CN110210993A - 基于循环神经网络模型的城市短期燃气负荷预测方法 - Google Patents
基于循环神经网络模型的城市短期燃气负荷预测方法 Download PDFInfo
- Publication number
- CN110210993A CN110210993A CN201910428513.5A CN201910428513A CN110210993A CN 110210993 A CN110210993 A CN 110210993A CN 201910428513 A CN201910428513 A CN 201910428513A CN 110210993 A CN110210993 A CN 110210993A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- lstm
- gas
- time series
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 12
- 238000003062 neural network model Methods 0.000 title claims abstract description 12
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 239000007789 gas Substances 0.000 description 31
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 239000003345 natural gas Substances 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000000034 method Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 239000000567 combustion gas Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
Abstract
本发明公开了基于循环神经网络模型的城市短期燃气负荷预测方法,涉及燃气负荷预测技术领域,解决了短期内购气过多会给燃气公司造成额外的储气成本,购气过少则无法保证居民的正常用气的问题,其技术方案要点是:构建LSTM预测模型;获取燃气负荷量的时序数据、日平均气温Ti和节假日特征Dt;对时序数据进行归一化处理;LSTM预测模型学习时序数据的主要特征后输出初步预测数据;构建LSTM‑BP预测模型;将日平均气温Ti和节假日特征Dt输入到LSTM‑BP预测模型中;对初步预测数据进行优化预测,得到最终预测数据;对最终预测数据进行反归一化处理,得到最终预测结果,具有准确预测城市短期燃气负荷量,降低燃气公司的储气成本,保证居民正常用气的效果。
Description
技术领域
本发明涉及燃气负荷预测技术领域,更具体地说,它涉及基于循环神经网络模型的城市短期燃气负荷预测方法。
背景技术
我国天然气储量十分丰富,随着经济的持续健康发展、石油和煤的日渐短缺以及人们环境保护意识不断增强,天然气越来越受到人们的青睐。在南方的大多数城市中,燃气管网输送的气体均以天然气为主。随着国家西气东输工程的实施,我国大多数大中城市相继建立了天然气管道设施,并且在大量使用天然气。
城市短期燃气负荷量有规律性,但是受气候和节假日的影响,也具有复杂性和不均匀性,目前,尚未有对城市短期燃气负荷量做出准确预测的方法。而气候和节假日造成的燃气负荷量的不均匀性、复杂性,易使燃气公司出现局域性的燃气“供大于求”或者“供不应求”问题。短期内购气过多会给燃气公司造成额外的储气成本,购气过少则无法保证居民的正常用气。
因此,如何设计一种准确预测城市短期燃气负荷量的方法是我们目前迫切需要解决的问题,对国民经济和社会发展中具有十分重要的现实意义和经济意义。
发明内容
本发明的目的是提供基于循环神经网络模型的城市短期燃气负荷预测方法,具有准确预测城市短期燃气负荷量,降低燃气公司的储气成本,保证居民正常用气的效果。
本发明的上述技术目的是通过以下技术方案得以实现的:基于循环神经网络模型的城市短期燃气负荷预测方法,包括以下步骤:
S1:构建LSTM预测模型,并确定LSTM预测模型中的模型参数;
S2:获取民用类燃气负荷量的时序数据、日平均气温Ti和节假日特征Dt,并对所述时序数据进行数据预处理;
S3:对预处理后的时序数据进行归一化处理;
S4:将时序数据输入到LSTM预测模型中,LSTM预测模型学习时序数据的主要特征后输出初步预测数据;
S5:根据BP神经网络在所述LSTM预测模型中加入全连接层后构建LSTM-BP预测模型;
S6:将日平均气温Ti和节假日特征Dt作为属性输入到所述LSTM-BP预测模型中;
S7:所述LSTM-BP预测模型根据所述日平均气温Ti和节假日特征Dt对所述初步预测数据进行优化预测,得到最终预测数据;
S8:对所述最终预测数据进行反归一化处理,得到最终预测结果。
通过采用上述技术方案,利用LSTM预测模型预测得到初步预测数据,便于对时序数据进行有效预测和长期依赖,有效解决了梯度消失和梯度爆炸的问题;利用LSTM-BP预测模型预测得到最终预测数据,便于捕捉时序数据的规律性与复杂性,有效的提高了时序数据的预测精度。
本发明进一步设置为:所述LSTM预测模型包括输入层、隐藏层和输出层;所述输入层的时间步数为24,所述输入层的维度为7,所述输出层的维度为24。
通过采用上述技术方案,便于降低初步预测数据的预测误差,进一步提高了最终预测结果的准确度。
本发明进一步设置为:在步骤S2中,所述数据预处理具体步骤为:对所述时序数据中的原生数据进行分组,每一组数据由多条连续的原生数据组成,每一组数据中的最后一条原生数据为标签数据。
通过采用上述技术方案,便于LSTM预测模型有序学习时序数据中的主要特征。
本发明进一步设置为:在步骤S3中,所述归一化处理的具体步骤为:将时序数据中的数值归一化到区间[-1,1]之间,归一化处理的计算公式为:
在步骤S8中,反归一化处理的计算公式为:y=y(i)×xstd+xmean;
其中,xmean为所有数据的平均值,xstd为所有数据的标准差,y(i)为最终预测数据。
通过采用上述技术方案,利用归一化处理,便于将时序数据中的数值归一化到LSTM预测模型中非线性激活函数的输入范围;利用反归一化处理,便于将最终预测数据中的数值归一化到LSTM-BP预测模型中非线性激活函数的输出范围,使最终预测结果具有物理意义。
综上所述,本发明具有以下有益效果:利用LSTM预测模型预测得到初步预测数据,便于对时序数据进行有效预测和长期依赖,有效解决了梯度消失和梯度爆炸的问题;利用LSTM-BP预测模型预测得到最终预测数据,便于捕捉时序数据的规律性与复杂性,有效的提高了时序数据的预测精度;便于降低初步预测数据的预测误差,进一步提高了最终预测结果的准确度;利用归一化处理,便于将时序数据中的数值归一化到LSTM预测模型中非线性激活函数的输入范围;利用反归一化处理,便于将最终预测数据中的数值归一化到LSTM-BP预测模型中非线性激活函数的输出范围,使最终预测结果具有物理意义。
附图说明
图1是本发明实施例中的流程图;
图2是本发明实施例1中LSTM-BP预测模型的架构图;
图3是本发明实施例2中LSTM-BP预测模型的架构图;
图4是本发明实施例1中的实验结果图;
图5是本发明实施例2中的实验结果图;
图6是本发明实施例3中的实验结果图;
图7是本发明实施例4中的实验结果图。
具体实施方式
以下结合附图1-7对本发明作进一步详细说明。
实施例1:基于循环神经网络模型的城市短期燃气负荷预测方法,如图1与图2所示,包括以下步骤:
步骤一,构建LSTM预测模型,并确定LSTM预测模型中的模型参数。普通RNN在训练时容易产生梯度消失或梯度爆炸问题,模型只能学习到短周期的依赖关系,LSTM是RNN的一种变体,可以学习长期依赖信息,一定程度上解决了梯度消失和梯度爆炸问题。LSTM预测模型包括输入层、隐藏层和输出层。LSTM预测模型中每个神经元按时间点输入连续7天每天整点的燃气负荷量,即输入层的时间步数为24,输入层的维度为7,输出层的维度为24。
LSTM预测模型中的隐藏层是具有独特记忆模式的神经单元。每个LSTM单元拥有一个元组cell,被视为LSTM的记忆单元,其在t时刻的状态记为Ct。LSTM中引入了门限机制,通过输入门、遗忘门和输出门来控制读取和修改记忆单元,一般采用sigmoid函数和tanh函数来进行描述。
LSTM中各个门结构均有不同的作用:
输入门:作用是筛选新信息,决定什么值将进行更新。更新公式为:it=σ(Wi×[ht-1,Xt]+bi),Ct=tanh(Wg×[ht-1,Xt]+bc)。
遗忘门:作用是决定从cell中丢弃什么信息,遗忘门的筛选公式为:ft=σ(Wf×[ht-1,Xt]+bf),其中,ft=0表示“不让任何信息通过”,ft=1表示“让所有信息通过”。
输出门:作用是决定最终输出和保留的信息,sigmoid层计算决定哪部分信息被输出,通过一个tanh层进行归一化处理,把tanh层的输出和sigmoid层计算出来的权重相乘,得到最后输出的结果:ot=σ(W0×[ht-1,Xt]+b0),ht=ot×tanh(Ct)。
步骤二,获取民用类燃气负荷量的时序数据、日平均气温Ti和节假日特征Dt,并对时序数据进行数据预处理。数据预处理的具体步骤为:对时序数据中的原生数据进行分组,每一组数据由多条连续的原生数据组成,每一组数据中的最后一条原生数据为标签数据。在本实施例中,原生数据采用150条,1条数据24维,表示一天24小时的负荷量。数据集总数有143组,其中,一组数据由8条连续的原生数据组成,第8条作为标签数据。用矩阵表示为:
步骤三,对预处理后的时序数据进行归一化处理。将时序数据中的数值归一化到区间[-1,1]之间,归一化处理的计算公式为:其中,xmean为所有数据的平均值,xstd为所有数据的标准差。
步骤四,将时序数据输入到LSTM预测模型中,LSTM预测模型学习时序数据的主要特征后输出初步预测数据。
步骤五,根据BP神经网络在LSTM预测模型中加入全连接层后构建LSTM-BP预测模型。
步骤六,将日平均气温Ti和节假日特征Dt作为属性输入到LSTM-BP预测模型中。其中,日平均气温Ti采用日平均温度,节假日特征Dt可表示为:
步骤七,LSTM-BP预测模型根据日平均气温Ti和节假日特征Dt对初步预测数据进行优化预测,得到最终预测数据。
步骤八,对最终预测数据进行反归一化处理,得到最终预测结果。反归一化处理的计算公式为:y=y(i)×xstd+xmean。其中,y(i)为最终预测数据。
实施例2:基于循环神经网络模型的城市短期燃气负荷预测方法,如图1与图3所示,实施例2与实施例1的不同之处在于:实施例2中,LSTM预测模型中每个神经元按天输入连续7天每天的燃气负荷量,即输入层的时间步数为7,输入层的维度为24,输出层的维度为24,其数据预处理的矩阵表示为:
实施例3,实施例3与实施例1的处理步骤相同,采用24变量RNN-BP预测模型对城市短期燃气负荷进行预测。
实施例4:实施例4与实施例2的处理步骤相同,采用7变量RNN-BP预测模型对城市短期燃气负荷进行预测。
实验结果:如图4与图7所示,为保证误差测量结果的有效性,使用均方误差EMSE、均方根误差ERMSE和平均绝对误差EMAPE作为预测精度评估标准,EMSE、ERMSE和EMAPE的值越小,则模型的预测精度越高。计算公式为:
其中,p(i)和y(i)分别为燃气负荷的预测值和实际值;n为预测验证数据的个数;i为预测点序列编号。
实验中得到LSTM预测模型与RNN预测模型对燃气负荷数据的预测结果,均方根误差对比如表1。由比较结果可知:24变量LSTM-BP预测模型在4组模型中ERMSE值最小为0.16,预测效果最好。LSTM预测模型均比RNN预测表现好。
表1:不同模型预测结果比较
Model | E<sub>RMSE</sub> | E<sub>MAE</sub> |
24变量LSTM-BP | 0.16 | 0.29 |
7变量LSTM-BP | 0.20 | 0.29 |
24变量RNN-BP | 0.31 | 0.28 |
7变量RNN-BP | 0.22 | 0.29 |
工作原理:利用LSTM预测模型预测得到初步预测数据,便于对时序数据进行有效预测和长期依赖。利用LSTM-BP预测模型预测得到最终预测数据,便于捕捉时序数据的规律性与复杂性,有效的提高了时序数据的预测精度。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (4)
1.基于循环神经网络模型的城市短期燃气负荷预测方法,其特征是:包括以下步骤:
S1:构建LSTM预测模型,并确定LSTM预测模型中的模型参数;
S2:获取民用类燃气负荷量的时序数据、日平均气温Ti和节假日特征Dt,并对所述时序数据进行数据预处理;
S3:对预处理后的时序数据进行归一化处理;
S4:将时序数据输入到LSTM预测模型中,LSTM预测模型学习时序数据的主要特征后输出初步预测数据;
S5:根据BP神经网络在所述LSTM预测模型中加入全连接层后构建LSTM-BP预测模型;
S6:将日平均气温Ti和节假日特征Dt作为属性输入到所述LSTM-BP预测模型中;
S7:所述LSTM-BP预测模型根据所述日平均气温Ti和节假日特征Dt对所述初步预测数据进行优化预测,得到最终预测数据;
S8:对所述最终预测数据进行反归一化处理,得到最终预测结果。
2.根据权利要求1所述的基于循环神经网络模型的城市短期燃气负荷预测方法,其特征是:所述LSTM预测模型包括输入层、隐藏层和输出层;所述输入层的时间步数为24,所述输入层的维度为7,所述输出层的维度为24。
3.根据权利要求2所述的基于循环神经网络模型的城市短期燃气负荷预测方法,其特征是:在步骤S2中,所述数据预处理具体步骤为:对所述时序数据中的原生数据进行分组,每一组数据由多条连续的原生数据组成,每一组数据中的最后一条原生数据为标签数据。
4.根据权利要求1所述的基于循环神经网络模型的城市短期燃气负荷预测方法,其特征是:在步骤S3中,所述归一化处理的具体步骤为:将时序数据中的数值归一化到区间[-1,1]之间,归一化处理的计算公式为:
在步骤S8中,反归一化处理的计算公式为:y=y(i)×xstd+xmean;
其中,xmean为所有数据的平均值,xstd为所有数据的标准差,y(i)为最终预测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910428513.5A CN110210993B (zh) | 2019-05-22 | 2019-05-22 | 基于循环神经网络模型的城市短期燃气负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910428513.5A CN110210993B (zh) | 2019-05-22 | 2019-05-22 | 基于循环神经网络模型的城市短期燃气负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110210993A true CN110210993A (zh) | 2019-09-06 |
CN110210993B CN110210993B (zh) | 2023-04-07 |
Family
ID=67788197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910428513.5A Active CN110210993B (zh) | 2019-05-22 | 2019-05-22 | 基于循环神经网络模型的城市短期燃气负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210993B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852496A (zh) * | 2019-10-29 | 2020-02-28 | 同济大学 | 一种基于lstm循环神经网络的天然气负荷预测方法 |
CN111144628A (zh) * | 2019-12-16 | 2020-05-12 | 茂盟(上海)工程技术股份有限公司 | 一种分布式供能的冷热电负荷预测模型系统及方法 |
CN111652000A (zh) * | 2020-05-22 | 2020-09-11 | 重庆大学 | 一种语句相似度判断方法及判断系统 |
CN112613639A (zh) * | 2020-11-30 | 2021-04-06 | 河南汇祥通信设备有限公司 | 一种基于lstm模型的综合管廊运维数据预测系统及方法 |
CN112733442A (zh) * | 2020-12-31 | 2021-04-30 | 交通运输部公路科学研究所 | 基于深度学习的路面长期性能预测模型及其构建方法 |
CN112733307A (zh) * | 2021-01-12 | 2021-04-30 | 北京市燃气集团有限责任公司 | 一种供暖季城市天然气负荷预测方法及装置 |
CN114044022A (zh) * | 2021-10-28 | 2022-02-15 | 上海工程技术大学 | 一种轨道车辆轴箱温度零碳感知系统 |
CN116011633A (zh) * | 2022-12-23 | 2023-04-25 | 浙江苍南仪表集团股份有限公司 | 区域燃气用量预测方法、系统、设备及物联网云平台 |
CN116047633A (zh) * | 2023-01-28 | 2023-05-02 | 广州爱浦路网络技术有限公司 | 一种基于5gs的降雨监测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952181A (zh) * | 2017-03-08 | 2017-07-14 | 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系统 |
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 |
CN107590567A (zh) * | 2017-09-13 | 2018-01-16 | 南京航空航天大学 | 一种基于信息熵聚类和注意力机制的循环神经网络短期负荷预测方法 |
CN108197751A (zh) * | 2018-01-23 | 2018-06-22 | 国网山东省电力公司电力科学研究院 | 基于多层Bi-GRU的Seq2seq网络短期电力负荷预测方法 |
CN108536123A (zh) * | 2018-03-26 | 2018-09-14 | 北京交通大学 | 长短时记忆网络结合神经网络的列控车载设备的故障诊断方法 |
CN108830487A (zh) * | 2018-06-21 | 2018-11-16 | 王芊霖 | 基于长短时神经网络的电力负荷预测方法 |
CN109472404A (zh) * | 2018-10-31 | 2019-03-15 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
CN109754113A (zh) * | 2018-11-29 | 2019-05-14 | 南京邮电大学 | 基于动态时间规整与长短时间记忆的负荷预测方法 |
-
2019
- 2019-05-22 CN CN201910428513.5A patent/CN110210993B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952181A (zh) * | 2017-03-08 | 2017-07-14 | 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系统 |
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 |
CN107590567A (zh) * | 2017-09-13 | 2018-01-16 | 南京航空航天大学 | 一种基于信息熵聚类和注意力机制的循环神经网络短期负荷预测方法 |
CN108197751A (zh) * | 2018-01-23 | 2018-06-22 | 国网山东省电力公司电力科学研究院 | 基于多层Bi-GRU的Seq2seq网络短期电力负荷预测方法 |
CN108536123A (zh) * | 2018-03-26 | 2018-09-14 | 北京交通大学 | 长短时记忆网络结合神经网络的列控车载设备的故障诊断方法 |
CN108830487A (zh) * | 2018-06-21 | 2018-11-16 | 王芊霖 | 基于长短时神经网络的电力负荷预测方法 |
CN109472404A (zh) * | 2018-10-31 | 2019-03-15 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
CN109754113A (zh) * | 2018-11-29 | 2019-05-14 | 南京邮电大学 | 基于动态时间规整与长短时间记忆的负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
冯钧 等: "《一种LSTM-BP多模型组合水文预报方法》", 《计算机与现代化》 * |
陆继翔等: "基于CNN-LSTM混合神经网络模型的短期负荷预测方法", 《电力系统自动化》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852496A (zh) * | 2019-10-29 | 2020-02-28 | 同济大学 | 一种基于lstm循环神经网络的天然气负荷预测方法 |
CN111144628A (zh) * | 2019-12-16 | 2020-05-12 | 茂盟(上海)工程技术股份有限公司 | 一种分布式供能的冷热电负荷预测模型系统及方法 |
CN111652000B (zh) * | 2020-05-22 | 2023-04-07 | 重庆大学 | 一种语句相似度判断方法及判断系统 |
CN111652000A (zh) * | 2020-05-22 | 2020-09-11 | 重庆大学 | 一种语句相似度判断方法及判断系统 |
CN112613639A (zh) * | 2020-11-30 | 2021-04-06 | 河南汇祥通信设备有限公司 | 一种基于lstm模型的综合管廊运维数据预测系统及方法 |
CN112733442A (zh) * | 2020-12-31 | 2021-04-30 | 交通运输部公路科学研究所 | 基于深度学习的路面长期性能预测模型及其构建方法 |
CN112733442B (zh) * | 2020-12-31 | 2022-07-29 | 交通运输部公路科学研究所 | 基于深度学习的路面长期性能预测模型的构建方法 |
CN112733307A (zh) * | 2021-01-12 | 2021-04-30 | 北京市燃气集团有限责任公司 | 一种供暖季城市天然气负荷预测方法及装置 |
CN114044022A (zh) * | 2021-10-28 | 2022-02-15 | 上海工程技术大学 | 一种轨道车辆轴箱温度零碳感知系统 |
CN116011633A (zh) * | 2022-12-23 | 2023-04-25 | 浙江苍南仪表集团股份有限公司 | 区域燃气用量预测方法、系统、设备及物联网云平台 |
CN116011633B (zh) * | 2022-12-23 | 2023-08-18 | 浙江苍南仪表集团股份有限公司 | 区域燃气用量预测方法、系统、设备及物联网云平台 |
CN116047633A (zh) * | 2023-01-28 | 2023-05-02 | 广州爱浦路网络技术有限公司 | 一种基于5gs的降雨监测方法 |
CN116047633B (zh) * | 2023-01-28 | 2023-10-03 | 广州爱浦路网络技术有限公司 | 一种基于5gs的降雨监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110210993B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210993A (zh) | 基于循环神经网络模型的城市短期燃气负荷预测方法 | |
Wang et al. | Bi-directional long short-term memory method based on attention mechanism and rolling update for short-term load forecasting | |
Tang et al. | Short‐term power load forecasting based on multi‐layer bidirectional recurrent neural network | |
Li et al. | Prediction for tourism flow based on LSTM neural network | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
Szoplik | Forecasting of natural gas consumption with artificial neural networks | |
Xiong et al. | Optimal modeling and forecasting of the energy consumption and production in China | |
CN109754113A (zh) | 基于动态时间规整与长短时间记忆的负荷预测方法 | |
Lv et al. | Stacked autoencoder with echo-state regression for tourism demand forecasting using search query data | |
CN109284866B (zh) | 商品订单预测方法及装置、存储介质、终端 | |
CN103886218A (zh) | 基于多元非平稳时间序列分析与神经网络及支持向量机补偿的湖库藻类水华预测方法 | |
Huang et al. | Predicting urban rail traffic passenger flow based on LSTM | |
CN109034500A (zh) | 一种多时序协同的中期电力负荷预测方法 | |
Zhaoyu et al. | The application of the PSO based BP network in short-term load forecasting | |
CN109993354A (zh) | 一种针对能源消费量预测的方法 | |
CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 | |
Dong et al. | A multifactorial short-term load forecasting model combined with periodic and non-periodic features-a case study of qingdao, China | |
CN112288140A (zh) | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 | |
Pan et al. | Multivariable sales prediction for filling stations via GA improved BiLSTM | |
Bişkin et al. | Forecasting of Turkey’s Electrical Energy Consumption using LSTM and GRU Networks | |
Gao et al. | A two-layer SSA-XGBoost-MLR continuous multi-day peak load forecasting method based on hybrid aggregated two-phase decomposition | |
CN112598181A (zh) | 负荷预测方法、装置、设备和存储介质 | |
Vaygan et al. | Short-term load forecasting using time pooling deep recurrent neural network | |
CN107730025A (zh) | 一种基于电量变动的供电企业现金流量预测模型 | |
CN109389164A (zh) | 基于支持向量回归模型的地区单位gdp能耗预测方法 |
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 |