CN109615124A - 一种基于深度学习的scada主站负荷预测方法 - Google Patents
一种基于深度学习的scada主站负荷预测方法 Download PDFInfo
- Publication number
- CN109615124A CN109615124A CN201811441267.9A CN201811441267A CN109615124A CN 109615124 A CN109615124 A CN 109615124A CN 201811441267 A CN201811441267 A CN 201811441267A CN 109615124 A CN109615124 A CN 109615124A
- Authority
- CN
- China
- Prior art keywords
- data
- deep learning
- main website
- load
- method based
- 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
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000013277 forecasting method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 241001269238 Data Species 0.000 claims abstract description 7
- 238000002790 cross-validation Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000001413 cellular effect Effects 0.000 claims description 2
- 238000004132 cross linking Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 8
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 239000000284 extract Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal 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
- 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
-
- 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)
- 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)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (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
本发明公开了一种基于深度学习的SCADA主站负荷预测方法，该主站预测方法主要包括以下步骤：生成原始数据；对原始数据进行预处理，所述预处理包括箱型图剔除异常值、保形分段三次Hermite插值计算和特征提取并逐个特征归一化；对预处理中归一化得到的样本数据采用深度学习LSTM网络进行训练，并通过交叉验证得到最优模型参数；利用最优模型参数进行实时负荷预测。本发明采用自适应非线性处理技术，利用大量历史数据训练，提高短期负荷预测精度，便于调度人员准确、实时地了解未来负荷的变化波动。
Description
技术领域
本发明涉及电力系统技术领域，具体是指一种基于深度学习的SCADA主站负荷预测方法。
背景技术
牵引供电负荷预测可分为长期、中期以及短期负荷预测，而短期负荷预测已经成为系统调度分析和优化的基本工作，准确的负荷预测既能保证牵引供电的稳定，减少用电成本，提高供电质量，也有助于供电系统的安全运营。负荷数据不仅表现在与历史数据有关，而且还与其它因素有关，比如天气，温度，降雨量等。负荷数据与这些因素之间的关系是高度复杂且非线性的，现阶段还未能建立这种关系的量化表达式。牵引供电系统负荷分配日渐复杂化、无规律，导致供电系统的负荷预测十分困难。
目前，牵引供电系统负荷预测多采用线性预测方法，比如线性回归、自回归滑动平均模型(ARMA)、自回归积分滑动平均模型(ARIMA)等，这些线性预测方法多适用于中长期负荷预测，对于短期非平稳、非线性预测情况，难以模拟数据之间的实际关系，并且这类方法考虑的因素少而且预测精度低，不适用于短期负荷预测。传统神经网络、支持向量机能较好地解决短期复杂情况，这类方法具有强大的非线性映射能力，但是神经网络模型在训练过程中极易陷入局部极小及受到过拟合的影响，支持向量机是浅层特征学习模型，对大规模训练样本难以实施，而且这两类方法的网络中没有记忆单元，缺少对时序数据时间相关性的分析。因此，如何通过大量历史数据准确预测SCADA主站负荷，实现准确、实时地了解未来负荷的变化波动是一个亟待解决的问题。
发明内容
本发明的目的在于提供一种基于深度学习的SCADA主站负荷预测方法，采用自适应非线性处理技术，充分利用大量历史数据训练，提高短期负荷预测精度，使调度人员准确、实时地了解未来负荷的变化波动。
本发明通过下述技术方案实现：
一种基于深度学习的SCADA主站负荷预测方法，该SCADA主站负荷预测方法主要包括以下步骤：
步骤一：生成原始数据；
步骤二：对原始数据进行预处理，所述预处理包括箱型图剔除异常值、保形分段三次Hermite插值计算和特征提取并逐个特征归一化；
步骤三：对预处理中归一化得到的样本数据采用深度学习LSTM网络进行训练，并通过交叉验证得到最优模型参数；
步骤四：利用最优模型参数进行实时负荷预测。
进一步的所述步骤一中的原始数据从SCADA系统中获取，且原始数据包括预测日之前若干天的历史数据、预测日之前指定时间宽度的历史数据以及天气、温度、降雨量的历史数据。
进一步的所述步骤二中特征提取先对某一段时间提取负荷的最大值、最小值和平均值，这段时间按实际需要而定，一般取5分钟。
进一步的所述步骤二的具体实现过程如下：
(1)箱型图剔除异常值：
该算法主要包含五个数据节点，分别为下四分位数Q1、中位数Q2、上四分位数Q3、下边缘、上边缘，四分位距记为：IQR＝Q3-Q1，上边缘记为：Q3+1.5IQR，下边缘记为：Q1-1.5IQR，位于下边缘与上边缘区间之外的数据为异常值；
(2)保形分段三次Hermite插值计算：
设f(x)在节点a≤x0,x1,...,xn≤b处的函数值为f0,f1,...fn，设P(x)是f(x)在区间[a,b]的具有一阶导数的插值函数，要求P(x)在[a,b]上具有一阶导数，即一阶光滑度：
P(xi)＝f(xi)＝fi
P'(xi)＝f'(xi)＝f',i＝0,1,...,n
P(x)是最高次数为2n+1次多项式，通过基函数构造P(x)；
(3)特征提取：
提取需要预测时间段之前若干天数据的最大值、最小值、平均值，并拼接成一个训练样本，在训练样本中加入天气、温度、降雨量的数据；
(4)归一化处理：
利用归一化公式：，i＝1，2，...，n，将历史电流数据归一化到[0，1]之间，其中，xmax是历史电流数据的最大值，xmin是历史电流数据的最小值，同理，利用归一化公式对天气、温度、降雨量的数据分别进行归一化处理。
进一步的所述步骤三的具体实现过程如下：
(1)LSTM前向传播：
通过LSTM网络的网络结构分析，上一序列的隐藏状态h(t-1)和本序列数据x(t)线性组合通过激活函数，得到遗忘门输出f(t)，当激活函数选择Sigmoid函数时，f(t)表示遗忘上一层隐藏细胞状态的概率，表达式为：f(t)＝σ(Wfh(t-1)+Ufx(t)+bf)，输入门由两部分组成，第一部分输出为i(t)，第二部分输出为a(t)，表达式如下：
i(t)＝σ(Wih(t-1)+Uix(t)+bi)
a(t)＝tanh(Wah(t-1)+Uax(t)+ba)
在LSTM进入输出门状态之前，遗忘门和输入门会作用于细胞状态C(t)， 是Hadamard积，
o(t)＝σ(Woh(t-1)+Uox(t)+bo)
最后更新当前序列预测输出
(2)LSTM反向传播权值更新：
本发明与现有技术相比，具有的有益效果为：
(1)本发明提出的一种基于数据处理与LSTM的SCADA主站负荷预测技术，采用自适应非线性处理技术，充分利用大量历史数据训练，提高短期负荷预测精度，使调度人员准确、实时地了解未来负荷的变化波动，更有针对性地进行经济调度及机组协调稳定运行。
(2)本发明在对原始数据分析之前进行数据预处理，其中，选用箱型图算法将电流的异常数据剔除，然后对样本数据进行插值计算，保证样本数据在任一个时刻点都存在数据，由于电流采样频率较小，综合考虑精度以及平滑性，采用保形分段三次Hermite插值算法对电流以及电压进行插值计算，提高插值计算的准确性和平滑性。
(3)本发明在对经过异常数据剔除以及插值计算之后的数据进行特征提取时，不会预测每一个时刻的负荷值，而是对某一段时间提取负荷的最大值、最小值和平均值，不仅能减轻模型训练负担，并且能快速找到决策区间。
附图说明
图1为本发明的流程图。
图2为长短时记忆神经网络(LSTM)结构图。
图3为电流变化曲线图。
图4为插值计算效果图。
图5为箱型图异常数据分析图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。
实施例：
如图1-5所示，本发明为了克服现有技术的缺陷，提出了一种基于数据处理与LSTM的SCADA主站负荷预测技术，采用自适应非线性处理技术，充分利用大量历史数据训练，提高短期负荷预测精度，使调度人员准确、实时地了解未来负荷的变化波动，更有针对性地进行经济调度及机组协调稳定运行。
一种基于深度学习的SCADA主站负荷预测方法，该SCADA主站负荷预测方法主要包括以下步骤：
步骤一：生成原始数据，原始数据从SCADA系统中获取，且原始数据包括预测日之前若干天的历史数据、预测日之前指定时间宽度的历史数据以及天气、温度、降雨量的历史数据。
步骤二：对原始数据进行预处理，所述预处理包括剔除异常值、插值计算和特征提取并逐个特征归一化，步骤二的具体实现过程如下：
(1)剔除异常值：
本发明剔除异常值的方法选用箱型图算法，如图5所示，该算法主要包含五个数据节点，分别为下四分位数Q1、中位数Q2、上四分位数Q3、下边缘、上边缘，四分位距记为：IQR＝Q3-Q1，上边缘记为：Q3+1.5IQR，下边缘记为：Q1-1.5IQR，位于下边缘与上边缘区间之外的数据为异常值。
(2)保形分段三次Hermite插值计算：
在剔除异常值之后，为了后续的特征分析，需要对电流进行插值。插值算法主要有拉格朗日插值算法、牛顿插值算法、分段线性插值算法、样条插值算法、保形分段三次Hermite插值算法。由于电流采样频率较小，综合考虑精度以及平滑性，本发明采用保形分段三次Hermite插值算法对电流及电压进行插值运算，如图4所示，分别为分段线性插值算法和保形分段三次Hermite插值算法的插值效果图，由图可见，采用保形分段三次Hermite插值算法进行插值计算得出的数据更加平滑。设f(x)在节点a≤x0,x1,...,xn≤b处的函数值为f0,f1,...fn，设P(x)是f(x)在区间[a,b]的具有一阶导数的插值函数，要求P(x)在[a,b]上具有一阶导数，即一阶光滑度：
P(xi)＝f(xi)＝fi
P'(xi)＝f'(xi)＝f',i＝0,1,...,n
P(x)是最高次数为2n+1次多项式，通过基函数构造P(x)。
(3)特征分析：
完成了剔除异常值和插值计算之后，即可保证历史采样数据在任一个时刻点都存在数据，并得到正常范围的完整数据。牵引供电负荷预测往往关心的是某一段时间负荷的最大值、最小值以及平均值是否在预测的区间内经济调度。因此，本发明在特征提取时，不会预测每一个时刻的负荷值，而是对某一段时间提取负荷的最大值、最小值和平均值，这段时间按实际需要而定，一般取5分钟，这样不仅能减轻模型训练负担，并且可以快速找到决策区间。
(4)特征提取：
经过上述三个步骤之后，需要准备LSTM模型训练数据。按照上述指定分钟数设置移动滑动窗口，提取需要预测时间段之前若干天数据的最大值、最小值、平均值，然后拼接成一个训练样本。由于当前区间不仅与历史天数的数据相关，而且还与此时间段之前的某个时间段的数据相关，同理按照历史天数的特征提取方式提取出前段时间的最大值、最小值及平均值。此外，负荷数据不仅表现在与历史数据有关，而且还与其它因素有关，比如天气，温度，降雨量的数据。因此，训练样本中还需加入天气、温度、降雨量的数据。
(5)归一化处理：
为了满足LSTM模型的输入需求，得到的训练样本需要经过归一化处理，归一化处理的具体步骤如下：
利用归一化公式：，i＝1，2，...，n，将历史电流数据归一化到[0，1]之间，其中，xmax是历史电流数据的最大值，xmin是历史电流数据的最小值，同理，利用归一化公式对天气、温度、降雨量的数据分别进行归一化处理。
步骤三：对预处理中归一化处理后得到的样本数据采用深度学习LSTM网络进行训练，并通过交叉验证得到最优模型参数，模型并不能长时间有效，需要在一段时间之后重新按照上面步骤重新训练模型；步骤三的具体实现过程如下：
(1)LSTM前向传播：
如图2所示，上一序列的隐藏状态h(t-1)和本序列数据x(t)线性组合通过激活函数，得到遗忘门输出f(t)，当激活函数选择Sigmoid函数时，f(t)表示遗忘上一层隐藏细胞状态的概率，表达式为：f(t)＝σ(Wfh(t-1)+Ufx(t)+bf)，输入门由两部分组成，第一部分输出为i(t)，第二部分输出为a(t)，表达式如下：
i(t)＝σ(Wih(t-1)+Uix(t)+bi)
a(t)＝tanh(Wah(t-1)+Uax(t)+ba)
在LSTM进入输出门状态之前，遗忘门和输入门会作用于细胞状态C(t)， 是Hadamard积，
o(t)＝σ(Woh(t-1)+Uox(t)+bo)
最后更新当前序列预测输出即得到LSTM训练模型。
(2)LSTM反向传播权值更新：
步骤四：利用最优模型参数进行实时负荷预测，预测过程中同样采用滑动窗口的方式进行区间负荷最大值、最小值、平均值预测。
本发明提供了一种负荷预测数据预处理方法和一种实时负荷预测方法，首先对获取的原始数据进行预处理，提高数据质量，增加数据分析与模型训练的可靠性与精确性，然后采用数据处理与LSTM的SCADA主站负荷预测技术以及自适应式非线性处理技术对短期负荷进行预测，不仅提高了短期负荷预测的精度，使调度人员准确、实时地了解未来负荷的变化波动，更有针对性地进行经济调度及机组协调稳定运行。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。
Claims (5)
1.一种基于深度学习的SCADA主站负荷预测方法，其特征在于：该SCADA主站负荷预测方法主要包括以下步骤：
步骤一：生成原始数据；
步骤二：对原始数据进行预处理，所述预处理包括箱型图剔除异常值、保形分段三次Hermite插值计算和特征提取并逐个特征归一化；
步骤三：对预处理中归一化得到的样本数据采用深度学习LSTM网络进行训练，并通过交叉验证得到最优模型参数；
步骤四：利用最优模型参数进行实时负荷预测。
2.根据权利要求1所述的一种基于深度学习的SCADA主站负荷预测方法，其特征在于：所述步骤一中的原始数据从SCADA系统中获取，且原始数据包括预测日之前若干天的历史数据、预测日之前指定时间宽度的历史数据以及天气、温度、降雨量的历史数据。
3.根据权利要求1所述的一种基于深度学习的SCADA主站负荷预测方法，其特征在于：所述步骤二中特征提取先对某一段时间提取负荷的最大值、最小值和平均值。
4.根据权利要求1所述的一种基于深度学习的SCADA主站负荷预测方法，其特征在于：所述步骤二的具体实现过程如下：
(1)箱型图剔除异常值：
该算法主要包含五个数据节点，分别为下四分位数Q1、中位数Q2、上四分位数Q3、下边缘、上边缘，四分位距IQR＝Q3-Q1，上边缘Q3+1.5IQR，下边缘Q1-1.5IQR，位于下边缘与上边缘区间之外的数据为异常值；
(2)保形分段三次Hermite插值计算：
设f(x)在节点a≤x0,x1,...,xn≤b处的函数值为f0,f1,...fn，设P(x)是f(x)在区间[a,b]的具有一阶导数的插值函数，要求P(x)在[a,b]上具有一阶导数，即一阶光滑度：
P(xi)＝f(xi)＝fi
P'(xi)＝f'(xi)＝f',i＝0,1,...,n
P(x)是最高次数为2n+1次多项式，通过基函数构造P(x)；
(3)特征提取：
提取需要预测时间段之前若干天数据的最大值、最小值、平均值，并拼接成一个训练样本，在训练样本中加入天气、温度、降雨量的数据；
(4)归一化处理：
利用归一化公式：将历史电流数据归一化到[0，1]之间，其中，xmax是历史电流数据的最大值，xmin是历史电流数据的最小值，同理，利用归一化公式对天气、温度、降雨量的数据分别进行归一化处理。
5.根据权利要求1所述的一种基于深度学习的SCADA主站负荷预测方法，其特征在于：所述步骤三的具体实现过程如下：
(1)LSTM前向传播：
通过LSTM网络的网络结构分析，上一序列的隐藏状态h(t-1)和本序列数据x(t)线性组合通过激活函数，得到遗忘门输出f(t)，当激活函数选择Sigmoid函数时，f(t)表示遗忘上一层隐藏细胞状态的概率，表达式为：f(t)＝σ(Wfh(t-1)+Ufx(t)+bf)，输入门由两部分组成，第一部分输出为i(t)，第二部分输出为a(t)，表达式如下：
i(t)＝σ(Wih(t-1)+Uix(t)+bi)
a(t)＝tanh(Wah(t-1)+Uax(t)+ba)
在LSTM进入输出门状态之前，遗忘门和输入门会作用于细胞状态C(t)，C(t)＝C(t-1)⊙f(t)+i(t)⊙a(t)，⊙是Hadamard积，
o(t)＝σ(Woh(t-1)+Uox(t)+bo)
h(t)＝o(t)⊙tanh(C(t))
最后更新当前序列预测输出
(2)LSTM反向传播权值更新：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811441267.9A CN109615124B (zh) | 2018-11-29 | 2018-11-29 | 一种基于深度学习的scada主站负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811441267.9A CN109615124B (zh) | 2018-11-29 | 2018-11-29 | 一种基于深度学习的scada主站负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109615124A true CN109615124A (zh) | 2019-04-12 |
| CN109615124B CN109615124B (zh) | 2022-12-30 |
Family
ID=66004944
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811441267.9A Active CN109615124B (zh) | 2018-11-29 | 2018-11-29 | 一种基于深度学习的scada主站负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109615124B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112084347A (zh) * | 2020-09-15 | 2020-12-15 | 东北大学 | 一种基于知识表示学习的数据检索方法及系统 |
| CN112101653A (zh) * | 2020-09-10 | 2020-12-18 | 湘潭大学 | 一种新型电气化铁路牵引负荷预测方法 |
| CN112651539A (zh) * | 2019-10-12 | 2021-04-13 | 富士通株式会社 | 信息处理装置和信息处理方法 |
| WO2021197009A1 (zh) * | 2020-04-02 | 2021-10-07 | 中国长江三峡集团有限公司 | 一种水情监测数据的实时异常诊断与插补方法 |
| CN115221472A (zh) * | 2022-07-21 | 2022-10-21 | 国网江苏省电力有限公司电力科学研究院 | 一种用户电压限值的自适应设置方法、装置、存储器及计算设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485353A (zh) * | 2016-09-30 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 空气污染物浓度预报方法及系统 |
| CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
| 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 |
| CN107370188A (zh) * | 2017-09-11 | 2017-11-21 | 国网山东省电力公司莱芜供电公司 | 一种计及风电出力的电力系统多目标调度方法 |
| CN107766995A (zh) * | 2017-12-08 | 2018-03-06 | 国网山东省电力公司枣庄供电公司 | 基于深度递归神经网络的电力系统短期负荷预测方法 |
| WO2018178809A1 (en) * | 2017-03-28 | 2018-10-04 | Bundesamt Für Zivilluftfahrt | Noise level simulation method as well as computer readable medium and system therefore |
| CN108665106A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 一种水产养殖溶解氧预测方法及装置 |
-
2018
- 2018-11-29 CN CN201811441267.9A patent/CN109615124B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485353A (zh) * | 2016-09-30 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 空气污染物浓度预报方法及系统 |
| CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
| 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 |
| WO2018178809A1 (en) * | 2017-03-28 | 2018-10-04 | Bundesamt Für Zivilluftfahrt | Noise level simulation method as well as computer readable medium and system therefore |
| CN107370188A (zh) * | 2017-09-11 | 2017-11-21 | 国网山东省电力公司莱芜供电公司 | 一种计及风电出力的电力系统多目标调度方法 |
| CN107766995A (zh) * | 2017-12-08 | 2018-03-06 | 国网山东省电力公司枣庄供电公司 | 基于深度递归神经网络的电力系统短期负荷预测方法 |
| CN108665106A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 一种水产养殖溶解氧预测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 刘桐彤: "基于长短期记忆神经网络的短期负荷预测方法", 《黑龙江科技信息》 * |
| 胡启元: "一种改进的短期负荷预测方法", 《四川电力技术》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112651539A (zh) * | 2019-10-12 | 2021-04-13 | 富士通株式会社 | 信息处理装置和信息处理方法 |
| WO2021197009A1 (zh) * | 2020-04-02 | 2021-10-07 | 中国长江三峡集团有限公司 | 一种水情监测数据的实时异常诊断与插补方法 |
| GB2601261A (en) * | 2020-04-02 | 2022-05-25 | China Three Gorges Corp | Real-time abnormal diagnosis and interpolation method for water regimen monitoring data |
| JP2022541297A (ja) * | 2020-04-02 | 2022-09-22 | 中国長江三峡集団有限公司 | 水環境監視データのための実時間異常診断及び補間方法 |
| JP7333862B2 (ja) | 2020-04-02 | 2023-08-25 | 中国長江三峡集団有限公司 | 水環境監視データのための実時間異常診断及び補間方法 |
| GB2601261B (en) * | 2020-04-02 | 2024-05-15 | China Three Gorges Corp | Real-time abnormal diagnosis and interpolation method for water regimen monitoring data |
| CN112101653A (zh) * | 2020-09-10 | 2020-12-18 | 湘潭大学 | 一种新型电气化铁路牵引负荷预测方法 |
| CN112084347A (zh) * | 2020-09-15 | 2020-12-15 | 东北大学 | 一种基于知识表示学习的数据检索方法及系统 |
| CN112084347B (zh) * | 2020-09-15 | 2023-08-25 | 东北大学 | 一种基于知识表示学习的数据检索方法及系统 |
| CN115221472A (zh) * | 2022-07-21 | 2022-10-21 | 国网江苏省电力有限公司电力科学研究院 | 一种用户电压限值的自适应设置方法、装置、存储器及计算设备 |
| CN115221472B (zh) * | 2022-07-21 | 2024-01-30 | 国网江苏省电力有限公司电力科学研究院 | 一种用户电压限值的自适应设置方法、装置、存储器及计算设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109615124B (zh) | 2022-12-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
| CN109615124A (zh) | 一种基于深度学习的scada主站负荷预测方法 | |
| Sehovac et al. | Deep learning for load forecasting: Sequence to sequence recurrent neural networks with attention | |
| Gao et al. | Day-ahead power forecasting in a large-scale photovoltaic plant based on weather classification using LSTM | |
| Zhou et al. | An optimized heterogeneous structure LSTM network for electricity price forecasting | |
| Mi et al. | Wind speed forecasting method using wavelet, extreme learning machine and outlier correction algorithm | |
| Di Piazza et al. | An artificial neural network-based forecasting model of energy-related time series for electrical grid management | |
| Qu et al. | A temporal distributed hybrid deep learning model for day-ahead distributed PV power forecasting | |
| CN108280551B (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
| Kani et al. | Very short-term wind speed prediction: A new artificial neural network–Markov chain model | |
| Xiao et al. | An improved combination approach based on Adaboost algorithm for wind speed time series forecasting | |
| Kulkarni et al. | A spiking neural network (SNN) forecast engine for short-term electrical load forecasting | |
| US10386544B2 (en) | Solar power forecasting using mixture of probabilistic principal component analyzers | |
| Benaggoune et al. | A data-driven method for multi-step-ahead prediction and long-term prognostics of proton exchange membrane fuel cell | |
| CN109948845A (zh) | 一种配电网负荷长短期记忆神经网络预测方法 | |
| CN106920014A (zh) | 一种短时负荷预测方法及装置 | |
| Mahmoud et al. | Modelling self-optimised short term load forecasting for medium voltage loads using tunning fuzzy systems and Artificial Neural Networks | |
| Bonetto et al. | Machine learning approaches to energy consumption forecasting in households | |
| Moradzadeh et al. | Electric load forecasting under False Data Injection Attacks using deep learning | |
| Akter et al. | Analysis and prediction of hourly energy consumption based on long short-term memory neural network | |
| Su et al. | Short-and mid-term load forecasting using machine learning models | |
| Qi et al. | Short-term prediction of PV power based on fusions of power series and ramp series | |
| Zhao et al. | Interval short-term traffic flow prediction method based on CEEMDAN-SE nosie reduction and LSTM optimized by GWO | |
| Bozlak et al. | An optimized deep learning approach for forecasting day-ahead electricity prices | |
| Phan et al. | Application of a new Transformer-based model and XGBoost to improve one-day-ahead solar power forecasts |
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 |