CN109543901A - 基于信息融合卷积神经网络模型的短期电力负荷预测方法 - Google Patents
基于信息融合卷积神经网络模型的短期电力负荷预测方法 Download PDFInfo
- Publication number
- CN109543901A CN109543901A CN201811386602.XA CN201811386602A CN109543901A CN 109543901 A CN109543901 A CN 109543901A CN 201811386602 A CN201811386602 A CN 201811386602A CN 109543901 A CN109543901 A CN 109543901A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- neural networks
- convolutional neural
- data
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 23
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 238000013277 forecasting method Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 41
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 9
- 230000001364 causal effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 240000002853 Nelumbo nucifera Species 0.000 claims description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 2
- 230000001737 promoting effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 238000000034 method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000012545 processing 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于信息融合卷积神经网络模型的短期电力负荷预测方法,步骤为:数据获取及预处理,得到数据集;构造多尺度信息融合卷积神经网络模型;将数据集分割为训练集和验证集两部分;选取固定长度的训练集向量序列作为模型输入,以输入向量之后固定时间的实际负荷作为模型输出的训练目标,通过多次迭代训练模型至收敛;使用验证集验证训练好的模型,通过对比测试集和验证集的精度和误差,调整模型参数,通过多次训练,选择验证集表现最好的模型作为训练结果;在实际环境中运行模型,当预测值和实际值出现较大偏差时,将最新数据加入训练集再次训练模型。本发明提升了网络深度和预测精度,面对一维输入序列时,可提取整个序列的多维度特征。
Description
技术领域
本发明涉及一种电力系统负荷预测领域,具体为一种基于信息融合卷积神经网络模型的短期电力负荷预测方法。
背景技术
当前电力行业在开放售电环境下需要精确的短期负荷预测,以实现电力负荷的规划和管理策略的实施。为了提高预测精度,在过去的几十年中已经提出了各种新的电力负荷预测技术。由于电力负荷及其影响因素的非线性和随机性,电力负荷预测已成为电力市场实体面临的最具挑战性的任务之一。
用于电力负荷预测的模型大致可以分为四类:(1)统计模型;(2)基于知识的专家系统;(3)混合模型和(4)基于人工智能的模型。
传统统计模型,诸如自回归模型,研究了电力负荷和其影响因素之间的定性关系,并且易于实现。然而,这些统计模型在很大程度上依赖于当前负荷与历史负荷之间的相关性,在选择适当的非线性函数时面临很大困难并且计算成本高。因为这些局限性,研究人员越来越对人工智能感兴趣。
在所有可用的预测模型中,基于人工神经网络的模型在解决短期负荷预测问题方面吸引力最大。即使在复杂的非线性环境中,神经网络也以其学习能力而闻名。普通的卷积神经网络在面对较长的一维输入序列时,受到卷积核大小和深度的限制,难以获取整个序列的信息,造成预测精度不足。
发明内容
针对现有技术中电力系统负荷预测模型预测精度低等不足,本发明要解决的问题是提供一种可有效提升了电力系统短期负荷预测精度的基于信息融合卷积神经网络模型的短期电力负荷预测方法。
为解决上述技术问题,本发明采用的技术方案是:
本发明一种基于信息融合卷积神经网络模型的短期电力负荷预测方法,包括以下步骤:
1)数据获取及预处理,得到数据集;
2)构造多尺度信息融合卷积神经网络模型;
3)将数据集分割为两个部分:训练集用来训练模型,验证集用来验证训练结果;
4)选取固定长度的训练集向量序列作为模型输入,以输入向量之后固定时间的实际负荷作为模型输出的训练目标,通过多次迭代训练模型至收敛;
5)使用验证集验证训练好的模型,通过对比测试集和验证集的精度和误差,调整模型参数,通过多次训练,选择验证集表现最好的模型作为训练结果;
6)在实际环境中运行模型,当预测值和实际值出现较大偏差时,将最新数据加入训练集再次训练模型。
步骤1)中,数据获取及预处理,得到数据集为:
101)获取电力系统负荷数据,同时采集对应的气候、节假日数据;
102)对数据进行预处理,包括但不限于:缺失值均值插补、数据标准化、独热编码、时间戳转换;
103)依时间先后顺序形成输入向量序列;
104)以任意时刻未来一段时间内的系统负荷作为预测目标。
步骤2)中,构造多尺度信息融合卷积神经网络模型为:
201)引入因果逻辑约束增强时间序列特征表达,因果卷积运算只向前卷积,不获取未来时刻的信息;
202)利用多尺度卷积描述不同长度时域数据相互关系;
203)利用残差网络结构提升网络深度和预测精度。
步骤202)中,用多尺度卷积描述不同长度时域数据相互关系为:
通过输入序列长度确定卷积核大小、尺度因子和网络深度,使三者之积大于输入序列的长度。
步骤203)中,利用残差网络结构提升网络深度和预测精为:采用残差结构,由多个残差块堆叠而成,其中一个残差块包括多尺度信息融合卷积、权重标准化、激活函数、Dropout结构。
本发明具有以下有益效果及优点:
1.本发明将电力负荷数据及相关影响因素建模为时间序列问题,随后提出一种多尺度信息融合卷积神经网络来预测短期电力负荷,引入因果逻辑约束增强时间序列特征表达,并利用多尺度卷积描述不同长度时域数据相互关系,最后设计残差网络结构提升了网络深度和预测精度,在面对很长的一维输入序列时,本发明提出的方法依然可以提取整个序列的多维度特征,这使得本发明可以有效提升预测精度。
附图说明
图1为本发明实施方式基于多尺度信息融合卷积神经网络模型的短期电力负荷预测方法流程图;
图2为本发明实施方式多尺度信息融合示意图;
图3为本发明实施方式模型残差块示意图;
图4为本发明实施方案所得结果与其他模型精度对比图;
具体实施方式
下面结合说明书附图对本发明作进一步阐述。
如图1所示,本发明一种基于信息融合卷积神经网络模型的短期电力负荷预测方法,包括以下步骤:
1)数据获取及预处理,得到数据集;
2)构造多尺度信息融合卷积神经网络模型;
3)将数据集分割为两个部分:训练集用来训练模型,验证集用来验证训练结果;
4)选取固定长度的训练集向量序列作为模型输入,以输入向量之后固定时间的实际负荷作为模型输出的训练目标,通过多次迭代训练模型至收敛;
5)使用验证集验证训练好的模型,通过对比测试集和验证集的精度和误差,调整模型参数,通过多次训练,选择验证集表现最好的模型作为训练结果;
6)在实际环境中运行模型,当预测值和实际值出现较大偏差时,将最新数据加入训练集再次训练模型。
步骤1)中,数据获取及预处理,得到数据集为:
101)获取电力系统负荷数据,同时采集对应的气候、节假日数据;
本实施例使用某地电网2014-2018年负荷数据,精度是每小时的统计。同时搜集了此地区每日最高气温和每日最低气温,以及节假日数据。
102)对数据进行预处理,包括但不限于:缺失值均值插补、数据标准化、独热编码、时间戳转换;
本实施例将时间数据转换为数值型数据,对所有数据进行标准化处理,对缺失值进行均值插补处理,节假日数据转换为二值数据。
103)依时间先后顺序形成输入向量序列;
本实施例依时间先后顺序形成输入向量序列,即每个小时的数据为一个向量,按时间先后顺序排列;
104)以任意时刻未来一段时间内的系统负荷作为预测目标。
本实施例中,预测目标是任意时刻未来6小时电力系统负荷
步骤2)中,构造多尺度信息融合卷积神经网络模型为:
201)引入因果逻辑约束增强时间序列特征表达,因果卷积运算只向前卷积,不获取未来时刻的信息;
模型基于两个原则:一是网络的输入与输出长度相等,二是网络中任意时刻t对应的节点只接受t时刻之前的信息。针对第一点,本发明使用一个一维的全卷积网络;为了实现第二点,本发明使用了具有因果关系的卷积,保证任何时刻网络中某一节点都只获取了过去时刻的信息。
202)利用多尺度卷积描述不同长度时域数据相互关系;
一个简单的因果卷积只能回顾线性尺度的网络宽度,因此本发明使用了多尺度信息融合的因果卷积,可以融合指数级大小的接受域。
设F:Z→R是一个离散函数;若Ωr=[0,r]I Z,且k:Ωr→R是一个尺寸大小为r的过滤器,l是一个尺度因子,那么多尺度信息融合的一维卷积操作*l被定义为:
这里,t是一个卷积对应的输出时刻,s是卷积的起始位置,l是尺度因子,p是过滤器中一个位置的值,lp表示了向前跨越的尺度。因此尺度卷积相当于在过滤器相邻的点之间引入了固定的间隔。当l=1时,多尺度的卷积就变成了一个常规的卷积。使用更大的尺度因子可以使上层节点融合更大范围的输入,因此有效地提取了更大范围的信息。
本发明通过两种方式来扩大接受域:选择更大的过滤器尺寸r或者增大尺度因子l,其中一层的有效范围是(r-1)l+1。同时,增加深度也会给尺度的大小带来指数级的增长。这确保了在有效的输入长度中,模型总是能够提取每一个输入的信息,同时也允许了模型学习一个非常巨大的历史长度。
图2展示了多尺度信息融合示意图,其中使用的过滤器尺寸为8,每4层的尺度因子分别为[1,2,4,8],总计深度为32层的模型。
203)利用残差网络结构提升网络深度和预测精度。
本发明中模型的一个残差块如图3所示。在一个残差块里,包含多尺度信息融合、标准化和激活函数,激活函数采用整流线性单元。此外,为了防止过拟合及增加模型抗噪能力,在模型最后加入了一层Dropout。
模型中每个残差块的多尺度信息融合部分包含H个连续的卷积层,设第j个残差块的第h个卷积层的节点集合为S(j,h)∈RFk×T,这里Fk是过滤器的数量,每一层的Fk都一样多,这样我们就可以保证每个位置的信息都可以传递到后面的层。任意一层中的任意一个节点都是由之前一层的两个节点卷积而成:t和t-l,因此我们可以写出多尺度信息融合卷积完整的方程。过滤器的参数为W={W(1),W(2)},W(i)∈RFk×Fk,偏置为b∈RFk。设是t时刻的第j个卷积块的第h个卷积层的节点,则有:
步骤3)中,本实施例采用数据集的前80%作为训练集,后20%作为验证集。
步骤4中,选取固定长度为240的训练集向量序列作为模型输入,以输入向量之后6小时的实际负荷作为模型输出的训练目标,通过多次迭代训练模型至收敛;
为了验证本发明的有效性,在本案例中对比了几种常用的神经网络模型,其结果如图4所示,结果显示,基于多尺度信息融合卷积神经网络模型的短期电力负荷预测方法预测精度在在几种模型中最高,说明本发明可以有效提升短期负荷预测的精度。
在开放售电环境下,提高电力负荷预测的精度越发重要。为提高预测准确率,本发明首先将电力负荷数据及相关影响因素建模为时间序列问题,随后提出一种多尺度信息融合卷积神经网络模型来预测短期电力负荷。模型首先引入因果逻辑约束增强时间序列特征表达,再利用多尺度卷积描述不同长度时域数据相互关系,最后设计残差网络结构提升了网络深度和预测精度。与多种神经网络模型比较结果显示,本发明的准确率显著提升。
Claims (5)
1.一种基于信息融合卷积神经网络模型的短期电力负荷预测方法,其特征在于包括以下步骤:
1)数据获取及预处理,得到数据集;
2)构造多尺度信息融合卷积神经网络模型;
3)将数据集分割为两个部分:训练集用来训练模型,验证集用来验证训练结果;
4)选取固定长度的训练集向量序列作为模型输入,以输入向量之后固定时间的实际负荷作为模型输出的训练目标,通过多次迭代训练模型至收敛;
5)使用验证集验证训练好的模型,通过对比测试集和验证集的精度和误差,调整模型参数,通过多次训练,选择验证集表现最好的模型作为训练结果;
6)在实际环境中运行模型,当预测值和实际值出现较大偏差时,将最新数据加入训练集再次训练模型。
2.根据权利要求1所述的基于信息融合卷积神经网络模型的短期电力负荷预测方法,其特征在于步骤1)中,数据获取及预处理,得到数据集为:
101)获取电力系统负荷数据,同时采集对应的气候、节假日数据;
102)对数据进行预处理,包括但不限于:缺失值均值插补、数据标准化、独热编码、时间戳转换;
103)依时间先后顺序形成输入向量序列;
104)以任意时刻未来一段时间内的系统负荷作为预测目标。
3.根据权利要求1所述的基于信息融合卷积神经网络模型的短期电力负荷预测方法,其特征在于步骤2)中,构造多尺度信息融合卷积神经网络模型为:
201)引入因果逻辑约束增强时间序列特征表达,因果卷积运算只向前卷积,不获取未来时刻的信息;
202)利用多尺度卷积描述不同长度时域数据相互关系;
203)利用残差网络结构提升网络深度和预测精度。
4.根据权利要求3所述的基于信息融合卷积神经网络模型的短期电力负荷预测方法,其特征在于步骤202)中,用多尺度卷积描述不同长度时域数据相互关系为:
通过输入序列长度确定卷积核大小、尺度因子和网络深度,使三者之积大于输入序列的长度。
5.根据权利要求3所述的基于信息融合卷积神经网络模型的短期电力负荷预测方法,其特征在于步骤203)中,利用残差网络结构提升网络深度和预测精为:采用残差结构,由多个残差块堆叠而成,其中一个残差块包括多尺度信息融合卷积、权重标准化、激活函数、Dropout结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811386602.XA CN109543901A (zh) | 2018-11-20 | 2018-11-20 | 基于信息融合卷积神经网络模型的短期电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811386602.XA CN109543901A (zh) | 2018-11-20 | 2018-11-20 | 基于信息融合卷积神经网络模型的短期电力负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109543901A true CN109543901A (zh) | 2019-03-29 |
Family
ID=65848678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811386602.XA Pending CN109543901A (zh) | 2018-11-20 | 2018-11-20 | 基于信息融合卷积神经网络模型的短期电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543901A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135634A (zh) * | 2019-04-29 | 2019-08-16 | 广东电网有限责任公司电网规划研究中心 | 中长期电力负荷预测装置 |
CN110210672A (zh) * | 2019-06-04 | 2019-09-06 | 北京百度网讯科技有限公司 | 用电量预测的方法和装置、电子设备、计算机可读介质 |
CN110349676A (zh) * | 2019-06-14 | 2019-10-18 | 华南师范大学 | 时序生理数据分类方法、装置、存储介质和处理器 |
CN110472779A (zh) * | 2019-07-30 | 2019-11-19 | 东莞理工学院 | 一种基于时间卷积网络的电力系统短期负荷预测方法 |
CN110866645A (zh) * | 2019-11-15 | 2020-03-06 | 国网湖南省电力有限公司 | 一种基于深度学习的超短期负荷预测方法及系统 |
CN110874671A (zh) * | 2019-10-24 | 2020-03-10 | 腾讯科技(深圳)有限公司 | 一种配电网的电力负荷预测方法、装置及存储介质 |
CN111008726A (zh) * | 2019-10-28 | 2020-04-14 | 武汉理工大学 | 一种电力负荷预测中类图片转换方法 |
CN111080032A (zh) * | 2019-12-30 | 2020-04-28 | 成都数之联科技有限公司 | 一种基于Transformer结构的负荷预测方法 |
CN111080477A (zh) * | 2019-12-06 | 2020-04-28 | 北京国电通网络技术有限公司 | 一种家庭电力负荷预测方法及系统 |
CN111160619A (zh) * | 2019-12-06 | 2020-05-15 | 北京国电通网络技术有限公司 | 一种基于数据衍生的电力负荷预测方法 |
CN111461436A (zh) * | 2020-01-13 | 2020-07-28 | 长沙理工大学 | 一种预测电动汽车充电负荷时空动态分布的方法 |
CN111639799A (zh) * | 2020-05-27 | 2020-09-08 | 中国电力科学研究院有限公司 | 基于卷积轻量级梯度提升树的负荷总功率预测方法及系统 |
CN111738348A (zh) * | 2020-06-29 | 2020-10-02 | 南方电网科学研究院有限责任公司 | 一种电力数据异常检测方法和装置 |
CN112508734A (zh) * | 2020-11-27 | 2021-03-16 | 国网浙江省电力有限公司杭州供电公司 | 基于卷积神经网络的电力企业发电量的预测方法及装置 |
CN112525438A (zh) * | 2020-10-15 | 2021-03-19 | 国网浙江省电力有限公司杭州供电公司 | 一种sf6密度继电器的漏气监测方法及系统 |
CN113837227A (zh) * | 2021-08-26 | 2021-12-24 | 北京智芯微电子科技有限公司 | 负载预测方法、装置、芯片、电子设备及存储介质 |
CN113962303A (zh) * | 2021-10-21 | 2022-01-21 | 哈尔滨工程大学 | 基于密度融合的水下试验环境反演方法及系统 |
CN114169500A (zh) * | 2021-11-30 | 2022-03-11 | 电子科技大学 | 一种基于小规模电磁数据的神经网络模型处理方法 |
CN115034769A (zh) * | 2022-08-11 | 2022-09-09 | 国网信息通信产业集团有限公司 | 电力信息生成方法、装置、电子设备和计算机可读介质 |
CN117556715A (zh) * | 2024-01-12 | 2024-02-13 | 湖南大学 | 基于信息融合的典型环境下智能电表退化分析方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295081A (zh) * | 2013-07-02 | 2013-09-11 | 上海电机学院 | 基于bp神经网络的电力系统负荷预测方法 |
CN107423839A (zh) * | 2017-04-17 | 2017-12-01 | 湘潭大学 | 一种基于深度学习的智能楼宇微网负荷预测的方法 |
CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
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 |
-
2018
- 2018-11-20 CN CN201811386602.XA patent/CN109543901A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295081A (zh) * | 2013-07-02 | 2013-09-11 | 上海电机学院 | 基于bp神经网络的电力系统负荷预测方法 |
CN107423839A (zh) * | 2017-04-17 | 2017-12-01 | 湘潭大学 | 一种基于深度学习的智能楼宇微网负荷预测的方法 |
CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
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 |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135634A (zh) * | 2019-04-29 | 2019-08-16 | 广东电网有限责任公司电网规划研究中心 | 中长期电力负荷预测装置 |
CN110210672A (zh) * | 2019-06-04 | 2019-09-06 | 北京百度网讯科技有限公司 | 用电量预测的方法和装置、电子设备、计算机可读介质 |
CN110349676A (zh) * | 2019-06-14 | 2019-10-18 | 华南师范大学 | 时序生理数据分类方法、装置、存储介质和处理器 |
CN110349676B (zh) * | 2019-06-14 | 2021-10-29 | 华南师范大学 | 时序生理数据分类方法、装置、存储介质和处理器 |
CN110472779A (zh) * | 2019-07-30 | 2019-11-19 | 东莞理工学院 | 一种基于时间卷积网络的电力系统短期负荷预测方法 |
CN110874671B (zh) * | 2019-10-24 | 2021-03-16 | 腾讯科技(深圳)有限公司 | 一种配电网的电力负荷预测方法、装置及存储介质 |
CN110874671A (zh) * | 2019-10-24 | 2020-03-10 | 腾讯科技(深圳)有限公司 | 一种配电网的电力负荷预测方法、装置及存储介质 |
CN111008726A (zh) * | 2019-10-28 | 2020-04-14 | 武汉理工大学 | 一种电力负荷预测中类图片转换方法 |
CN111008726B (zh) * | 2019-10-28 | 2023-08-29 | 武汉理工大学 | 一种电力负荷预测中类图片转换方法 |
CN110866645A (zh) * | 2019-11-15 | 2020-03-06 | 国网湖南省电力有限公司 | 一种基于深度学习的超短期负荷预测方法及系统 |
CN111080477A (zh) * | 2019-12-06 | 2020-04-28 | 北京国电通网络技术有限公司 | 一种家庭电力负荷预测方法及系统 |
CN111160619A (zh) * | 2019-12-06 | 2020-05-15 | 北京国电通网络技术有限公司 | 一种基于数据衍生的电力负荷预测方法 |
CN111080032B (zh) * | 2019-12-30 | 2023-08-29 | 成都数之联科技股份有限公司 | 一种基于Transformer结构的负荷预测方法 |
CN111080032A (zh) * | 2019-12-30 | 2020-04-28 | 成都数之联科技有限公司 | 一种基于Transformer结构的负荷预测方法 |
CN111461436A (zh) * | 2020-01-13 | 2020-07-28 | 长沙理工大学 | 一种预测电动汽车充电负荷时空动态分布的方法 |
CN111639799A (zh) * | 2020-05-27 | 2020-09-08 | 中国电力科学研究院有限公司 | 基于卷积轻量级梯度提升树的负荷总功率预测方法及系统 |
CN111639799B (zh) * | 2020-05-27 | 2023-09-26 | 中国电力科学研究院有限公司 | 基于卷积轻量级梯度提升树的负荷总功率预测方法及系统 |
CN111738348A (zh) * | 2020-06-29 | 2020-10-02 | 南方电网科学研究院有限责任公司 | 一种电力数据异常检测方法和装置 |
CN112525438A (zh) * | 2020-10-15 | 2021-03-19 | 国网浙江省电力有限公司杭州供电公司 | 一种sf6密度继电器的漏气监测方法及系统 |
CN112508734A (zh) * | 2020-11-27 | 2021-03-16 | 国网浙江省电力有限公司杭州供电公司 | 基于卷积神经网络的电力企业发电量的预测方法及装置 |
CN112508734B (zh) * | 2020-11-27 | 2024-04-26 | 国网浙江省电力有限公司杭州供电公司 | 基于卷积神经网络的电力企业发电量的预测方法及装置 |
CN113837227A (zh) * | 2021-08-26 | 2021-12-24 | 北京智芯微电子科技有限公司 | 负载预测方法、装置、芯片、电子设备及存储介质 |
CN113837227B (zh) * | 2021-08-26 | 2024-02-02 | 北京智芯微电子科技有限公司 | 负载预测方法、装置、芯片、电子设备及存储介质 |
CN113962303A (zh) * | 2021-10-21 | 2022-01-21 | 哈尔滨工程大学 | 基于密度融合的水下试验环境反演方法及系统 |
CN113962303B (zh) * | 2021-10-21 | 2024-04-26 | 哈尔滨工程大学 | 基于密度融合的水下试验环境反演方法及系统 |
CN114169500B (zh) * | 2021-11-30 | 2023-04-18 | 电子科技大学 | 一种基于小规模电磁数据的神经网络模型处理方法 |
CN114169500A (zh) * | 2021-11-30 | 2022-03-11 | 电子科技大学 | 一种基于小规模电磁数据的神经网络模型处理方法 |
CN115034769A (zh) * | 2022-08-11 | 2022-09-09 | 国网信息通信产业集团有限公司 | 电力信息生成方法、装置、电子设备和计算机可读介质 |
CN117556715A (zh) * | 2024-01-12 | 2024-02-13 | 湖南大学 | 基于信息融合的典型环境下智能电表退化分析方法及系统 |
CN117556715B (zh) * | 2024-01-12 | 2024-03-26 | 湖南大学 | 基于信息融合的典型环境下智能电表退化分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543901A (zh) | 基于信息融合卷积神经网络模型的短期电力负荷预测方法 | |
Alencar et al. | Hybrid approach combining SARIMA and neural networks for multi-step ahead wind speed forecasting in Brazil | |
CN109255505A (zh) | 一种多模型融合神经网络的短期负荷预测方法 | |
Hambali et al. | Electric power load forecast using decision tree algorithms | |
CN109409561B (zh) | 多时间尺度时间序列协同预测模型的构建方法 | |
Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
CN105893669A (zh) | 一种基于数据挖掘的全局仿真性能预测方法 | |
CN112925824A (zh) | 针对极端天气类型的光伏功率预测方法及系统 | |
Zu et al. | A simple gated recurrent network for detection of power quality disturbances | |
CN108132423A (zh) | 一种基于状态转移概率电力系统监测数据失真的快速定位方法 | |
CN104933471A (zh) | 一种用于短期风速预测方法中相空间重构方法 | |
Ghassemi et al. | Optimal surrogate and neural network modeling for day-ahead forecasting of the hourly energy consumption of university buildings | |
CN115982646B (zh) | 一种基于云平台的多源测试数据的管理方法及系统 | |
CN116187640B (zh) | 一种基于网格多属性画像体系的配电网规划方法及装置 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
CN111784019A (zh) | 电力负荷处理方法和装置 | |
CN114780742B (zh) | 一种灌区流量调度知识图谱问答系统构建与使用方法 | |
CN109614381A (zh) | 电力调度日志分类方法、装置及设备 | |
Hu et al. | Probabilistic net load forecasting based on transformer network and Gaussian process-enabled residual modeling learning method | |
CN115293249A (zh) | 一种基于动态时序预测的电力系统典型场景概率预测方法 | |
CN109034453A (zh) | 一种基于多标记神经网络的短期电力负荷预测方法 | |
CN113807027A (zh) | 一种风电机组健康状态评估模型、方法及系统 | |
CN113537607A (zh) | 停电预测方法 | |
Zhang | Deep learning-based hybrid short-term solar forecast using sky images and meteorological data | |
Guachimboza-Davalos et al. | Prediction of monthly electricity consumption by cantons in ecuador through neural networks: a case study |
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: 20190329 |