CN110222887A - 基于vmd和dnn的预测方法及在短期负荷预测的应用 - Google Patents
基于vmd和dnn的预测方法及在短期负荷预测的应用 Download PDFInfo
- Publication number
- CN110222887A CN110222887A CN201910454601.2A CN201910454601A CN110222887A CN 110222887 A CN110222887 A CN 110222887A CN 201910454601 A CN201910454601 A CN 201910454601A CN 110222887 A CN110222887 A CN 110222887A
- Authority
- CN
- China
- Prior art keywords
- vmd
- dnn
- mode
- layer
- prediction technique
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于VMD和DNN的预测方法及在短期负荷预测的应用,属于电力系统短期负荷预测技术领域。包括步骤1:采集负荷数据;步骤2:将采集数据进行归一化处理;步骤3:采用VMD方法对归一化后的原始负荷序列进行分解;步骤4:对步骤3得到的K个分量进行深度神经网络(DNN)训练;步骤5:将分解后的测试样本带入DNN并叠加得到最终的预测结果。本发明对具有波动性和随机性的数据预测准确,能够有效减少数据的计算量,缩短了计算时间,而且预测结果准确,提升负荷预测的准确性对电力系统的经济调度、稳定运行具有重要意义。
Description
技术领域
本发明涉及电力系统短期负荷预测技术领域,具体涉及基于变分模态分解(Variational Mode Decomposition,VMD)和深度神经网络(Deep Neural Networks,DNN)的预测方法及在短期负荷预测的应用。
背景技术
负荷预测是电力供应计划制定和电网供需平衡的关键挑战之一。它是电力市场运行的基础,也是电力规划的重要环节。提高短期负荷预测的准确性,有助于提高电力设备的利用率,降低能耗,缓解能源的供应端和需求端两者之间的不平衡。负荷序列具有一定的时序性和非线性,围绕其特点,现阶段短期负荷预测方法有多元线性回归法、卡尔曼滤波法、灰色理论法、自回归积分滑动平均模型、支持向量机、随机森林法、以及神经网络法等,其中神经网络法应用较为广泛。
单一预测方法对于随机性较强负荷序列而言,难以得到理想的预测精度。各种组合预测方法广泛应用在短期负荷预测领域,以经验模态分解(Empirical ModeDecomposition,EMD)为主的分解方法能有效的实现原始负荷序列的分解,达到平稳序列和非平稳序列分离的目的,然后再结合预测方法对各个分解分量分别进行预测。但是,EMD分解方法难以避免出现模态混叠现象,得到虚假的本征模态函数(Intrinsic ModeFunctions,IMF),对预测精度产生不利影响。
发明内容
针对现有问题存在的不足,本发明提供了基于VMD和DNN的预测方法及在短期负荷预测的应用的技术方案,能够有效提高电力系统短期负荷预测的精度。
一种基于VMD和DNN的预测方法,包括:
步骤1:采集负荷数据;
步骤2:将采集数据进行归一化处理;
步骤3:采用VMD方法对归一化后的原始负荷序列进行分解;
步骤4:对步骤3得到的K个分量进行深度神经网络(DNN)训练;
步骤5:将分解后的测试样本带入DNN并叠加得到最终的预测结果。
进一步的,所述的步骤3中VMD的分解方法如下:
通过求解约束变分优化问题实现:
式中:uk(t)为输入信号的模态函数;{uk}表示模态集合{u1,u2,……,uk};wk是与输入信号的第k阶模态相对应的中心频率;{wk}表示分解后的模态对应的一组中心频率{w1,w2,……,wk};f(t)是输入信号;δ(t)是单位脉冲函数;
通过引入拉格朗日乘子λ和二次惩罚因子α,可以将式(1)改写为:
利用乘法算法的交替方向法求解(2),得到一组模态分量及其各自的中心频率。由频域中的解估算出的每个模态可表示为:
式中:n是迭代次数;和分别代表f(t)、ui(t)和λ(t)傅里叶变换后的形式。
在式(3)中具有维纳滤波结构的特点,它直接更新了傅立叶域中的模态。此外,还可以通过提取滤波分析信号傅里叶逆变换的实部,在时域内得到这些模态。
利用式(4)可以轻易地计算这些获得的模态的中心频率这表明新的中心频率被置于它们各自模态的功率谱的重心处。
进一步的,所述的VMD分解方法中二次惩罚因子α=1000;收敛判据r=10-6;起始中心频率w=0。
进一步的,所述的IMF分解后的训练样本作为DNN的输入数据,输入层使用逻辑激活函数作为激活函数,每层隐含层的输入向量从前一层获取,并结合该层激活函数进行一系列非线性变换,然后把得到的向量输出到下一层神经元,最后传递到输出向量y;设每层隐含层的前一层的输入向量为:
则第m层的输出向量a(m)为:
式中:g是第m层神经元数量;f是激活函数。
可将网络的输出表示为:
式中:α是隐含层最后一层神经元个数。得到神经网络的各个参数。
进一步的,所述的激活函数采用sigmoid函数:
进一步的,所述的隐含层神经元个数为10个,学习目标为0.01,学习率为0.001,训练次数为5000。
一种基于VMD和DNN的预测方法在短期负荷预测的应用,应用于电力短期负荷预测。
进一步的,所述的电力短期负荷具有波动性和随机性。
进一步的,电力短期负荷的采集方式:数据采集间隔为T min;每次采集N天,共采集24*N*60/T个数据得到原始负荷序列。
在波动性较强的负荷序列中,VMD可有效提取其内在具有紧支撑傅里叶频谱特性的负荷分量,VMD方法具有可调节模态分量个数的优点,进而减少预测的计算规模,DNN通过预训练方式缓解了传统神经网络易陷入局部最优点问题,为最终的高精度预测结果提供保障,为研究短期负荷预测提供一定的参考意义。本发明对具有波动性和随机性的数据预测准确,能够有效减少数据的计算量,缩短了计算时间,而且预测结果准确,平均绝对百分误差为0.62%,均方根误差为7.91MW,提升负荷预测的准确性对电力系统的经济调度、稳定运行具有重要意义。
附图说明
图1为本发明流程图;
图2为采样数据图;
图3为VMD分解数据图;
图4为EMD分解数据图;
图5为DNN基本结构图;
图6为预测效果对比图。
具体实施方式
下面结合说明书附图对本发明的技术方案作进一步说明。
电力负荷受人类活动、气象条件等不同程度的影响表现出一定的波动性、随机性的特点。但人类生活生产活动有一定的规律性,所以负荷也具有较强的周期特性。为精细分析负荷序列特点,采用VMD方法对原始负荷序列进行分解,得到一系列有利于预测的分量,并结合DNN训练预测,叠加各分量预测结果,从而得到了VMD-DNN模型的最终预测结果,预测模型如图1所示。具体方法如下:
步骤1:采集负荷数据,数据采集间隔为T min;每次采集N天,共采集24*N*60/T个数据得到原始负荷序列。本实施例采用安徽省某地市2017-06-16至2017-06-30之间的负荷数据,采样间隔15min,共计1440个点,选取前12天的数据作为训练样本,后3天为测试样本,如图2所示。
步骤2:将采集数据进行归一化处理;
步骤3:采用VMD方法对归一化后的原始负荷序列进行分解,模态函数个数K=5;二次惩罚因子α=1000;收敛判据r=10-6;起始中心频率w=0;得到预测分量IMF1、IMF2、IMF3、IMF4、IMF5;
VMD估计方法,用于非平稳信号的自适应分解,可将复杂的信号分解成K个调频调幅的子信号。它本质上是一个自适应维纳滤波器组,可以有效地将测试信号分解成一组有限带宽的中心频率。不同于EMD和聚类EMD方法,VMD方法采用了非递归及变分模态求解模式处理原始信号,具有较好的抗噪声性能和非平稳性能信号处理效果。
VMD的目的是将多分量信号分解为带宽上具有特定稀疏性的有限带宽模式的集合;相反,这些分解的模式也能够重构输入信号。通过求解约束变分优化问题实现:
式中:uk(t)为输入信号的模态函数;{uk}表示模态集合{u1,u2,……,uk};wk是与输入信号的第k阶模态相对应的中心频率;{wk}表示分解后的模态对应的一组中心频率{w1,w2,……,wk};f(t)是输入信号;δ(t)是单位脉冲函数;
通过引入拉格朗日乘子λ和二次惩罚因子α,可以将式(1)改写为:
利用乘法算法的交替方向法求解(2),得到一组模态分量及其各自的中心频率。由频域中的解估算出的每个模态可表示为:
式中:n是迭代次数;和分别代表f(t)、ui(t)和λ(t)傅里叶变换后的形式。
在式(3)中具有维纳滤波结构的特点,它直接更新了傅立叶域中的模态。此外,还可以通过提取滤波分析信号傅里叶逆变换的实部,在时域内得到这些模态。
利用式(4)可以轻易地计算这些获得的模态的中心频率这表明新的中心频率被置于它们各自模态的功率谱的重心处。训练数据经VMD分解结果如图3所示,采用EMD分解的结果如图4所示,经VMD分解为5个分量,经EMD分解得8个分量,大大减少了预测的计算规模,高频分量不利于预测,从图3中得出VMD分解出的高频分量幅值占比更少,有利于减少预测误差,中低频部分VMD分解的分量的规律性则明显比EMD分解的分量规律性强,两者分解出来的低频部分都较为平缓,可以看出VMD分解出的低频分量更接近原始负荷序列的波动趋势,VMD方法更有利于后续建模预测。
步骤4:对步骤3得到的K个分量IMF1、IMF2、IMF3、IMF4、IMF5进行深度神经网络(DNN)训练,K=5,隐含层神经元个数为10个,学习目标为0.01,学习率为0.001,训练次数为5000;
在浅神经网络中,只能改变单隐层神经元的数量,而在DNN中,网络的宽度和深度都可以改变。DNN通过预训练方式缓解了局部最优点问题。
以分解后的IMF为训练样本作为DNN的输入数据,输入层使用逻辑激活函数作为激活函数,如图5所示,w是权重参数,b是偏置参数,m是隐含层的层数。每层隐含层的输入向量从前一层获取,并结合该层激活函数进行一系列非线性变换,然后把得到的向量输出到下一层神经元,最后传递到输出向量y。设每层隐含层的前一层的输入向量为:则第m层的输出向量a(m)为:
式中:g是第m层神经元数量;f是激活函数。
激活函数采用sigmoid函数,其优点表现在数据传递过程中不易发散,计算量小,可表示为:
可将网络的输出表示为:
式中:α是隐含层最后一层神经元个数。得到神经网络的各个参数。
步骤5:将分解后的测试样本带入训练完成的DNN并叠加得到最终的预测结果。
采用DNN对分别对原始负荷序列、EMD及VMD分解分量进行预测并叠加得到最终预测结果。三种方法的预测结果对比见图6。采用平均绝对百分误差(Mean AbsolutePercentage Error,MAPE)和均方根误差(Root Mean Square Error,RMSE)作为预测模型评价指标。表1给出了三种方法的误差统计结果。
式中:为预测值;yi为实际值,n为样本数量。
表1三种方法的误差统计结果
Table 1Error statistics results of the three methods
图6中的放大区域中可以看出单一采用DNN方法在负荷峰值部分预测误差很大,而VMD-DNN方法略优于EMD-DNN方法,预测结果比较理想。在表1中,从预测日的平均值角度分析,VMD-DNN方法的具有最好的预测精度,MAPE为0.62%,RMSE为7.91MW,验证了该方法具有较好的预测性能。
在波动性较强的负荷序列中,VMD可有效提取其内在具有紧支撑傅里叶频谱特性的负荷分量。相对于EMD方法,VMD方法具有可调节模态分量个数的优点,进而减少预测的计算规模。考虑到DNN通过预训练方式缓解了传统神经网络易陷入局部最优点问题,为最终的高精度预测结果提供保障。对比DNN和EMD-DNN方法,突显了本文方法优越的预测性能,为研究短期负荷预测提供一定的参考意义。
Claims (9)
1.一种基于VMD和DNN的预测方法,其特征在于包括:
步骤1:采集负荷数据;
步骤2:将采集数据进行归一化处理;
步骤3:采用VMD方法对归一化后的原始负荷序列进行分解;
步骤4:对步骤3得到的K个分量进行深度神经网络(DNN)训练;
步骤5:将分解后的测试样本带入DNN并叠加得到最终的预测结果。
2.根据权利要求1所述的一种基于VMD和DNN的预测方法,其特征在于所述的步骤3中VMD的分解方法如下:
通过求解约束变分优化问题实现:
式中:uk(t)为输入信号的模态函数;{uk}表示模态集合{u1,u2,……,uk};wk是与输入信号的第k阶模态相对应的中心频率;{wk}表示分解后的模态对应的一组中心频率{w1,w2,……,wk};f(t)是输入信号;δ(t)是单位脉冲函数;
通过引入拉格朗日乘子λ和二次惩罚因子α,可以将式(1)改写为:
利用乘法算法的交替方向法求解(2),得到一组模态分量及其各自的中心频率;由频域中的解估算出的每个模态可表示为:
式中:n是迭代次数;和分别代表f(t)、ui(t)和λ(t)傅里叶变换后的形式;
在式(3)中具有维纳滤波结构的特点,它直接更新了傅立叶域中的模态;此外,还可以通过提取滤波分析信号傅里叶逆变换的实部,在时域内得到这些模态;
利用式(4)可以轻易地计算这些获得的模态的中心频率这表明新的中心频率被置于它们各自模态的功率谱的重心处。
3.根据权利要求2所述的一种基于VMD和DNN的预测方法,其特征在于所述的VMD分解方法中二次惩罚因子α=1000;收敛判据r=10-6;起始中心频率w=0。
4.根据权利要求1所述的一种基于VMD和DNN的预测方法,其特征在于所述的以分解后的IMF为训练样本作为DNN的输入数据,输入层使用逻辑激活函数作为激活函数,每层隐含层的输入向量从前一层获取,并结合该层激活函数进行一系列非线性变换,然后把得到的向量输出到下一层神经元,最后传递到输出向量y;设每层隐含层的前一层的输入向量为:则第m层的输出向量a(m)为:
式中:g是第m层神经元数量;f是激活函数。
可将网络的输出表示为:
式中:α是隐含层最后一层神经元个数。得到神经网络的各个参数。
5.根据权利要求4所述的一种基于VMD和DNN的预测方法,其特征在于所述的激活函数采用sigmoid函数:
6.根据权利要求5所述的一种基于VMD和DNN的预测方法,其特征在于所述的隐含层神经元个数为10个,学习目标为0.01,学习率为0.001,训练次数为5000。
7.根据权利要求1-6任一所述的一种基于VMD和DNN的预测方法在短期负荷预测的应用,其特征在于,应用于电力短期负荷预测。
8.根据权利要求7所述的一种基于VMD和DNN的预测方法在短期负荷预测的应用,其特征在于所述的电力短期负荷具有波动性和随机性。
9.根据权利要求8所述的一种与VMD和DNN的预测方法在短期负荷预测的应用,其特征在于电力短期负荷的采集方式:数据采集间隔为T min;每次采集N天,共采集24*N*60/T个数据得到原始负荷序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910454601.2A CN110222887A (zh) | 2019-05-27 | 2019-05-27 | 基于vmd和dnn的预测方法及在短期负荷预测的应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910454601.2A CN110222887A (zh) | 2019-05-27 | 2019-05-27 | 基于vmd和dnn的预测方法及在短期负荷预测的应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110222887A true CN110222887A (zh) | 2019-09-10 |
Family
ID=67818746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910454601.2A Pending CN110222887A (zh) | 2019-05-27 | 2019-05-27 | 基于vmd和dnn的预测方法及在短期负荷预测的应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222887A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144650A (zh) * | 2019-12-26 | 2020-05-12 | 南京工程学院 | 电力负荷预测方法、装置、计算机可读存储介质及设备 |
CN111382906A (zh) * | 2020-03-06 | 2020-07-07 | 南京工程学院 | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 |
CN111639823A (zh) * | 2020-06-10 | 2020-09-08 | 天津大学 | 一种基于特征集构建的建筑冷热负荷预测方法 |
CN111754037A (zh) * | 2020-06-19 | 2020-10-09 | 国网河南省电力公司经济技术研究院 | 区域终端集成供能系统长期负荷混合预测方法 |
CN112051480A (zh) * | 2020-08-06 | 2020-12-08 | 国网安徽省电力有限公司电力科学研究院 | 基于变分模态分解的神经网络配电网故障诊断方法及系统 |
CN112365082A (zh) * | 2020-11-25 | 2021-02-12 | 马鞍山学院 | 一种基于机器学习的公共能源消耗预测方法 |
CN112613650A (zh) * | 2020-12-14 | 2021-04-06 | 燕山大学 | 一种新型三阶段短期电力负荷预测方法 |
CN112748362A (zh) * | 2020-12-22 | 2021-05-04 | 国网河南省电力公司电力科学研究院 | 基于vmd和灰色关联度相结合的小电流接地故障检测方法 |
CN113159361A (zh) * | 2020-12-03 | 2021-07-23 | 安徽大学 | 基于VDM和Stacking模型融合的短期负荷预测方法及系统 |
CN113962485A (zh) * | 2021-11-19 | 2022-01-21 | 国网江西省电力有限公司电力科学研究院 | 一种基于机器学习的超短期电力负荷预测方法及装置 |
CN117194924A (zh) * | 2023-09-26 | 2023-12-08 | 北京市计量检测科学研究院 | 电动自行车室内充电行为识别的方法、系统、设备及介质 |
CN117833282A (zh) * | 2024-03-04 | 2024-04-05 | 西安热工研究院有限公司 | 一种熔盐耦合火电机组的调频方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
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 |
-
2019
- 2019-05-27 CN CN201910454601.2A patent/CN110222887A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
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 |
Non-Patent Citations (5)
Title |
---|
XINXIN HE: "Daily Runoff Forecasting Using a Hybrid Model Based on Variational Mode Decomposition and Deep Neural Networks", 《SPRINGER》 * |
于惠鸣等: "基于PSO-DNN的电力系统短期负荷预测模型研究", 《青岛大学学报(工程技术版)》 * |
梁智: "基于VMD与PSO优化深度信念网络的短期负荷预测", 《电网技术》 * |
王军: "基于深度神经网络的中期电力负荷预测", 《重庆工商大学学报( 自然科学版)》 * |
胡欣球: "VMD-LSTM算法在短期负荷预测中的应用", 《电力科学与工程》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144650A (zh) * | 2019-12-26 | 2020-05-12 | 南京工程学院 | 电力负荷预测方法、装置、计算机可读存储介质及设备 |
CN111382906A (zh) * | 2020-03-06 | 2020-07-07 | 南京工程学院 | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 |
CN111382906B (zh) * | 2020-03-06 | 2024-02-27 | 南京工程学院 | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 |
CN111639823B (zh) * | 2020-06-10 | 2022-09-23 | 天津大学 | 一种基于特征集构建的建筑冷热负荷预测方法 |
CN111639823A (zh) * | 2020-06-10 | 2020-09-08 | 天津大学 | 一种基于特征集构建的建筑冷热负荷预测方法 |
CN111754037A (zh) * | 2020-06-19 | 2020-10-09 | 国网河南省电力公司经济技术研究院 | 区域终端集成供能系统长期负荷混合预测方法 |
CN111754037B (zh) * | 2020-06-19 | 2023-01-20 | 国网河南省电力公司经济技术研究院 | 区域终端集成供能系统长期负荷混合预测方法 |
CN112051480A (zh) * | 2020-08-06 | 2020-12-08 | 国网安徽省电力有限公司电力科学研究院 | 基于变分模态分解的神经网络配电网故障诊断方法及系统 |
CN112365082A (zh) * | 2020-11-25 | 2021-02-12 | 马鞍山学院 | 一种基于机器学习的公共能源消耗预测方法 |
CN113159361A (zh) * | 2020-12-03 | 2021-07-23 | 安徽大学 | 基于VDM和Stacking模型融合的短期负荷预测方法及系统 |
CN112613650B (zh) * | 2020-12-14 | 2022-06-28 | 燕山大学 | 一种新型三阶段短期电力负荷预测方法 |
CN112613650A (zh) * | 2020-12-14 | 2021-04-06 | 燕山大学 | 一种新型三阶段短期电力负荷预测方法 |
CN112748362B (zh) * | 2020-12-22 | 2022-04-26 | 国网河南省电力公司电力科学研究院 | 基于vmd和灰色关联度相结合的小电流接地故障检测方法 |
CN112748362A (zh) * | 2020-12-22 | 2021-05-04 | 国网河南省电力公司电力科学研究院 | 基于vmd和灰色关联度相结合的小电流接地故障检测方法 |
CN113962485A (zh) * | 2021-11-19 | 2022-01-21 | 国网江西省电力有限公司电力科学研究院 | 一种基于机器学习的超短期电力负荷预测方法及装置 |
CN117194924A (zh) * | 2023-09-26 | 2023-12-08 | 北京市计量检测科学研究院 | 电动自行车室内充电行为识别的方法、系统、设备及介质 |
CN117833282A (zh) * | 2024-03-04 | 2024-04-05 | 西安热工研究院有限公司 | 一种熔盐耦合火电机组的调频方法及系统 |
CN117833282B (zh) * | 2024-03-04 | 2024-06-11 | 西安热工研究院有限公司 | 一种熔盐耦合火电机组的调频方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222887A (zh) | 基于vmd和dnn的预测方法及在短期负荷预测的应用 | |
CN103136598B (zh) | 基于小波分析的月度电力负荷计算机预测方法 | |
CN109583621A (zh) | 一种基于改进变分模态分解的pso-lssvm短期负荷预测方法 | |
CN110070229A (zh) | 家庭电力负荷的短期预测方法 | |
Dou et al. | Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition | |
CN105719023A (zh) | 一种基于混合高斯分布的风电功率实时预测误差分析方法 | |
CN107944612B (zh) | 一种基于arima和相空间重构svr的母线净负荷预测方法 | |
CN110765703B (zh) | 一种风电场聚合特性建模方法 | |
CN103020459A (zh) | 一种多维度用电行为的感知方法及系统 | |
CN112668611B (zh) | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 | |
Salam et al. | Energy consumption prediction model with deep inception residual network inspiration and LSTM | |
Zou et al. | A hybrid model based on multi-stage principal component extraction, GRU network and KELM for multi-step short-term wind speed forecasting | |
CN107203827A (zh) | 一种基于多尺度分析的风电机风速预测优化方法 | |
Ramya et al. | Environment change prediction to adapt climate-smart agriculture using big data analytics | |
Zheng et al. | VMD-CAT: A hybrid model for short-term wind power prediction | |
Chen et al. | Short term load forecasting based on SBiGRU and CEEMDAN-SBiGRU combined model | |
Zhou et al. | A two-stage method for ultra-short-term pv power forecasting based on data-driven | |
CN114065807A (zh) | 基于变分模态分解和贝叶斯神经网络的月径流预测方法 | |
Zhu et al. | Wind Speed Short-Term Prediction Based on Empirical Wavelet Transform, Recurrent Neural Network and Error Correction | |
CN103208036A (zh) | 一种基于电力用户数据的短期负荷预测方法 | |
Pan et al. | Study on short-term load forecasting of distributed power system based on wavelet theory | |
CN116578855A (zh) | 一种交流微电网的电能计量方法、系统、设备和介质 | |
Chen et al. | Short-term load forecasting for industrial users based on Transformer-LSTM hybrid model | |
Wang et al. | Short term load forecasting based on vmd-dnn | |
Zhu et al. | Prediction of air quality index based on wavelet transform combination model |
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: 20190910 |