯度优化器优化，并控制学习速度，根据梯度进行动态调整，使损失函数loss尽可能达到全局最优，得到已训练的联合神经网络模型；
同时根据验证样本集中的负荷数据真实值和验证数据模型输出结果output计算联合神经网络模型的预测精度值ACC；
步骤5、利用TensorFlow中Tensorboard将损失函数loss、预测精度值ACC界面实时动态展示；
步骤6、待预测样本集输入已训练的联合神经网络模型，得到预测数据。
2.根据权利要求1所述基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，其特征在于，步骤1所述预处理是指对数据进行对比处理和归一化处理。
3.根据权利要求2所述基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，其特征在于，所述预处理具体过程为：
对原始数据纵向对比处理：将t时刻的负荷值与t-1～t-10区间内时刻的负荷值的数据进行对比，若负荷值没发生变化，则判断该数据为死区数据，进行剔除；
归一化处理：采用以下公式进行归一化
式(1)中，Lmax和Lmin分别为训练样本集中特征数据的最大值和最小值；Li为归一化前特征数值，为归一化后的特征数值。
4.根据权利要求1所述基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，其特征在于，步骤2具体过程为：
步骤2.1、以训练数据、验证数据作为输入组，建立LSTM神经网络，设定神经网络输入层神经元个数、状态值初始化、网络迭代次数、输入特征个数，输出迭代结果；
步骤2.2、将迭代结果作为输入建立全连接神经网络，设定输入层神经元个数、神经元激活函数、内核初始化、网络迭代次数、输出变量个数，得到联合神经网络模型。
5.根据权利要求1所述基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，其特征在于，步骤4所述损失函数loss为：
式中，为训练样本集中负荷数据的预测值，yi为训练样本集中负荷数据的真实值；n为预测值的个数。
6.根据权利要求1所述基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，其特征在于，步骤4所述计算联合神经网络模型的预测精度值ACC公式为：
式(3)中，为训练样本集中负荷数据的预测值，yi为训练样本集中负荷数据的真实值；m为预测值的个数。
CN201810732495.5A 2018-07-05 2018-07-05 基于关联全连接神经网络和lstm的pmu一次调频负荷预测方法 Active CN109242236B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810732495.5A CN109242236B (zh) 2018-07-05 2018-07-05 基于关联全连接神经网络和lstm的pmu一次调频负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810732495.5A CN109242236B (zh) 2018-07-05 2018-07-05 基于关联全连接神经网络和lstm的pmu一次调频负荷预测方法

Publications (2)

Publication Number Publication Date
CN109242236A true CN109242236A (zh) 2019-01-18
CN109242236B CN109242236B (zh) 2021-04-20

Family

ID=65071910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810732495.5A Active CN109242236B (zh) 2018-07-05 2018-07-05 基于关联全连接神经网络和lstm的pmu一次调频负荷预测方法

Country Status (1)

Country Link
CN (1) CN109242236B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110069985A (zh) * 2019-03-12 2019-07-30 北京三快在线科技有限公司 基于图像的目标点位置检测方法、装置、电子设备
CN110070229A (zh) * 2019-04-26 2019-07-30 中国计量大学 家庭电力负荷的短期预测方法
CN110222733A (zh) * 2019-05-17 2019-09-10 嘉迈科技(海南)有限公司 一种高精度的多阶神经网络分类方法及系统
CN110866652A (zh) * 2019-11-21 2020-03-06 国网四川省电力公司电力科学研究院 一种基于lstm模型的在线pmu数据纠错方法及系统
CN111178602A (zh) * 2019-12-18 2020-05-19 中国大唐集团科学技术研究院有限公司火力发电技术研究院 基于支持向量机和神经网络的循环水损失预测方法
CN111582542A (zh) * 2020-03-31 2020-08-25 国网上海市电力公司 一种基于异常修复的电力负荷预测方法及系统
CN112149799A (zh) * 2020-09-03 2020-12-29 北京首创股份有限公司 用于水质参数预测的联合神经网络模型及其训练方法
CN113268927A (zh) * 2021-05-21 2021-08-17 哈尔滨工业大学 基于全连接神经网络的大功率激光装置输出能量预测方法
CN113780382A (zh) * 2021-08-29 2021-12-10 桂林电子科技大学 一种基于ae和pmu的高效网络安全态势评估方法
CN114861969A (zh) * 2022-03-18 2022-08-05 国网河南省电力公司 一种基于lstm的电力系统振荡风险预测方法
CN114970938A (zh) * 2022-03-11 2022-08-30 武汉大学 一种考虑用户隐私保护的自适应住宅负荷预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160099010A1 (en) * 2014-10-03 2016-04-07 Google Inc. Convolutional, long short-term memory, fully connected deep neural networks
CN106691378A (zh) * 2016-12-16 2017-05-24 深圳市唯特视科技有限公司 一种基于脑电图数据的深度学习视觉分类方法
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
CN107622329A (zh) * 2017-09-22 2018-01-23 深圳市景程信息科技有限公司 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
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160099010A1 (en) * 2014-10-03 2016-04-07 Google Inc. Convolutional, long short-term memory, fully connected deep neural networks
CN106691378A (zh) * 2016-12-16 2017-05-24 深圳市唯特视科技有限公司 一种基于脑电图数据的深度学习视觉分类方法
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
CN107622329A (zh) * 2017-09-22 2018-01-23 深圳市景程信息科技有限公司 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
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TARA N. SAINATH,ET,AL: "CONVOLUTIONAL, LONG SHORT-TERM MEMORY,FULLY CONNECTED DEEP NEURAL NETWORKS", 《2015 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS,SPEECH AND SIGNAL PROCESSING》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110069985B (zh) * 2019-03-12 2020-08-28 北京三快在线科技有限公司 基于图像的目标点位置检测方法、装置、电子设备
CN110069985A (zh) * 2019-03-12 2019-07-30 北京三快在线科技有限公司 基于图像的目标点位置检测方法、装置、电子设备
CN110070229A (zh) * 2019-04-26 2019-07-30 中国计量大学 家庭电力负荷的短期预测方法
CN110222733A (zh) * 2019-05-17 2019-09-10 嘉迈科技(海南)有限公司 一种高精度的多阶神经网络分类方法及系统
CN110866652A (zh) * 2019-11-21 2020-03-06 国网四川省电力公司电力科学研究院 一种基于lstm模型的在线pmu数据纠错方法及系统
CN110866652B (zh) * 2019-11-21 2023-02-28 国网四川省电力公司电力科学研究院 一种基于lstm模型的在线pmu数据纠错方法及系统
CN111178602A (zh) * 2019-12-18 2020-05-19 中国大唐集团科学技术研究院有限公司火力发电技术研究院 基于支持向量机和神经网络的循环水损失预测方法
CN111582542A (zh) * 2020-03-31 2020-08-25 国网上海市电力公司 一种基于异常修复的电力负荷预测方法及系统
CN111582542B (zh) * 2020-03-31 2023-10-03 国网上海市电力公司 一种基于异常修复的电力负荷预测方法及系统
CN112149799A (zh) * 2020-09-03 2020-12-29 北京首创股份有限公司 用于水质参数预测的联合神经网络模型及其训练方法
CN112149799B (zh) * 2020-09-03 2024-08-20 北京首创股份有限公司 用于水质参数预测的联合神经网络模型及其训练方法
CN113268927A (zh) * 2021-05-21 2021-08-17 哈尔滨工业大学 基于全连接神经网络的大功率激光装置输出能量预测方法
CN113268927B (zh) * 2021-05-21 2024-04-30 哈尔滨工业大学 基于全连接神经网络的大功率激光装置输出能量预测方法
CN113780382A (zh) * 2021-08-29 2021-12-10 桂林电子科技大学 一种基于ae和pmu的高效网络安全态势评估方法
CN114970938A (zh) * 2022-03-11 2022-08-30 武汉大学 一种考虑用户隐私保护的自适应住宅负荷预测方法
CN114970938B (zh) * 2022-03-11 2024-05-07 武汉大学 一种考虑用户隐私保护的自适应住宅负荷预测方法
CN114861969A (zh) * 2022-03-18 2022-08-05 国网河南省电力公司 一种基于lstm的电力系统振荡风险预测方法

Also Published As

Publication number Publication date
CN109242236B (zh) 2021-04-20

Similar Documents

Publication Publication Date Title
CN109242236A (zh) 基于关联全连接神经网络和lstm的pmu一次调频负荷预测方法
Ke et al. Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network
Li et al. Prediction for tourism flow based on LSTM neural network
Yunpeng et al. Multi-step ahead time series forecasting for different data patterns based on LSTM recurrent neural network
Jin Research on machine learning and its algorithms and development
Wang et al. Short-term electricity price forecasting based on similarity day screening, two-layer decomposition technique and Bi-LSTM neural network
CN110212551B (zh) 基于卷积神经网络的微网无功自动控制方法
CN106372755A (zh) 基于主元分析的bp神经网络智能工业园区能耗模型建立方法
CN113972667A (zh) 一种基于一维卷积神经网络的配电网无功优化方法
CN110174841A (zh) 基于参数优化的工业过程大滞后惯性系统平行控制方法
CN117132132A (zh) 基于气象数据的光伏发电功率预测方法
CN116307211A (zh) 一种风电消纳能力预测及优化方法及系统
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
Vohra et al. End-to-end learning with multiple modalities for system-optimised renewables nowcasting
CN106355273A (zh) 一种基于极限学习机的核材料辐照后拉伸性能预测系统及预测方法
Zhang et al. Deep reinforcement learning based interpretable photovoltaic power prediction framework
Jiang et al. Short-term power load forecasting based on PSO-GRU
Ge et al. Short‐term load forecasting of the integrated energy system considering the peak‐valley of load correlations
CN104182854A (zh) 一种面向企业能源管理系统的混合能耗测算的方法
Liu et al. Theoretical line loss calculation method for low-voltage distribution network via matrix completion and ReliefF-CNN
Tianjing et al. Parallel deep reinforcement learning‐based power flow state adjustment considering static stability constraint
CN107025497A (zh) 一种基于Elman神经网络的电力负荷预警方法及装置
Wen et al. A novel forward operator-based Bayesian recurrent neural network-based short-term net load demand forecasting considering demand-side renewable energy
Cao et al. Optimization of engine speed neural network PID controller based on genetic algorithm
CN112036758B (zh) 基于成分数据的灰色qrnn修正的能耗结构预测方法

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