CN109993359A - 一种基于先进机器学习的态势预测方法 - Google Patents
一种基于先进机器学习的态势预测方法 Download PDFInfo
- Publication number
- CN109993359A CN109993359A CN201910231771.4A CN201910231771A CN109993359A CN 109993359 A CN109993359 A CN 109993359A CN 201910231771 A CN201910231771 A CN 201910231771A CN 109993359 A CN109993359 A CN 109993359A
- Authority
- CN
- China
- Prior art keywords
- sample
- data
- data sample
- similar day
- historical 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000005516 engineering process Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 9
- 230000000295 complement effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000010248 power generation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
-
- 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)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于先进机器学习的态势预测方法,包括采集某电网系统的运行历史数据,获得历史数据样本;利用基于协同训练的半监督学习技术对历史数据样本进行学习和分类;根据当前电网运行数据,对学习和分类后的历史数据样本进行定向相似日样本选取;基于定向相似日样本选取获得的相似日样本集,采用协同生成对抗网络技术生成新的数据样本,这个新生成的数据样本即为基于当前运行状态的对下一个时刻的系统态势预测;所述新的数据样本中的数据包括各节点负荷预测值、分布式电源出力预测值和可再生能源发电出力预测值。
Description
技术领域
本发明涉及电力系统预测领域,具体涉及一种基于先进机器学习的态势预测方法。
背景技术
近年来,可再生能源发电比例持续提高,其出力呈现出较强的随机性和波动性,而现有电网调度控制手段无法较好地调度利用可再生能源发电带来的电力资源,存在较多的弃风、弃光现象,造成大量资源浪费。大量分布式能源和双向互动负荷的接入使得传统配电网成为有源配电网,系统采集的数据大量增长,配电网运行复杂度大幅提高。
在此背景下,电力系统的态势预测十分必要,传统的态势预测往往基于传统的预测模型,在可再生能源渗透率日益提高的复杂电网条件下,其适用性大大减弱。而采用机器学习的方法进行预测,又面临学习效率和学习效果不佳,数据量庞大,处理难度大等问题。
2016年度NIPS会议上提出了生成对抗网络技术,与传统深度学习模型相比,不需要预先设定先验分布,且减少了数据标记的处理过程,为电力系统的态势预测提供了一个新的思路。
由于电力系统数据量庞大,若直接基于大量历史数据样本直接生成预测场景,一方面缺乏针对性,预测很可能失准,另一方面,生成对抗网络的训练过程也会及其漫长,使预测实时性大打折扣。因此,采用生成对抗网络方法之前对数据样本进行筛选分类和定向选取也十分必要。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种基于先进机器学习的态势预测方法。
本发明采用基于协同训练的半监督学习方法对历史数据进行学习和训练,基于训练和学习结果,对当前运行状态进行相似日定向选取。最后采用近年来提出的生成对抗网络方法,并对其进行改进,运用于电力系统的实时态势预测。
本发明采用如下技术方案:
一种基于先进机器学习的态势预测方法,包括:
采集某电网系统的运行历史数据,获得历史数据样本;
利用基于协同训练的半监督学习技术对历史数据样本进行学习和分类;
根据当前电网运行数据,对学习和分类后的历史数据样本进行定向相似日样本选取;
基于定向相似日样本选取,采用协同生成对抗网络技术生成新的数据样本,所述新的数据样本包括各节点负荷预测值、分布式电源出力预测值和可再生能源发电出力预测值。
所述历史数据包括节点个数、各节点电压、各支路传输功率、电网系统频率、各节点的负荷、分布式电源出力和可再生能源发电出力。
所述利用基于协同训练的半监督学习技术对历史数据样本进行学习和分类,具体为:采用多种分类器协同训练,进行特征提取的差异性互补,获得数据分类并进行标记。
所述采用多种分类器协同训练,进行特征提取的差异性互补,获得数据分类并进行标记,具体为:
把历史数据样本分成三份,形成样本集X1,X2,X3;
构建三个采用不同算法的分类器,分别采用SVM,贝叶斯和xgboost,得到分类器Y1,Y2,Y3;
将样本集放入三个采用不同算法的分类器,得到样本集训练和分类并进行标记。
所述对学习和分类后的历史数据样本进行定向相似日样本选取,具体为:
将分类标记后的历史数据样本与当前系统运行状态数据进行相似度比较,从而根据当前系统运行状态数据选出定向历史相似日,作为当前运行状态数据态势预测的一个依据。
所述基于定向历史相似日样本选取,采用协同生成对抗网络技术生成新的数据样本,具体为:
构建生成器网络G1和G2,同时构建判别器D;
从一个预先定义的分布pz中进行随机采样得到噪声集{z1,z2,z3,…,zn};
令生成器的输入为z,输出“假”数据G1(z),G2(z),G3(z),…,Gn(z);
将“假”数据G1(z),G2(z),G3(z),…,Gn(z)置于判别器D中判断数据真假,并根据判别结果,更新各生成器网络的参数;
重复上一步骤训练过程k次,以相似日样本定向选取得到的样本作为真实数据集{x1,x2,x3,…,xn},将“假”数据G1(z),G2(z),G3(z),…,Gn(z)和真数据 {x1,x2,x3,…,xn}置于判别器D中进行判别,根据判别结果更新判别器D的参数;
设置协同参数,根据判别结果计算协同参数的值,根据协同参数的值给各生成器网络设置惩罚网络权,以提高性能较差的生成器网络的生成真实度;
直至生成器网络近似收敛于真实数据分布。
本发明的有益效果:
(1)本发明采用基于协同训练的半监督学习方法对历史样本进行标记,减少了样本标记的工作量,使分类器分类效率提高,同时基于不同核心算法的多个分类器协同训练,可以使标记结果更加精确,有利于精确描述历史相似日样本与当前运行数据样本的相似度,对当前运行控制和调度策略的参考价值更高;
(2)本发明建立定向相似日选取机制,在庞大历史数据样本中定向选取与当前运行场景最相似的一类场景中选取与当前运行数据样本加权闵可夫基距离最低的那部分样本作相似日样本,一方面可以提高态势预测过程的速度,另一方面有针对性地选取参考样本场景也可以提高态势预测的准确度;
(3)本发明采用生成对抗网络技术,在相似日样本的基础上直接生成预测场景样本数据,进行态势预测,这个过程避免了标记的过程,由相似日样本直接生成,且在这个过程中无需额外引入精确度不那么高的经验预测模型,此方法采用协同生成对抗模式,多个生成器共同生成共同进步,态势预测的效果和性能更好,更接近于未来真实的运行情况。
附图说明
图1是本发明的工作流程图;
图2是本发明协同生成对抗网络框架示意图。
具体实施方式
下面结合实施例及附图,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及图2所示,一种基于先进机器学习的态势预测方法,包括如下步骤:
步骤A1收集过去三年某地区电网的运行历史数据,主要包括节点个数,各节点电压,各支路传输功率,系统频率,各节点的负荷,分布式电源出力和可再生能源发电出力等,进一步获得历史数据样本,并发送至云端。
步骤A2在云端利用基于协同训练的半监督学习技术对历史数据样本进行学习和分类,具体是:采用多种分类器协同训练,进行特征提取的差异性互补,获得数据分类并进行标记。具体为:
把历史数据样本分成三份,形成样本集X1,X2,X3;
构建三个采用不同算法的分类器,分别采用SVM,贝叶斯和xgboost,得到分类器Y1,Y2,Y3;
将样本集放入三个采用不用算法的分类器,得到样本集训练和分类并进行标记。
本实施例具体算法如下:
输入:有标记的样本集
无标记的样本集
缓冲池大小m;
每轮挑选的正例数p;
每轮挑选的反例数n;
分类器分类算法L,即SVM,贝叶斯和xgboost;
迭代次数N;
过程:
1:从未标记的样本集Du中随机抽取m个样本构成缓冲池Dm;
2:Du=Du\Dm;
3:for t=1,2,….,N
4:for j=1,2,3
5:hj←L(Dl)
6:考察hj在Dm上的分类置信度,从Dm中挑选p个正例置信度最高的样 Dp和n个反例置信度最高的样本Dn;
7:由Dp生成伪标记正例
8:由Dn生成伪标记反例
9:Dm=Dm\(Dp∪Dn);
10:end
11:if h1,h2,h3均不变
12:break
13:else
14:
15:从Du中随机抽取2p+2n个样本加入Dm
16:end
17:end
输出:分类器h1,h2,h3
步骤A3根据当前电网运行数据,对学习和分类后的历史数据样本进行定向相似日样本选取,具体为:
将分类标记后的历史数据样本与当前系统运行状态数据进行相似度比较,定向选取相似日样本集,作为当前运行状态数据态势预测的一个依据。
包括:
Step1:将历史数据样本集中与当前运行数据样本标记相同的样本挑选出来,作为准相似日样本集;
Step2:将当前运行数据样本和准相似日样本集中样本数据标准化,方法如下:
fimax=max(fi)
fimin=min(fi)
其中,fi分别代表样本数据集中的元素;
Step3:计算当前运行数据样本与准相似日样本的加权闵可夫基距离,计算方法如下:
其中,权重wi≥0,xi,xj分别为准相似日样本和当前运行数据样本中的元素。
Step4:对Step3中得到的距离进行由小到大排序,选取准相似日样本集中距离排序在前30%的样本作为相似日样本,以此作为态势预测的参考。
步骤A4基于定向相似日样本选取,采用协同生成对抗网络技术生成新的数据样本,这个新生成的数据样本即为基于当前运行状态的对下一个时刻的系统态势预测。所述新的数据样本中数据包括各节点负荷预测值、分布式电源出力预测值和可再生能源发电出力预测值,具体为:
Step1:构建生成器网络G1和G2,同时构建判别器D;
Step2:从一个预先定义的分布pz中进行随机采样得到噪声集 {z1,z2,z3,…,zn},在此过程中为了使数据尽量均匀,此处采用拉丁卡方抽样。
Step3:令生成器的输入为z,输出“假”数据G1(z),G2(z),G3(z),…,Gn(z);
Step4:将“假”数据G1(z),G2(z),G3(z),…,Gn(z)置于判别器D中判断数据真假,判别器输出的为一个一维的标量,表示输入为“真”的概率。对于真实数据样本x有D(x)=1,理想情况下对生成数据有D(G(z))=0;
生成器训练的目标函数为:
L=-||G1(z)-G2(z)||p-||G2(z)-G3(z)||p-||G1(z)-G3(z)||p
其中,λ为协同控制常数,可以根据各生成器性能差异调整训练模型的训练协同程度;协同距离L采用p范数来评价各生成器之间的性能差异,此处p可根据训练需求自定义。
并根据判别结果,更新各生成器网络的参数;
Step5:重复Step4训练过程k次,以相似日样本定向选取得到的样本作为真实数据集{x1,x2,x3,…,xn},将“假”数据G1(z),G2(z),G3(z),…,Gn(z)和真数据{x1,x2,x3,…,xn}置于判别器D中进行判别,根据判别结果更新判别器D的参数;
判别器训练的目标函数为:
根据判别结果更新判别器D的参数;
Step6:设置协同参数根据判别结果计算协同参数s1,s2,s3的值,s1为s1,s2,s3中最大值,即G1的真实度较高,则给各生成器网络G2,G3设置惩罚网络连接权,拉近性能差的生成器网络与性能较优的网络之间的距离;若s2,s3较大则同理可调整性能相对较差的生成器网络的惩罚网络连接权,使各生成器网络的性能协同进步。
根据判别结果计算协同参数的值,根据协同参数的值给各生成器网络设置惩罚网络权,以提高性能较差的生成器网络的生成真实度;
Step7:重复Step3—Step6,直至生成器网络近似收敛于真实数据分布。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种基于先进机器学习的态势预测方法,其特征在于,包括:
采集某电网系统的运行历史数据,获得历史数据样本;
利用基于协同训练的半监督学习技术对历史数据样本进行学习和分类;
根据当前电网运行数据,对学习和分类后的历史数据样本进行定向相似日样本选取;
基于定向相似日样本选取,采用协同生成对抗网络技术生成新的数据样本,所述新的数据样本包括各节点负荷预测值、分布式电源出力预测值和可再生能源发电出力预测值。
2.根据权利要求1所述的态势预测方法,其特征在于,所述历史数据包括节点个数、各节点电压、各支路传输功率、电网系统频率、各节点的负荷、分布式电源出力和可再生能源发电出力。
3.根据权利要求1所述的态势预测方法,其特征在于,所述利用基于协同训练的半监督学习技术对历史数据样本进行学习和分类,具体为:采用多种分类器协同训练,进行特征提取的差异性互补,获得数据分类并进行标记。
4.根据权利要求3所述的态势预测方法,其特征在于,所述采用多种分类器协同训练,进行特征提取的差异性互补,获得数据分类并进行标记,具体为:
把历史数据样本分成三份,形成样本集X1,X2,X3;
构建三个采用不同算法的分类器,分别采用SVM,贝叶斯和xgboost,得到分类器Y1,Y2,Y3;
将样本集放入三个采用不同算法的分类器,得到样本集训练和分类并进行标记。
5.根据权利要求1所述的态势预测方法,其特征在于,所述对学习和分类后的历史数据样本进行定向相似日样本选取,具体为:
将分类标记后的历史数据样本与当前系统运行状态数据进行相似度比较,从而根据当前系统运行状态数据选出定向历史相似日,作为当前运行状态数据态势预测的一个依据。
6.根据权利要求1所述的态势预测方法,其特征在于,所述基于定向历史相似日样本选取,采用协同生成对抗网络技术生成新的数据样本,具体为:
构建生成器网络G1和G2,同时构建判别器D;
从一个预先定义的分布pz中进行随机采样得到噪声集{z1,z2,z3,…,zn};
令生成器的输入为z,输出“假”数据G1(z),G2(z),G3(z),…,Gn(z);
将“假”数据G1(z),G2(z),G3(z),…,Gn(z)置于判别器D中判断数据真假,并根据判别结果,更新各生成器网络的参数;
重复上一步骤训练过程k次,以相似日样本定向选取得到的样本作为真实数据集{x1,x2,x3,…,xn},将“假”数据G1(z),G2(z),G3(z),…,Gn(z)和真数据{x1,x2,x3,…,xn}置于判别器D中进行判别,根据判别结果更新判别器D的参数;
设置协同参数,根据判别结果计算协同参数的值,根据协同参数的值给各生成器网络设置惩罚网络权,以提高性能较差的生成器网络的生成真实度;
直至生成器网络近似收敛于真实数据分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910231771.4A CN109993359B (zh) | 2019-03-26 | 2019-03-26 | 一种基于先进机器学习的态势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910231771.4A CN109993359B (zh) | 2019-03-26 | 2019-03-26 | 一种基于先进机器学习的态势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993359A true CN109993359A (zh) | 2019-07-09 |
CN109993359B CN109993359B (zh) | 2022-11-18 |
Family
ID=67131421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910231771.4A Active CN109993359B (zh) | 2019-03-26 | 2019-03-26 | 一种基于先进机器学习的态势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993359B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126700A (zh) * | 2019-12-25 | 2020-05-08 | 远景智能国际私人投资有限公司 | 用能预测方法、装置、设备及存储介质 |
CN111191835A (zh) * | 2019-12-27 | 2020-05-22 | 国网辽宁省电力有限公司阜新供电公司 | 基于c-gan迁移学习的ies不完备数据负荷预测方法及系统 |
CN115169506A (zh) * | 2022-09-06 | 2022-10-11 | 中铁第四勘察设计院集团有限公司 | 一种供变电关键设备故障快速诊断方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN106779215A (zh) * | 2016-12-15 | 2017-05-31 | 全球能源互联网研究院 | 一种基于机器学习的电网全局延时态势感知方法 |
US20180336471A1 (en) * | 2017-05-19 | 2018-11-22 | Mehdi Rezagholizadeh | Semi-supervised regression with generative adversarial networks |
CN109376960A (zh) * | 2018-12-06 | 2019-02-22 | 国网北京市电力公司 | 基于lstm神经网络的电网负荷预测方法 |
-
2019
- 2019-03-26 CN CN201910231771.4A patent/CN109993359B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN106779215A (zh) * | 2016-12-15 | 2017-05-31 | 全球能源互联网研究院 | 一种基于机器学习的电网全局延时态势感知方法 |
US20180336471A1 (en) * | 2017-05-19 | 2018-11-22 | Mehdi Rezagholizadeh | Semi-supervised regression with generative adversarial networks |
CN109376960A (zh) * | 2018-12-06 | 2019-02-22 | 国网北京市电力公司 | 基于lstm神经网络的电网负荷预测方法 |
Non-Patent Citations (4)
Title |
---|
夏彬等: "基于生成对抗网络的系统日志级异常检测算法", 《计算机应用》 * |
张简炼等: "计及负荷波动及线路可靠性的两阶段风险调度", 《电网技术》 * |
朱济帅等: "基于空间邻域信息的高光谱遥感影像半监督协同训练", 《遥感技术与应用》 * |
王昕等: "基于PNN/PCA/SS-SVR的光伏发电功率短期预测方法", 《电力系统自动化》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126700A (zh) * | 2019-12-25 | 2020-05-08 | 远景智能国际私人投资有限公司 | 用能预测方法、装置、设备及存储介质 |
CN111126700B (zh) * | 2019-12-25 | 2023-09-15 | 远景智能国际私人投资有限公司 | 用能预测方法、装置、设备及存储介质 |
CN111191835A (zh) * | 2019-12-27 | 2020-05-22 | 国网辽宁省电力有限公司阜新供电公司 | 基于c-gan迁移学习的ies不完备数据负荷预测方法及系统 |
CN111191835B (zh) * | 2019-12-27 | 2023-06-23 | 国网辽宁省电力有限公司阜新供电公司 | 基于c-gan迁移学习的ies不完备数据负荷预测方法及系统 |
CN115169506A (zh) * | 2022-09-06 | 2022-10-11 | 中铁第四勘察设计院集团有限公司 | 一种供变电关键设备故障快速诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109993359B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993359A (zh) | 一种基于先进机器学习的态势预测方法 | |
CN107368475A (zh) | 一种基于生成对抗神经网络的机器翻译方法和系统 | |
CN109034205A (zh) | 基于直推式半监督深度学习的图像分类方法 | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN106779087A (zh) | 一种通用机器学习数据分析平台 | |
CN109255044A (zh) | 一种基于YOLOv3深度学习网络的图像智能标注方法 | |
CN109580215A (zh) | 一种基于深度生成对抗网络的风电传动系统故障诊断方法 | |
CN105844287B (zh) | 一种遥感影像分类的域自适应方法及系统 | |
CN108364016A (zh) | 基于多分类器的渐进式半监督分类方法 | |
CN110516840A (zh) | 基于改进随机森林方法的风光发电出力的短期预测方法 | |
CN110046248A (zh) | 用于文本分析的模型训练方法、文本分类方法和装置 | |
CN102156885B (zh) | 基于级联式码本生成的图像分类方法 | |
CN105868775A (zh) | 基于pso算法的不平衡样本分类方法 | |
CN109215344B (zh) | 用于城市道路短时交通流量预测的方法和系统 | |
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 | |
CN114169445A (zh) | 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 | |
CN110070228A (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
CN105701572A (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
CN109581339A (zh) | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 | |
CN108364084A (zh) | 一种基于信息融合理论的bp神经网络光伏功率预测方法 | |
CN110110095A (zh) | 一种基于长短期记忆循环神经网络的电力指令文本匹配方法 | |
CN113901621A (zh) | 一种基于人工鱼群算法优化的svm的配电网拓扑辨识方法 | |
CN110263203A (zh) | 一种结合皮尔逊重构的文本到图像生成方法 | |
CN108846529A (zh) | 一种发电量预测系统 | |
CN111582493B (zh) | 一种深度学习模型训练的管理系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |