CN109934386B - 热电联供系统热负荷预测方法 - Google Patents
热电联供系统热负荷预测方法 Download PDFInfo
- Publication number
- CN109934386B CN109934386B CN201910088808.2A CN201910088808A CN109934386B CN 109934386 B CN109934386 B CN 109934386B CN 201910088808 A CN201910088808 A CN 201910088808A CN 109934386 B CN109934386 B CN 109934386B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- heat load
- clustering
- variable
- input
- 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
Images
Abstract
本发明公开一种热电联供系统供热负荷的预测方法,首先选取热负荷的主要影响因素作为变量,其中将室外温度、供水温度、回水温度、供水流量作为输入变量,热负荷作为输出变量,并采集过去一天24小时各变量的历史数据,并对其进行归一化预处理;根据历史数据,利用结合了减法聚类的模糊C均值聚类算法进行结构辨识,来划分输入空间,定义变量对应的模糊集及隶属函数,确定规则数目等,并利用最小二乘算法进行参数辨识,获得以热负荷为输出的线性回归方程;最后将预测日的室外温度等输入变量带入上述线性回归方程,进而估计预测相应的热负荷大小及变化规律,解决了热负荷多变量难以建立预测模型的问题,并能够较精确预测未来24小时的热电联供系统的热负荷。
Description
技术领域
本发明涉及热电联供系统领域,具体为一种热电联供系统的热负荷预测方法。
背景技术
为了满足“节能减排”、“双降双低”的电力新常态下政策,热电联供系统的改造日益重要,而热负荷预测不管在研究供热需求方面,还是在研究供热机组调峰范围方面,对缓解热电机组供热和供电的矛盾都起着重要的作用。
能源系统负荷的变化规律一般是周期性的,同时又含有随机性与不确定性等特点,所以负荷的预测除了受自身的影响,一般还受外界诸多确定因素的影响。目前,有大量的方法用于负荷的预测,如灰色理论、时间序列、神经网络等,但由于大部分的预测是依据历史数据为基础的,且热电联供系统中热负荷的预测具有影响因素多,耦合想强,非线性等特点,常规方法难以建立精确的数学模型。模糊建模是一种建立复杂系统模型的方法,它能够以任意精度近似逼近复杂系统。针对多维模糊推理中的推理规则庞大的问题,T-S(Takagi-Sugeno)模糊模型通过局部线性模型和模糊推理的数量来逼近复杂的非线性系统,具有良好的非线性逼近能力广泛用于复杂非线性系统建模。之后人们将模糊逻辑与神经网络结合来构造模糊神经网络(FNN),能够自动更新校正隶属函数,具有很强的自适应能力,在不同领域有很多应用。
总之,如何精确的预测热电联供系统热负荷未来时间内的大小及变化规律,不管对于解决机组调峰能力还是研究热量供需方面的问题都至关重要,这也是目前该领域迫切要解决的关键问题。
发明内容
本发明目的在于提供一种热电联供系统热负荷预测的方法,解决了难以建立较精确的热负荷预测模型,以此用来预测热负荷的变化,可以为热电联供系统电网调峰及热网供需问题上提供依据,具有很好的现实意义。
为了实现上述目的,本发明采用如下技术方案:
一种热电联供系统热负荷预测方法,包括如下步骤:
步骤(1)、采集热电厂过去一天24小时的室外温度x1、供水温度x2、回水温度x3、供水流量x4、热负荷y的历史数据,为了便于分析,对各变量的数据进行归一化处理。
xN=(x-xll)/(xul-xll) (1)
式(1)中:x是各变量的实际值,xll是变量x的下限值,xul是变量x的上限值,xN是变量x归一化后的值。
步骤(2)、利用T-S模糊算法建立热负荷的预测模型:首先训练上述历史数据进行结构辨识,利用减法聚类进行训练,寻找聚类中心,将获得的聚类中心数作为初始值;再根据初始值利用模糊C均值算法进行结构辨识,来划分输入空间,定义变量对应的模糊集及隶属函数,确定规则数目。接着利用最小二乘算法进行参数的辨识,最终获得以热负荷为输出的线性回归方程。
具体如下:
2.1、减法聚类的聚类中心计算公式如下:
式(2)中,j=1,2,…n;xjs,xjk为输入变量xj的数据点,m为数据点的数量,ra为预先设定好的领域半径。由公式(2)计算每个点的密度指标,选取密度指标最高的数据点作为第一个聚类中心,将第一个聚类中心表示为xjc 1,其对应的密度指标表示为Dc 1(xj)。那么每个数据点的密度指标可以由下式更新:
式(3)中,rb为领域半径,通常rb=1.5ra。这一过程一直循环,直到剩余数据点作为聚类中心的可能性低于某一阈值,即Dc p/Dc 1<δ,停止对聚类中心的搜索。
2.2、模糊C均值聚类算法进行结构辨识步骤包含:
根据减法聚类所确定的初始值C,把样本向量X=(x1,x2,…xj,…xn)T,j=1,2,…n,将其划分为C个模糊组,寻找各组的聚类中心,使FCM得性能指标最小。
式(4)中:U=[μij]是C个模糊分区,V=(v1v2…vc)T,是聚类中心,C是FCM法划分的聚类中心个数,n是输入样本的个数,q∈[1,∞)是加权指数,μij是xj是在第i个规则下的隶属函数。
由拉格朗日乘子法构造新的目标函数
将上式分别对vi和μij求导,使目标函数最小值,其结果如下:
2.3、参数辨识步骤如下:
T-S模糊一般结构如下:
式(8)中:Ri是第i个模糊规则,X=(x1x2…xn)T是输入向量,j=1,2,...,n,是模型的n个输入变量,Ai是第i个规则下的隶属函数集,是输入xj在第i个规则下的隶属函数,yi是第i个规则下的输出,是第i个规则下的后件参数向量,也可以看作第i个线性子模型参数,C是在结构辨识后划分的C个子空间模型,即C个规则数。
式(8)可以用矩阵形式表示Y=XA:
其中Y为C×1的输出矩阵,X是C×(n+1)的输入矩阵,A为(n+1)×C的参数矩阵。
当C=n时,则A=X-1Y
当C>n时,定义误差矢量ε[(ε1,ε2,…,εC)T],则令
ε=Y-XA (10)
将式(10)带入式(11)中,求J对A的导数并使结果等于零,由此可得
A=XTX-1XTY (12)
由上述最小二乘算法获得所建模型的后件参数A。
模糊系统的总体输出由各子系统输出的加权平均获得,其方程如下:
步骤(3)、将预测日的室外温度等变量带入上述线性回归方程,进而估计预测相应的热负荷大小。
本发明与现有技术相比,有益效果如下:
1、本发明将热负荷的主要影响因素即室外温度、供水温度、回水温度、供水流量,作为输入变量进行热负荷的预测建模,考虑的影响因素更多更全面,获得的预测结果也将更精确。
2、本发明针对热负荷中各变量的单位及变化范围等不同,对各变量进行归一化和去坏值的处理。
3、在算法方面,本发明建立了T-S模糊模型,它不仅使用减法聚类优化了FCM算法,可以根据当前输入的采样数据动态地招募或删除模糊规则,还通过递归最小二乘算法进行参数估计,使模糊推理更加合理,最终获得的热负荷的线性回归方程更加准确。
4、将预测日的室外温度等变量带入上述线性回归方程,所获得的热负荷的预测效果较好。
本发明设计合理,具有很好的实际应用与推广价值。
附图说明
图1表示本发明方法的流程图。
图2a表示本发明具体实施例中训练集预测值与实测值对比图。
图2b表示本发明具体实施例中训练集预测值与实测值对比相对误差图。
图3a表示本发明具体实施例中检测集预测值与实际值对比图。
图3b表示本发明具体实施例中检测集预测值与实际值对比相对误差图。
具体实施方式
下面结合附图对本发明的具体实施例进行详细说明。
本发明所述的热电联供系统供热负荷的预测方法,首先选取热负荷的主要影响因素作为变量,其中将室外温度、供水温度、回水温度、供水流量作为输入变量,热负荷作为输出变量,并采集过去一天24小时各变量的历史数据,并对其进行归一化预处理;根据历史数据,利用结合了减法聚类的模糊C均值聚类算法进行结构辨识,来划分输入空间,定义变量对应的模糊集及隶属函数,确定规则数目等,并利用最小二乘算法进行参数辨识,获得以热负荷为输出的线性回归方程;最后将预测日的室外温度等输入变量带入上述线性回归方程,进而估计预测相应的热负荷大小及变化规律。
具体实施如下:
一种热电联供系统热负荷预测方法,包括如下步骤:
步骤1、采集热电厂过去一天24小时的室外温度x1、供水温度x2、回水温度x3、供水流量x4、热负荷y的历史数据,对各变量的数据进行归一化处理;
具体为,采集热电厂过去一天24小时内的室外温度x1、供水温度x2、回水温度x3、供水流量x4、热负荷y的72组历史数据(每20分钟采集一次),针对各变量单位及变化范围不同,对各变量的数据进行归一化处理,其原数据与预处理后的数据。
xN=(x-xll)/(xul-xll) (1)
式(1)中:x是各变量的实际值,xll是变量x的下限值,xul是变量x的上限值,xN是变量x归一化后的值。
训练集原始数据与归一化后数据见表1。
步骤2、将过去一天24小时的72组数据作为训练集,进行热负荷的预测建模。
首先进行结构辨识,其中包含模型类别、对输入空间进行划分、定义变量对应的模糊集及隶属度函数、确定模糊模型规则数等。为了更精确的进行结构辨识,本发明采用基于减法聚类的模糊C均值聚类算法来进行结构辨识。
2.1、减法聚类是利用密度来寻找聚类中心的算法,将训练集72组数据进行减法聚类训练,选取聚类半径ra=0.5,阈值δ=0.15的减法聚类,以如下公式进行计算:
式(2)中,j=1,2,…n(n=4);xjs,xjk为输入变量xj的数据点;m=72,为数据点的数量。由公式(2)计算每个点的密度指标,选取密度指标最高的数据点作为第一个聚类中心,将第一个聚类中心表示为xjc 1,其对应的密度指标表示为Dc 1(xj)。那么每个数据点的密度指标可以由下式更新:
式(3)中,rb为领域半径,通常rb=1.5ra。这一过程一直循环,直到剩余数据点作为聚类中心的可能性低于某一阈值,即Dc p/Dc 1<δ,停止对聚类中心的搜索。
通过上述减法聚类计算,四个变量均获得4个聚类中心,聚类中心如下:
2.2、结合减法聚类的结果进行模糊C均值聚类,根据减法聚类所确定的初始值C=4,把样本向量X=(x1,x2,…xj,…xn)T,j=1,2,…n(n=4),将其划分为4个模糊组,寻找各组的聚类中心,使FCM得性能指标最小。
式(4)中:U=[μij]是C个模糊分区,V=(v1 v2 … vc)T,是聚类中心,C是FCM法划分的聚类中心个数,n是输入样本的个数,q∈[1,∞)是加权指数,μij是xj是在第i个规则下的隶属函数。
由拉格朗日乘子法构造新的目标函数
将上式分别对vi和μij求导,使目标函数最小值,其结果如下:
选取指数权重q=2,经过31次迭代后,目标函数最小为1.413374,最终获得72×4个隶属度函数,即U=[μij],其结果如表2所示,而聚类中心V=(v1,v2…vc)T如下所示:
2.3、对热负荷预测模型进行参数辨识,通过利用最小二乘算法获得模型的后件参数,后件参数A如下所示:
将后件参数带入模糊规则中,具体如下所示,其中t为采样时间,t–1为上一个采样时间
R1:if x1(t–1)is A11,x2(t–1)is A12,x3(t–1)is A13,x4(t–1)is A14,
theny(t)=–1.112+0.4103x1(t–1)+0.518x2(t–1)+2.688x3(t–1)–1.121x4(t–1)
R2:if x1(t–1)is A21,x2(t–1)is A22,x3(t–1)is A23,x4(t–1)is A24,
theny(t)=–0.437+0.836x1(t–1)+0.7003x2(t–1)+1.583x3(t–1)–1.391x4(t–1)
R3:if x1(t–1)is A31,x2(t–1)is A32,x3(t–1)is A33,x4(t–1)is A34,
Theny(t)=–0.2884+1.843x1(t–1)–0.1925x2(t–1)+0.498x3(t–1)–0.6322x4(t–1)
R4:if x1(t–1)is A41,x2(t–1)is A42,x3(t–1)is A43,x4(t–1)is A44,
theny(t)=–0.4257–0.7797x1(t–1)–1.835x2(t–1)+0.9696x3(t–1)–0.2923x4(t–1)。
通过上式计算w1=0.06802;w2=0.08119;w3=0.005186;w4=0.005584。
则最终T-S模糊模型输出为:
y(t)=–0.7188+0.63123x1(t–1)+0.50537x2(t–1)+1.99628x3(t–1)–1.21327x4(t–1)。
步骤3、采集第二天24小时的72组数据,并进行归一化预处理,将室外温度等变量作为上述预测模型线性回归方程,进而预测热负荷大小及变化范围。
实施例采集山西河坡发电厂某天24小时历史数据,以T-S模糊算法来进行热负荷的预测建模,并对未来24小时的热负荷进行预测,其结果如下:
训练集与实际值对比如图2a和图2b所示,两条输出曲线的变化趋势基本一致,且一些点基本与实际输出重合,其中98%的样本点的相对误差在±0.4%之间,最大均方根误差为0.0495,本发明热负荷预测模型的训练结果与实际输出的拟合度较好。
将未来24小时的预测结果与实际数值进行对比如图3a和图3b所示,98%样本点的相对误差在±0.6%之间,精确度较高。
本发明方案解决了热负荷多变量难以建立预测模型的问题,并能够较精确预测未来24小时的热电联供系统的热负荷。
表1训练集原始数据与归一化后数据
表2基于减法聚类的模糊C均值聚类算法所的隶属度函数U=[μij]
上述虽然结合附图对本发明的具体实施方法进行描述,但并不用于限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应保护在本发明的保护范围之内。
Claims (3)
1.一种热电联供系统热负荷预测方法,其特征在于:包括如下步骤:
步骤1、采集热电厂过去一天24小时的室外温度x1、供水温度x2、回水温度x3、供水流量x4、热负荷y的历史数据,对各变量的数据进行归一化处理;
步骤2、利用T-S模糊算法建立热负荷的预测模型,如下:
首先训练上述历史数据进行结构辨识,利用减法聚类进行训练,寻找聚类中心,将获得的聚类中心数作为初始值;
再根据初始值利用模糊C均值算法进行结构辨识,来划分输入输出空间,定义变量对应的模糊集及隶属函数,确定规则数目;
接着利用减法聚类算法进行参数的辨识,最终获得以热负荷为输出的线性回归方程;
其中,步骤2具体如下:
减法聚类的聚类中心计算方法为:
对于n个输入变量X=(x1,x2,…xn)T,其每个输入变量含有m个数据点,即(xj1,xj2,…xjm),每个数据点作为聚类中心,因此数据点xjs的密度指标Ds 1(xj)定义为如下:
式(2)中,j=1,2,…n;xjs、xjk为输入变量xj的数据点,m为数据点的数量,ra为预先设定好的领域半径;由公式(2)计算每个点的密度指标,选取密度指标最高的数据点作为第一个聚类中心,将第一个聚类中心表示为xjc 1,其对应的密度指标表示为Dc 1(xj);那么每个数据点的密度指标由下式更新:
式(3)中,rb为领域半径;这一过程一直循环,直到剩余数据点作为聚类中心的可能性低于某一阈值,即Dc p/Dc 1<δ,停止对聚类中心的搜索;
模糊C均值聚类算法进行结构辨识的计算方法为:
根据减法聚类所确定的初始值C,把样本向量X=(x1,x2,…xj,…xn)T,j=1,2,...n,将其划分为C个模糊组,寻找各组的聚类中心,使FCM得性能指标最小,FCM的目标函数定义为:
式(4)中:U=[μij]是C个模糊分区,V=(v1 v2 … vc)T,是聚类中心,C是FCM法划分的聚类中心个数,n是输入样本的个数,q∈[1,∞)是加权指数,μij是xj是在第i个规则下的隶属函数;
由拉格朗日乘子法构造新的目标函数
将上式分别对vi和μij求导,使目标函数最小值,其结果如下:
最小二乘算法进行后件参数辨识的计算方法为:
T-S模糊结构如下:
式(8)中:Ri是第i个模糊规则,X=(x1 x2 … xn)T是输入向量,j=1,2,...n,是模型的n个输入变量,Ai是第i个规则下的隶属函数集,Ai j是输入xj在第i个规则下的隶属函数,yi是第i个规则下的输出,是第i个规则下的后件参数向量,C是在结构辨识后划分的C个子空间模型,即C个规则数;
式(8)用矩阵形式表示Y=XA:
其中Y为C×1的输出矩阵,X是C×(n+1)的输入矩阵,A为(n+1)×C的参数矩阵;
当C=n时,则A=X-1Y
当C>n时,定义误差矢量ε[(ε1,ε2,…,εC)T],则令
ε=Y-XA (10)
将式(10)带入式(11)中,求J对A的导数并使结果等于零,由此可得
A=(XTX)-1XTY (12)
由上述最小二乘算法获得所建模型的后件参数A;
模糊系统的总体输出由各子系统输出的加权平均获得,其方程如下:
步骤3、将预测日的输入变量,即室外温度、供水温度、回水温度和供水流量,带入上述线性回归方程,进而预测相应的热负荷大小。
2.根据权利要求1所述的热电联供系统热负荷预测方法,其特征在于:步骤1中,归一化的计算公式如下:
xN=(x-xll)/(xul-xll) (1)
式(1)中:x是各变量的实际值,xll是变量x的下限值,xul是变量x的上限值,xN是变量x归一化后的值。
3.根据权利要求1所述的热电联供系统热负荷预测方法,其特征在于:rb=1.5ra。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910088808.2A CN109934386B (zh) | 2019-01-30 | 2019-01-30 | 热电联供系统热负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910088808.2A CN109934386B (zh) | 2019-01-30 | 2019-01-30 | 热电联供系统热负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109934386A CN109934386A (zh) | 2019-06-25 |
CN109934386B true CN109934386B (zh) | 2022-06-28 |
Family
ID=66985362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910088808.2A Active CN109934386B (zh) | 2019-01-30 | 2019-01-30 | 热电联供系统热负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934386B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110296774B (zh) * | 2019-07-04 | 2021-03-09 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种针对液冷冷板的热载荷快速辨识方法 |
CN110750575B (zh) * | 2019-09-24 | 2020-09-18 | 河海大学 | 基于拉格朗日状态估计的电热互联系统坏数据辨识方法 |
CN110782077B (zh) * | 2019-10-15 | 2022-09-23 | 山东建筑大学 | 基于周期性数据驱动的建筑热负荷混合预测方法及系统 |
CN111291808A (zh) * | 2020-02-03 | 2020-06-16 | 广东美的暖通设备有限公司 | 数据处理方法、数据处理装置、空调系统和存储介质 |
CN112506959B (zh) * | 2020-11-30 | 2022-11-08 | 智慧航海(青岛)科技有限公司 | 智能船舶数据库检索的数据调度方法、装置和检索系统 |
CN112686447A (zh) * | 2020-12-30 | 2021-04-20 | 中国海洋石油集团有限公司 | 海上油气田开发多能流耦合负荷预测方法 |
CN113606650B (zh) * | 2021-07-23 | 2022-12-13 | 淄博热力有限公司 | 基于机器学习算法的智慧供热室温调控系统 |
CN114115150B (zh) * | 2021-11-24 | 2023-06-06 | 山东建筑大学 | 基于数据的热泵系统在线建模方法及装置 |
CN115234961B (zh) * | 2022-09-21 | 2023-02-10 | 天津市气象科学研究所 | 基于气象参数和位置信息进行热网动态调节的方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679555A (zh) * | 2013-12-16 | 2014-03-26 | 成都安健发科技有限公司 | 基于负荷特性分类的分时电价确定方法 |
CN103822669A (zh) * | 2014-03-19 | 2014-05-28 | 山西大学 | 锅炉的风粉在线监测方法 |
CN105741193A (zh) * | 2016-04-20 | 2016-07-06 | 河海大学 | 计及分布式电源和负荷不确定性的多目标配网重构方法 |
CN105785761A (zh) * | 2016-01-20 | 2016-07-20 | 沈阳工业大学 | 水泥生料分解过程温度智能切换控制方法 |
CN108053077A (zh) * | 2017-12-28 | 2018-05-18 | 华中科技大学 | 一种基于区间二型t-s模糊模型的短期风速预测方法与系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101232180B (zh) * | 2008-01-24 | 2012-05-23 | 东北大学 | 一种配电系统负荷模糊建模装置及方法 |
-
2019
- 2019-01-30 CN CN201910088808.2A patent/CN109934386B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679555A (zh) * | 2013-12-16 | 2014-03-26 | 成都安健发科技有限公司 | 基于负荷特性分类的分时电价确定方法 |
CN103822669A (zh) * | 2014-03-19 | 2014-05-28 | 山西大学 | 锅炉的风粉在线监测方法 |
CN105785761A (zh) * | 2016-01-20 | 2016-07-20 | 沈阳工业大学 | 水泥生料分解过程温度智能切换控制方法 |
CN105741193A (zh) * | 2016-04-20 | 2016-07-06 | 河海大学 | 计及分布式电源和负荷不确定性的多目标配网重构方法 |
CN108053077A (zh) * | 2017-12-28 | 2018-05-18 | 华中科技大学 | 一种基于区间二型t-s模糊模型的短期风速预测方法与系统 |
Non-Patent Citations (3)
Title |
---|
Intelligent Combined Prediction of Wind Power Based on Numerical Weather Prediction and Fuzzy Clustering;Yang Jiaran et al.;《IFAC-PapersOnLine》;20151225;第48卷(第28期);第538-543页 * |
基于T-S模型的加热炉炉温建模与控制;高超;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20130415(第04期);第B022-196页 * |
基于模糊神经网络的供热负荷预测;刘杰 等;《湖南科技大学学报( 自然科学版)》;20150920;第30卷(第3期);第41-45页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109934386A (zh) | 2019-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934386B (zh) | 热电联供系统热负荷预测方法 | |
Tang et al. | Solar power generation forecasting with a LASSO-based approach | |
CN106651020B (zh) | 一种基于大数据简约的短期电力负荷预测方法 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及系统 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
CN110163429A (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN105631532A (zh) | 一种基于模糊决策的神经网络模型电力系统负荷预测方法 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
CN113554148A (zh) | 一种基于贝叶斯优化的BiLSTM电压偏差预测方法 | |
CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN113011680A (zh) | 一种电力负荷预测方法及系统 | |
CN113344288A (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
Bas et al. | Multivariate picture fuzzy time series: New definitions and a new forecasting method based on Pi-Sigma artificial neural network | |
CN113570414A (zh) | 基于改进Adam算法优化深度神经网络的电价预测方法 | |
CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
Zhang | Short-term power load forecasting based on SAPSO-CNN-LSTM model considering autocorrelated errors | |
Azadeh et al. | An integrated fuzzy regression–analysis of variance algorithm for improvement of electricity consumption estimation in uncertain environments | |
CN116307038A (zh) | 一种灌溉用水量预测方法、系统及计算机存储介质 | |
Dehghan et al. | Photovoltaic Power Forecasting With an Ensemble Multi-Input Deep Learning Approach | |
Bi et al. | Research on certain type equipment failure intervals forecasting based on Gray-Markov model | |
Song et al. | Failure rate model of electric equipment based on meteorological environment | |
Saravanan et al. | Prediction of India's electricity consumption in industrial sector using soft computing techniques |
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 |