CN109325624A - 一种基于深度学习的月度电力需求预测方法 - Google Patents
一种基于深度学习的月度电力需求预测方法 Download PDFInfo
- Publication number
- CN109325624A CN109325624A CN201811135861.5A CN201811135861A CN109325624A CN 109325624 A CN109325624 A CN 109325624A CN 201811135861 A CN201811135861 A CN 201811135861A CN 109325624 A CN109325624 A CN 109325624A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction result
- electric power
- power demand
- model
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000013277 forecasting method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000005611 electricity Effects 0.000 claims abstract description 29
- 238000011161 development Methods 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 230000000977 initiatory effect Effects 0.000 claims description 7
- 230000008676 import Effects 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 210000002569 neuron Anatomy 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 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
- 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)
Abstract
本发明涉及一种基于深度学习的月度电力需求预测方法,该方法法首先获取逐月全社会用电量、天气和经济发展相关指标数据,对数据进行归一化等预处理,形成适合监督学习的特征数据;然后使用LSTM和GRU模型分别对月度用电量进行序列预测,对上月用电量数据、天气、经济发展指标数据采用GRU模型进行预测,最后通过对两种模型的预测结果结合验证准确率进行权重分配,对预测结果采用加权平均方式进行融合。本发明提出的一种基于深度学习的月度电力需求预测方法,采用深度学习技术为全社会用电量提供一种新的预测方式,能够综合考虑天气和经济发展对电力需求的影响,提升电力需求预测准确度。
Description
技术领域
本发明涉及电力市场用电预测领域,具体涉及一种基于深度学习的月度电力需求预测方法。
背景技术
电力需求预测广泛运用于电力市场分析、电网规划、电力调度等领域,是电力系统的重要内容,是电网公司制订生产经营计划的重要依据,为发电计划制定和电网优化调度提供决策支持。近年来,我国处于经济增速换挡、产业结构优化调整的阶段,新兴产能和落后产能不断更替,节能减排力度不断增强,经济与电力传统稳定关系发生改变,再加上极端天气如高温、台风影响,进一步增加了电力需求变化的不确定性。因此,全面考虑天气和经济发展的影响情况,有助于进一步提高电力需求预测的准确性。
本发明涉及的一种基于深度学习的月度电力需求预测方法将源于人工神经网络的深度学习概念运用到电力需求预测领域。由于该方法包含多隐层的多层感知器,能够通过组合低层特征形成更加抽象的高层表示属性类别或特征,全面考虑进行电力需求预测所需的多种天气和经济发展等因素。
发明内容
本发明的目的在于提供一种基于深度学习的月度电力需求预测方法,本预测方法采用深度学习技术为全社会用电量提供一种新的预测方式,能够综合考虑天气和经济发展对电力需求的影响,提升电力需求预测准确度。
为实现上述目的,本发明的技术方案是:一种基于深度学习的月度电力需求预测方法,包括如下步骤:
步骤S1:获取历年逐月全社会用电量数据、天气数据、经济发展数据;
步骤S2:对所述步骤S1获取的数据进行数据预处理,作为监督学习输入;
步骤S3:将经过所述步骤S2处理后的数据输入到长短时记忆循环神级网络LSTM模型进行预测,调整模型参数;
步骤S4:将经过所述步骤S2处理后的数据输入GRU模型进行预测,调整模型参数;
步骤S5:根据验证集预测准确率分配经过所述步骤S3和所述步骤S4后的预测结果的权重,并且通过权重计算最终预测结果。、
在本发明一实施例中,在所述步骤S1中,所述天气数据包括:季节、降水、气温、湿度;所述经济数据包括:GDP、居民消费支出、固定资产投资、进出口总额。
在本发明一实施例中,在所述步骤S2中,采用如下的方法对所述步骤S1获取的数据进行归一化处理,使得各样本值处于[0,1]范围内:
其中,a*为处理后数据,a为原始数据,amax、amin分别为原始数据中的最大数和最小数。
在本发明一实施例中,在所述步骤S3中,将经过所述步骤S2处理后的预设数量月份的用电量数据输入至长短时记忆循环神级网络LSTM模型中,并训练该模型;该神经网络的网络连接权重参数的初始化方法采用Xaiver方法,使得初始化参数分布在:
其中,W是初始化参数矩阵,ni是神级网络某层的输入,ni+1是神级网络的
某层的输出;
优化方法采用Adam算法:
mt=μ*mt-1+(1+μ)*gt
其中,mt,nt分别是对梯度的一阶矩估计和二阶矩估计;gt是当前batch的梯度;μ、υ是动量因子;是对mt,nt的校正;ε是用来保证分母非零的数;η是学习率;Δθt是每次迭代的参数调整量;
根据随机初始权重,利用时间反向传播算法,最小化损失函数MSE,更新神经网络权重值最终得到最佳的网络权重参数集合,并输出预测结果。
在本发明一实施例中,在所述步骤S4中,将待预测月上月的全社会用电量数据、天气数据、经济发展数据输入到GRU模型,并训练该模型;该神经网络的网络连接权重参数的初始化方法采用Xaiver方法,优化算法采用Adam算法;根据随机初始权重,利用时间反向传播算法,最小化损失函数MSE,更新神经网络权重值最终得到最佳的网络权重参数集合,并输出预测结果。
在本发明一实施例中,在所述步骤S5中,根据验证集预测准确率分配经过步骤S3和步骤S4后的预测结果的权重,最后通过加权统计步骤S3和步骤S4后的预测结果计算出最终的预测结果:
z=αx+βy
其中,分别是基于LSTM模型预测结果的R平方得分和基于GRU模型预测结果的R平方得分;α,β分别是LSTM和GRU模型的权重;x,y分别是LSTM和GRU模型的预测值;z是加权后的最终的预测结果。
相较于现有技术,本发明具有以下有益效果:本发明预测方法首先获取逐月全社会用电量、天气和经济发展相关指标数据,对数据进行归一化等预处理,形成适合监督学习的特征数据;然后使用LSTM和GRU模型分别对月度用电量进行序列预测,对上月用电量数据、天气、经济发展指标数据采用GRU模型进行预测,最后通过对两种模型的预测结果结合验证准确率进行权重分配,对预测结果采用加权平均方式进行融合。本发明预测方法采用深度学习技术为全社会用电量提供一种新的预测方式,能够综合考虑天气和经济发展对电力需求的影响,提升电力需求预测准确度。
附图说明
图1是本发明中基于深度学习的月度电力需求预测方法的整体框架图。
图2是本发明一实施例中的全社会用电量关系图。
图3是本发明一实施例中LSTM网络结构图。
图4是本发明一实施例中GRU网络结构图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明的一种基于深度学习的月度电力需求预测方法,包括如下步骤:
步骤S1:获取预测所需的数据包括历年逐月全社会用电量,季节、降水、气温、湿度、GDP、居民消费支出、固定资产投资、进出口总额。
步骤S2:输入样本中各指标具有不同的量纲和变化幅度,会影响神经网络的学习效果。为了克服这一缺点,需要对样本数据进行归一化处理,使得各样本值处于[0,1]范围内。采用的方法如下:
其中,a*为处理后数据,a为原始数据,amax、amin分别为原始数据中的最
大数和最小数。
步骤S3:利用近13个月用电量数据输入LSTM模型,并训练该模型。该神经网络的网络连接权重参数的初始化方法是使用Xaiver方法,使得初始化参数分布在:
其中,W是初始化参数矩阵,ni是神级网络某层的输入,ni+1是神级网络的
某层的输出。
优化方法采用Adam算法:
mt=μ*mt-1+(1+μ)*gt
其中mt,nt分别是对梯度的一阶矩估计和二阶矩估计;gt是当前batch的梯度;μ、υ是动量因子;是对mt,nt的校正;ε是一个很小的数,用来保证分母非零;η是学习率;Δθt是每次迭代的参数调整量。
根据随机初始权重,利用时间反向传播算法,最小化损失函数MSE,更新神经网络权重值最终得到最佳的网络权重参数集合,并输出预测结果。
步骤S4:利用预测月上月的用电量、降水、气温、湿度、风速、GDP、居民消费支出、固定资产投资、进出口总额等特征数据输入到GRU模型并训练该模型。该神经网络的网络连接权重参数的初始化方法是使用Xaiver方法,优化算法采用Adam算法。根据随机初始权重,利用时间反向传播算法,最小化损失函数MSE,更新神经网络权重值最终得到最佳的网络权重参数集合,并输出预测结果。
步骤S5:依据验证集预测准确率分配经过步骤S3和步骤S4后的预测结果的权重。最后通过加权统计步骤S3和步骤S4后的预测结果计算出最终的预测结果,公式如下:
z=αx+βy
其中,分别是基于LSTM模型预测结果的R平方得分和基于GRU模型预测结果的R平方得分;α,β分别是LSTM和GRU模型的权重;x,y分别是LSTM和GRU模型的预测值;z是加权后的最终预测值。
实施例的实施步骤如下:
步骤S1:获取预测所需的数据包括近10年逐月全社会用电量,季节、降水、气温、湿度、GDP、居民消费支出、固定资产投资、进出口总额。
步骤S2:输入样本中各指标具有不同的量纲和变化幅度,会影响神经网络的学习效果。为了克服这一缺点,需要对样本数据进行归一化处理,使得各样本值处于[0,1]范围内。采用的方法如下:
其中a*为处理后数据,a为原始数据,amax、amin分别为原始数据中的最大
数和最小数。
步骤S3:长短时记忆网络LSTM是一种改进型的循环神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。图3中隐藏层的每个神经元对应一个记忆块,该记忆块包含了自连接状态神经元,输入门、输出门和遗忘门。
遗忘门用来计算哪些信息需要忘记,通过sigmoid处理后为0到1的值,1表示全部保留,0表示全部忘记,于是有
ft=σ(Wf·[ht-1,xt]+bf)
输入门用来计算哪些信息保存到状态单元中
it=σ(Wi·[ht-1,xt]+bi)
输出门通过sigmoid函数计算需要输出哪些信息,再乘以当前单元状态通过tanh函数的值,得到输出。
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot·tanh(ct)
神经网络的网络连接权重参数的初始化方法使用Xaiver方法,该方法保证前向传播和反向传播时每一层的方差一致,是一种很有效的初始化方法。Xaiver方法使得初始化参数分布在:
其中,W是初始化参数矩阵,ni是神级网络某层的输入,ni+1是神级网络的某层的输出。
参数优化方法采用Adam算法,该算法基于梯度下降方法,但是每次迭代参数的学习步长都有一个确定的范围,不会因为很大的梯度导致很大的学习步长,参数的值比较稳定:
mt=μ*mt-i+(1+μ)*gt
其中,mt,nt分别是对梯度的一阶矩估计和二阶矩估计;gt是当前batch的梯度;μ、υ是动量因子;是对mt,nt的校正;ε是一个很小的数,用来保证分母非零;η是学习率;Δθt是每次迭代的参数调整量。
进一步的,还包括如下具体步骤:
S3.1从步骤S2处理后的数据中近13个月用电量数据输入上面构建的LSTM模型,通过前向传播获得每个神经元的输出,并获得最终的预测值。
S3.2反向计算每个神经元的误差项值。一个是沿时间的反向传播,即从当前t时刻开始,计算每个时刻的误差项;一个是将误差项向上一层传播。
S3.3通过反向传播将根据相应的误差项,计算每个权重的梯度。
S3.4通过不断重复S3.1~S3.3直到误差项值不再减少。此时获得最佳的LSTM模型参数。
S3.5将预测集数据输入到第S3.4步生成的LSTM模型,获得预测结果。
步骤S4:GRU作为LSTM的一种变体,将忘记门和输入门合成了一个单一的更新门。同样还混合了细胞状态和隐藏状态,加诸其他一些改动。最终的模型比标准的LSTM模型要简单,也是非常流行的变体。
zt=σ(Wz·[ht-1,xt])
rt=σ(Wr·[ht-1,xt])
具体的,还包括如下具体步骤:
步骤S4.1从步骤S2处理后的数据中预测月上月的用电量、降水、气温、湿度、风速、GDP、居民消费支出、固定资产投资、进出口总额等特征数据输入到GRU模型并训练该模型,通过前向传播获得每个神经元的输出,并获得最终的预测值。
步骤S4.2反向计算每个神经元的误差项值。一个是沿时间的反向传播,即从当前t时刻开始,计算每个时刻的误差项;一个是将误差项向上一层传播。
步骤S4.3通过反向传播将根据相应的误差项,计算每个权重的梯度。
步骤S4.4通过不断重复步骤S4.1~步骤S4.3直到误差项值不再减少。此时获得最佳的GRU模型参数。
步骤S4.5将预测集数据输入到步骤S4.4生成的GRU模型,获得预测结果。
步骤S5:依据验证集预测准确率分配经过步骤S3和步骤S4后的预测结果的权重。最后通过加权统计步骤S3和步骤S4后的预测结果计算出最终的预测结果,公式如下:
z=αx+βy
其中,分别是基于LSTM模型预测结果的R平方得分和基于GRU模型预测结果的R平方得分;α,β分别是LSTM和GRU模型的权重;x,y分别是LSTM和GRU模型的预测值;z是加权后的最终预测值。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (6)
1.一种基于深度学习的月度电力需求预测方法,其特征在于,包括如下步骤:
步骤S1:获取历年逐月全社会用电量数据、天气数据、经济发展数据;
步骤S2:对所述步骤S1获取的数据进行数据预处理,作为监督学习输入;
步骤S3:将经过所述步骤S2处理后的数据输入到长短时记忆循环神级网络LSTM模型进行预测,调整模型参数;
步骤S4:将经过所述步骤S2处理后的数据输入GRU模型进行预测,调整模型参数;
步骤S5:根据验证集预测准确率分配经过所述步骤S3和所述步骤S4后的预测结果的权重,并且通过权重计算最终预测结果。
2.根据权利要求1所述的一种基于深度学习的月度电力需求预测方法,其特征在于,在所述步骤S1中,所述天气数据包括:季节、降水、气温、湿度;所述经济数据包括:GDP、居民消费支出、固定资产投资、进出口总额。
3.根据权利要求1所述的一种基于深度学习的月度电力需求预测方法,其特征在于,在所述步骤S2中,采用如下的方法对所述步骤S1获取的数据进行归一化处理,使得各样本值处于[0,1]范围内:
其中,a*为处理后数据,a为原始数据,amax、amin分别为原始数据中的最大数和最小数。
4.根据权利要求1所述的一种基于深度学习的月度电力需求预测方法,其特征在于,在所述步骤S3中,将经过所述步骤S2处理后的预设数量月份的用电量数据输入至长短时记忆循环神级网络LSTM模型中,并训练该模型;该神经网络的网络连接权重参数的初始化方法采用Xaiver方法,使得初始化参数分布在:
其中,W是初始化参数矩阵,ni是神级网络某层的输入,ni+1是神级网络的某层的输出;
优化方法采用Adam算法:
mt=μ*mt-1+(1+μ)*gt
其中,mt,nt分别是对梯度的一阶矩估计和二阶矩估计;gt是当前batch的梯度;μ、υ是动量因子;是对mt,nt的校正;ε是用来保证分母非零的数;η是学习率;Δθt是每次迭代的参数调整量;
根据随机初始权重,利用时间反向传播算法,最小化损失函数MSE,更新神经网络权重值最终得到最佳的网络权重参数集合,并输出预测结果。
5.根据权利要求1所述的一种基于深度学习的月度电力需求预测方法,其特征在于,在所述步骤S4中,将待预测月上月的全社会用电量数据、天气数据、经济发展数据输入到GRU模型,并训练该模型;该神经网络的网络连接权重参数的初始化方法采用Xaiver方法,优化算法采用Adam算法;根据随机初始权重,利用时间反向传播算法,最小化损失函数MSE,更新神经网络权重值最终得到最佳的网络权重参数集合,并输出预测结果。
6.根据权利要求5所述的一种基于深度学习的月度电力需求预测方法,其特征在于,在所述步骤S5中,根据验证集预测准确率分配经过步骤S3和步骤S4后的预测结果的权重,最后通过加权统计步骤S3和步骤S4后的预测结果计算出最终的预测结果:
z=αx+βy
其中,分别是基于LSTM模型预测结果的R平方得分和基于GRU模型预测结果的R平方得分;α,β分别是LSTM和GRU模型的权重;x,y分别是LSTM和GRU模型的预测值;z是加权后的最终的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811135861.5A CN109325624A (zh) | 2018-09-28 | 2018-09-28 | 一种基于深度学习的月度电力需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811135861.5A CN109325624A (zh) | 2018-09-28 | 2018-09-28 | 一种基于深度学习的月度电力需求预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109325624A true CN109325624A (zh) | 2019-02-12 |
Family
ID=65266437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811135861.5A Pending CN109325624A (zh) | 2018-09-28 | 2018-09-28 | 一种基于深度学习的月度电力需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325624A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188919A (zh) * | 2019-04-22 | 2019-08-30 | 武汉大学 | 一种基于长短期记忆网络的负荷预测方法 |
CN110473198A (zh) * | 2019-08-21 | 2019-11-19 | 北京大恒普信医疗技术有限公司 | 深度学习系统及其方法 |
CN110598854A (zh) * | 2019-09-20 | 2019-12-20 | 国网福建省电力有限公司 | 一种基于gru模型的台区线损率预测方法 |
CN110716550A (zh) * | 2019-11-06 | 2020-01-21 | 南京理工大学 | 一种基于深度强化学习的换挡策略动态优化方法 |
CN110852498A (zh) * | 2019-10-31 | 2020-02-28 | 西安交通大学 | 一种基于gru神经网络预测数据中心能耗效率值pue的方法 |
CN111030889A (zh) * | 2019-12-24 | 2020-04-17 | 国网河北省电力有限公司信息通信分公司 | 一种基于gru模型的网络流量预测方法 |
CN111275247A (zh) * | 2020-01-14 | 2020-06-12 | 西安理工大学 | 一种基于多种影响因素的极限学习机月度电量预测方法 |
CN111401667A (zh) * | 2020-06-03 | 2020-07-10 | 广东电网有限责任公司东莞供电局 | 一种工厂的用电调度方法、装置、计算机设备和存储介质 |
CN111899123A (zh) * | 2020-07-28 | 2020-11-06 | 深圳江行联加智能科技有限公司 | 电量预测方法、装置以及计算机可读存储介质 |
CN111950697A (zh) * | 2020-07-01 | 2020-11-17 | 燕山大学 | 一种基于门控循环单元网络的水泥成品比表面积预测方法 |
CN112949905A (zh) * | 2021-01-28 | 2021-06-11 | 国网浙江省电力有限公司信息通信分公司 | 边缘域传感器数据预测方法及装置 |
KR20210125363A (ko) * | 2020-04-08 | 2021-10-18 | 상명대학교산학협력단 | 전력 수요 예측 방법 및 장치 |
CN113807432A (zh) * | 2021-09-16 | 2021-12-17 | 成都卡普数据服务有限责任公司 | 一种基于深度学习的气温预报数据订正方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573854A (zh) * | 2014-12-23 | 2015-04-29 | 国家电网公司 | 钢铁用电量的预测方法及装置 |
CN104573857A (zh) * | 2014-12-26 | 2015-04-29 | 国家电网公司 | 一种基于智能算法优化组合的电网负荷率预测方法 |
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 |
CN107239852A (zh) * | 2017-05-05 | 2017-10-10 | 南京邮电大学 | 一种基于深度学习的电量消耗预测方法 |
-
2018
- 2018-09-28 CN CN201811135861.5A patent/CN109325624A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573854A (zh) * | 2014-12-23 | 2015-04-29 | 国家电网公司 | 钢铁用电量的预测方法及装置 |
CN104573857A (zh) * | 2014-12-26 | 2015-04-29 | 国家电网公司 | 一种基于智能算法优化组合的电网负荷率预测方法 |
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 |
CN107239852A (zh) * | 2017-05-05 | 2017-10-10 | 南京邮电大学 | 一种基于深度学习的电量消耗预测方法 |
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 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188919A (zh) * | 2019-04-22 | 2019-08-30 | 武汉大学 | 一种基于长短期记忆网络的负荷预测方法 |
CN110473198A (zh) * | 2019-08-21 | 2019-11-19 | 北京大恒普信医疗技术有限公司 | 深度学习系统及其方法 |
CN110598854A (zh) * | 2019-09-20 | 2019-12-20 | 国网福建省电力有限公司 | 一种基于gru模型的台区线损率预测方法 |
CN110852498A (zh) * | 2019-10-31 | 2020-02-28 | 西安交通大学 | 一种基于gru神经网络预测数据中心能耗效率值pue的方法 |
CN110716550A (zh) * | 2019-11-06 | 2020-01-21 | 南京理工大学 | 一种基于深度强化学习的换挡策略动态优化方法 |
CN110716550B (zh) * | 2019-11-06 | 2022-07-22 | 南京理工大学 | 一种基于深度强化学习的换挡策略动态优化方法 |
CN111030889A (zh) * | 2019-12-24 | 2020-04-17 | 国网河北省电力有限公司信息通信分公司 | 一种基于gru模型的网络流量预测方法 |
CN111030889B (zh) * | 2019-12-24 | 2022-11-01 | 国网河北省电力有限公司信息通信分公司 | 一种基于gru模型的网络流量预测方法 |
CN111275247A (zh) * | 2020-01-14 | 2020-06-12 | 西安理工大学 | 一种基于多种影响因素的极限学习机月度电量预测方法 |
CN111275247B (zh) * | 2020-01-14 | 2024-02-23 | 西安理工大学 | 一种基于多种影响因素的极限学习机月度电量预测方法 |
KR20210125363A (ko) * | 2020-04-08 | 2021-10-18 | 상명대학교산학협력단 | 전력 수요 예측 방법 및 장치 |
KR102346188B1 (ko) * | 2020-04-08 | 2021-12-31 | 상명대학교산학협력단 | 전력 수요 예측 방법 및 장치 |
CN111401667A (zh) * | 2020-06-03 | 2020-07-10 | 广东电网有限责任公司东莞供电局 | 一种工厂的用电调度方法、装置、计算机设备和存储介质 |
CN111950697A (zh) * | 2020-07-01 | 2020-11-17 | 燕山大学 | 一种基于门控循环单元网络的水泥成品比表面积预测方法 |
CN111899123A (zh) * | 2020-07-28 | 2020-11-06 | 深圳江行联加智能科技有限公司 | 电量预测方法、装置以及计算机可读存储介质 |
CN112949905A (zh) * | 2021-01-28 | 2021-06-11 | 国网浙江省电力有限公司信息通信分公司 | 边缘域传感器数据预测方法及装置 |
CN113807432A (zh) * | 2021-09-16 | 2021-12-17 | 成都卡普数据服务有限责任公司 | 一种基于深度学习的气温预报数据订正方法 |
CN113807432B (zh) * | 2021-09-16 | 2024-04-30 | 成都卡普数据服务有限责任公司 | 一种基于深度学习的气温预报数据订正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325624A (zh) | 一种基于深度学习的月度电力需求预测方法 | |
CN109711620B (zh) | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 | |
CN109754113A (zh) | 基于动态时间规整与长短时间记忆的负荷预测方法 | |
CN112186743B (zh) | 一种基于深度强化学习的动态电力系统经济调度方法 | |
CN110298501A (zh) | 基于长短时记忆神经网络的电负荷预测方法 | |
CN105631483B (zh) | 一种短期用电负荷预测方法及装置 | |
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
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 | |
CN106952181A (zh) | 基于长短时记忆神经网络的电力负荷预测系统 | |
CN109063911A (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
CN104978611A (zh) | 一种基于灰色关联分析的神经网络光伏发电出力预测方法 | |
CN110222888A (zh) | 一种基于bp神经网络的日平均电力负荷预测方法 | |
CN105701572B (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
He et al. | Research on a novel combination system on the basis of deep learning and swarm intelligence optimization algorithm for wind speed forecasting | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN107730059A (zh) | 基于机器学习的变电站电量趋势预测分析的方法 | |
CN109636003A (zh) | 一种高预测精度的电力系统短期负荷预测方法 | |
CN108985515A (zh) | 一种基于独立循环神经网络的新能源出力预测方法及系统 | |
CN112163689A (zh) | 基于深度Attention-LSTM的短期负荷分位点概率预测方法 | |
CN106022954A (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN110942205A (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
CN110276472A (zh) | 一种基于lstm深度学习网络的海上风电功率超短期预测方法 | |
CN115186803A (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 |
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: 20190212 |