CN110298501B - 基于长短时记忆神经网络的电负荷预测方法 - Google Patents
基于长短时记忆神经网络的电负荷预测方法 Download PDFInfo
- Publication number
- CN110298501B CN110298501B CN201910543204.2A CN201910543204A CN110298501B CN 110298501 B CN110298501 B CN 110298501B CN 201910543204 A CN201910543204 A CN 201910543204A CN 110298501 B CN110298501 B CN 110298501B
- Authority
- CN
- China
- Prior art keywords
- data
- time
- neural network
- prediction
- lstm
- 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
- 230000015654 memory Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000012986 modification Methods 0.000 claims description 8
- 230000004048 modification Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于长短时记忆神经网络的电负荷预测方法,包括以下步骤:通过输入历史时刻的电力负荷数据、区域特征因素以及所要求预测的指定时间段;采用LSTM网络对历史时刻的电力负荷数据和区域特征因素进行训练建模,生成电负荷预测的神经网络模型;通过已建立的神经网络模型对电负荷进行预测;最后通过输出单元输出该区域指定时间的电负荷预测结果。优点:能够根据历年数据和建筑特征因素搭建神经网络模型,精准预测出指定时间段的用电负荷,有效提高电负荷预测的准确度。
Description
技术领域
本发明涉及一种基于长短时记忆神经网络的电负荷预测方法,属于电力系统负荷预测技术领域。
背景技术
保证电网负荷预测的准确度对减少电网经济损损失、保证电网安全运行至关重要。多年来,提高电负荷预测精度一直是人们研究的重点。但由于电网内部能源种类多样,能源利用方式各有不同,导致电网负荷数据波动性、随机性较大,造成负荷预测精度较低,很难准确拟合负荷数据的分布。
随着电网智能化速度的不断加快,数据量的增大以及数据的波动性、随机性等使得传统的负荷预测方法越来越不能满足实际应用的需求。目前,电负荷预测有多种方法,如人工神经网络(Artificial Neural,ANN)、支持向量机(Support Vector Machine,SVM)、高斯过程回归(Gaussion Process Regression,GPR)、自回归移动平均模型(AutoregressiveInterrated Moving Average Model,ARIMA)等,上述电负荷预测方法存在的主要问题为无法对含有各种不确定因素的影响的模型进行精确预测。
目前的负荷预测应用,大多需要在构建模型之前,对预测样本进行筛选。利用相似性筛选出训练样本,将导致未被选中样本所包含信息的丢失。预测结果的精度在很大程度上受所筛选样本的影响,当筛选样本不准确时,会导致预测精度下降。并且,目前的负荷预测方法对历史负荷数据依赖较强,即在预测时需输入历史负荷数据,适用于时间步长较短的负荷预测。由于负荷数据分布变化较快,暂时无法利用历史负荷值,去预测时间步长较远的负荷值。而常见的神经网络利用机器学习的方法寻找负荷影响因素与负荷之间的非线性映射关系,忽略了连续负荷样本之间的序列数据的相关关系。负荷数据作为典型的时间序列,具有非线性与相关性,传统方法仅对单个样本的输入特征和输出功率建立非线性关系,丢失了连续序列样本间的强相关性,其预测精度有限。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种基于长短时记忆神经网络的电负荷预测方法。
为解决上述技术问题,本发明提供一种基于长短时神经网络的电负荷预测方法,其特征在于,包括以下步骤:
1)通过输入单元接收输入的历史时刻的电力负荷数据、区域特征因素、指定预测时间段,并将经过处理后的上述数据传递至LSTM网络的输入层;
2)将LSTM网络的输入层接收的数据导入LSTM网络层,并进行训练建模,得到LSTM预测模型;
3)利用现有数据对LSTM预测模型进行检验,计算累计误差,若所得的累计误差在最大可允许累计误差范围内,则保留LSTM预测模型,反之则进行迭代修改;
4)通过已建立的LSTM预测模型对指定时间段进行电负荷预测并产生电负荷预测结果;
5)通过输出单元输出该区域指定时间的电负荷预测结果。
进一步的,所述区域特征因素包括以下关键因素:节假日因素、建筑物因素、季节因素、降水量因素。
进一步的,在获取历史时刻的电力负荷数据之后,需进行预处理,分为数据异常处理与归一化处理。
进一步的,所述数据异常处理为:
a)进行异常值检测,Dn,i=f(time,historical,factor),若Dn,i>3σ,则判定Dn,i为异常数据,删除异常数据;若Dn,i≤3σ,则为正常数据,保留正常数据;
其中Dn,i为第n天第i时刻的电力负荷数据,n∈[1,365]为一年中的天数,i∈[1,24]为一天中的小时数,σ为数据集标准差且 为总体电力负荷数据平均值且N为电力负荷数据总个数,I表示一天24小时被划分的时间段总数,f(time,historical,factor)表示所预测的电力负荷数据只与time、historical、factor有关,其中time为指定预测时间段、factor为区域特征因素,historical为与该时刻相关的历史数据;
b)异常值检测后通过进行异常数据修改,其中为第n天第i时刻的修正数据,α1、α2、α3表示各数据所占的权重,且α1=α2=α3,Dn±2,i为修正点前后两天相同时刻的电负荷数据,为距离修正点前后两时刻的电负荷数据。
进一步的,所述归一化处理为:
其中,Dn,i为第n天第i时刻的电力负荷数据,表示第n天第i时刻的进行归一化处理后电力负荷数据,n∈[1,365]为一年中的天数,i∈[1,24]为一天中的小时数,min{D}为数据集最小值,max{D}为数据集最大值,max{D}-min{D}为数据集极值。
进一步的,每个LSTM网络的记忆单元包括3个控制门,分别为输入门it、输出门ot和遗忘门ft,所述遗忘门ft控制LSTM网络层对信息的遗忘,所述输入门it控制LSTM网络层的信息更新,所述输出门ot控制信息的输出;
进一步的,所述输入门用于控制当前输入数据输入到记忆单元,由t时刻输入值xt和t-1时刻隐层输出ht-1共同决定,输入门it的计算公式为:
it=Φ(ωi×[ht-1,ht]+bi)
其中,ωi为t时刻输入门it的权值矩阵,bi为输入门偏置量,Φ表示ReLU函数;
所述输出门用于判断记忆单元状态值是否需要输出,由xt和ht-1共同决定,输出门ot的计算公式为:
ot=Φ(ω0×[ht-1,ht]+b0)
其中,ω0为t时刻输出门ot的权值矩阵,b0为偏置量;
所述遗忘门取决于从记忆单元状态中需要遗忘多少信息,由xt和ht-1共同决定,遗忘门ft的计算公式为:
ft=Φ(ωf×[ht-1,ht]+bf)
其中,ωf为t时刻遗忘门ft的权值矩阵,bf为偏置量;
所述记忆单元的候选状态ct的计算公式为:
ct=tanh(ωc×[ht-1,ht]+bc)
其中,ωc为t时刻候选状态ct的权值矩阵,bc为偏置量,tanh为双曲正切函数。
一种基于长短时记忆神经网络的电负荷预测系统,包括
信息处理模块:用于通过输入单元接收输入的历史时刻的电力负荷数据、区域特征因素、指定预测时间段,并将上述数据经过处理后传递至所述LSTM网络的输入层;
模型建立模块:用于将所述LSTM网络输入层接收的历史时刻电力负荷数据、区域特征因素、指定预测时间段导入所述LSTM网络层,并通过所述LSTM网络对上述数据进行训练建模,训练生成神经网络负荷预测模型;
电力预测模块:用于利用已建立的神经网络模型对电负荷进行预测并产生指定时间段内的电负荷预测结果;
结果输出模块:用于通过输出单元输出该区域指定预测时间段的电负荷预测结果。
本发明所达到的有益效果:
根据本发明实施的基于LSTM网络(长短时记忆神经网络)的电负荷预测方法,根据所输入数据生成训练样本,通过该训练样本训练得到LSTM预测模型,并通过将区域特征因素、指定预测时间段信息输入该LSTM预测模型得到电网负荷预测结果后,可对电网负荷预测精度进行分析,若不满足准确度要求,则对LSTM预测模型进行迭代更新,反之保留LSTM预测模型。该模型对数据进行异常值检测与异常值修改,可避免异常数据对预测结果产生的误差影响,并且保证了数据的完整性;该方法基于LSTM的结构特点,能够充分利用时间序列的历史关系,能够预测更大时间步长的负荷数据;通过对LSTM预测模型的不断训练与迭代修改,能够提高预测精度,避免因重新训练而加大计算量,提高了预测的实时性。
附图说明
图1为LSTM结构图;
图2为电负荷预测方法流程图;
图3为基于LSTM网络的电负荷预测方法的示意图;
图4为训练次数-误差曲线。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图2所示,一种基于长短时记忆神经网络的电负荷预测系统,其特征在于,包括:
信息处理模块:用于通过输入单元接收输入的历史时刻的电力负荷数据、区域特征因素、指定预测时间段,并将上述数据经过处理后传递至所述LSTM网络的输入层;
模型建立模块:用于将所述LSTM网络输入层接收的历史时刻电力负荷数据、区域特征因素、指定预测时间段导入所述LSTM网络层,并通过所述LSTM网络对上述数据进行训练建模,训练生成神经网络负荷预测模型;
电力预测模块:用于利用已建立的神经网络模型对电负荷进行预测并产生指定时间段内的电负荷预测结果;
结果输出模块:用于通过输出单元输出该区域指定预测时间段的电负荷预测结果。
如图1和3所示,本发明一种基于长短时记忆神经网络的电负荷预测方法,包括以下步骤:
S1、获取所需数据
S1.1、所需数据为历史时刻的电力负荷数据、区域特征因素、指定预测时间段。历史时刻的电力负荷数据可由历史数据表格中读取得到或人为输入得到,本例中利用xlsread函数由表格进行读入,且n=365,i=24;区域特征因素由人为进行选择,不同的区域特征因素对于不同的建筑,区域特征因素表现为用电周期、周电时间、用电量等不同;指定预测时间段由人为进行选择,为需要进行预测的时间段。
S1.3、将上述数据经过处理后传递至所述LSTM网络的输入层。本例中于函数LSTM_data_process()中进行数据处理,将处理后的数据调用至main()函数中进行训练建模。
S2.对数据进行训练建模得到LSTM预测模型
S2.1、将所述LSTM网络的输入层接收的数据导入所述LSTM网络层,并通过所述LSTM网络对数据进行训练建模,得到LSTM的预测模型;
S2.2、每个LSTM记忆单元中含有3个控制门,分别是输入门it、输出门ot和遗忘门ft。
S2.3、所述遗忘门ft控制LSTM网络层对信息的遗忘,所述输入门it控制LSTM网络层的信息更新,所述输出门ot控制信息的输出。具体建模公式如下:
it=Φ(ωi×[ht-1,ht]+bi)
ot=Φ(ω0×[ht-1,ht]+b0)
ft=Φ(ωf×[ht-1,ht]+bf)
ct=tanh(ωc×[ht-1,ht]+bc)
其中,LSTM在时刻t的输入数据为xt,输出值为ht,记忆状态为ct,记忆单元状态值为ct,隐藏层输出值为ht,Φ表示ReLU函数。
S3.检验LSTM预测模型
S3.1、设定系统的训练次数、最大误差及迭代权重调整比例,本例中设置训练次数为3000次,最大可允许误差为∑M为1e-6,每次权重调整比例γ=0.01。
S3.2、训练完成后,对所述电负荷预测结果进行分析,根据已有数据所述电负荷预测结果进行判断,若所得预测数据在误差范围内,则保留LSTM模型,反之进行迭代修改。本例中利用weight_preh_h,weight_outputgate_x,weight_inputgate_x等函数对权重系数进行更新。
S3.3、预测结果误差评估利用累计误差公式进行计算,即:
S4.输出预测结果,通过输出单元输出该区域指定时间的电负荷预测结果。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的得同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于长短时记忆神经网络的电负荷预测方法,其特征在于,包括以下步骤:
1)通过输入单元接收输入的历史时刻的电力负荷数据、区域特征因素、指定预测时间段,并将经过处理后的上述数据传递至LSTM网络的输入层;
2)将LSTM网络的输入层接收的数据导入LSTM网络层,并进行训练建模,得到LSTM预测模型;
3)利用现有数据对LSTM预测模型进行检验,计算累计误差,若所得的累计误差在最大可允许累计误差范围内,则保留LSTM预测模型,反之则进行迭代修改;
4)通过已建立的LSTM预测模型对指定时间段进行电负荷预测并产生电负荷预测结果;
5)通过输出单元输出该区域指定时间的电负荷预测结果;
在获取历史时刻的电力负荷数据之后,需进行预处理,分为数据异常处理与归一化处理,所述数据异常处理为:
a)进行异常值检测,Dn,i=f(time,historical,factor),若Dn,i>3σ,则判定Dn,i为异常数据,删除异常数据;若Dn,i≤3σ,则为正常数据,保留正常数据;
其中Dn,i为第n天第i时刻的电力负荷数据,n∈[1,365]为一年中的天数,i∈[1,24]为一天中的小时数,σ为数据集标准差且 为总体电力负荷数据平均值且N为电力负荷数据总个数,I表示一天24小时被划分的时间段总数,f(time,historical,factor)表示所预测的电力负荷数据只与time、historical、factor有关,其中time为指定预测时间段、factor为区域特征因素,historical为与该时刻相关的历史数据;
2.根据权利要求1所述的基于长短时记忆神经网络的电负荷预测方法,其特征在于,所述区域特征因素包括以下关键因素:节假日因素、建筑物因素、季节因素、降水量因素。
5.根据权利要求4所述的基于长短时记忆神经网络的电负荷预测方法,其特征在于,
所述输入门用于控制当前输入数据输入到记忆单元,由t时刻输入值xt和t-1时刻隐层输出ht-1共同决定,输入门it的计算公式为:
it=Φ(ωi×[ht-1,ht]+bi)
其中,ωi为t时刻输入门it的权值矩阵,bi为输入门偏置量,Φ表示ReLU函数;
所述输出门用于判断记忆单元状态值是否需要输出,由xt和ht-1共同决定,输出门ot的计算公式为:
ot=Φ(ω0×[ht-1,ht]+b0)
其中,ω0为t时刻输出门ot的权值矩阵,b0为偏置量;
所述遗忘门取决于从记忆单元状态中需要遗忘多少信息,由xt和ht-1共同决定,遗忘门ft的计算公式为:
ft=Φ(ωf×[ht-1,ht]+bf)
其中,ωf为t时刻遗忘门ft的权值矩阵,bf为偏置量;
所述记忆单元的候选状态ct的计算公式为:
ct=tanh(ωc×[ht-1,ht]+bc)
其中,ωc为t时刻候选状态ct的权值矩阵,bc为偏置量,tanh为双曲正切函数。
8.一种基于权利要求1所述的基于长短时记忆神经网络的电负荷预测方法的系统,其特征在于,包括
信息处理模块:用于通过输入单元接收输入的历史时刻的电力负荷数据、区域特征因素、指定预测时间段,并将上述数据经过处理后传递至所述LSTM网络的输入层;
模型建立模块:用于将所述LSTM网络的输入层接收的历史时刻电力负荷数据、区域特征因素、指定预测时间段导入所述LSTM网络层,并通过所述LSTM网络对上述数据进行训练建模,训练生成神经网络负荷预测模型;
电力预测模块:用于利用已建立的神经网络模型对电负荷进行预测并产生指定时间段内的电负荷预测结果;
结果输出模块:用于通过输出单元输出该区域指定预测时间段的电负荷预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910543204.2A CN110298501B (zh) | 2019-06-21 | 2019-06-21 | 基于长短时记忆神经网络的电负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910543204.2A CN110298501B (zh) | 2019-06-21 | 2019-06-21 | 基于长短时记忆神经网络的电负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298501A CN110298501A (zh) | 2019-10-01 |
CN110298501B true CN110298501B (zh) | 2022-08-16 |
Family
ID=68028424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910543204.2A Active CN110298501B (zh) | 2019-06-21 | 2019-06-21 | 基于长短时记忆神经网络的电负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298501B (zh) |
Families Citing this family (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712189B (zh) * | 2019-10-25 | 2024-06-14 | 北京市热力集团有限责任公司 | 一种供热需求负荷预测方法 |
CN110889535B (zh) * | 2019-10-28 | 2022-07-12 | 国网江西省电力有限公司电力科学研究院 | 一种基于卷积循环神经网络的风电场内多点位风速预测方法 |
CN111080472A (zh) * | 2019-11-12 | 2020-04-28 | 国网山西省电力公司晋中供电公司 | 一种电力系统负荷预测和分析方法 |
CN111080002A (zh) * | 2019-12-10 | 2020-04-28 | 华南理工大学 | 基于深度学习的建筑用电负荷多步预测方法及系统 |
CN111144654A (zh) * | 2019-12-27 | 2020-05-12 | 深圳供电局有限公司 | 一种基于物联网的园区能源管理配置方法及装置 |
CN111160659B (zh) * | 2019-12-31 | 2021-11-23 | 国家电网公司西南分部 | 一种考虑温度模糊化的电力负荷预测方法 |
CN111200531B (zh) * | 2020-01-02 | 2022-01-04 | 国网冀北电力有限公司信息通信分公司 | 一种通信网流量预测方法、装置与电子设备 |
CN111210091A (zh) * | 2020-02-25 | 2020-05-29 | 上海积成能源科技有限公司 | 一种基于递归神经网络的长短期记忆模型来预测短期电力负荷的系统模型 |
CN111340300A (zh) * | 2020-02-29 | 2020-06-26 | 上海电力大学 | 一种基于faf-lstm深度神经网络的居民负荷预测方法及系统 |
CN111276977A (zh) * | 2020-03-28 | 2020-06-12 | 福建华电万安能源有限公司 | 一种电力系统扰动后的功率缺额预测方法 |
CN111563610B (zh) * | 2020-03-30 | 2023-07-18 | 山东电力工程咨询院有限公司 | 一种基于lstm神经网络的建筑物电负荷综合预测方法及系统 |
CN111582943B (zh) * | 2020-05-13 | 2023-03-24 | 江南大学 | 基于cnn和lstm的电力系统负荷预测方法 |
CN111682593B (zh) * | 2020-05-29 | 2023-04-18 | 黑龙江苑博信息技术有限公司 | 基于神经网络模型状态观测器的火电机组协调优化方法 |
CN111861039A (zh) * | 2020-07-31 | 2020-10-30 | 广东电网有限责任公司广州供电局 | 基于lstm和广义预测控制算法的电力负荷预测方法、系统、设备及存储介质 |
CN111985719B (zh) * | 2020-08-27 | 2023-07-25 | 华中科技大学 | 一种基于改进的长短期记忆网络的电力负荷预测方法 |
CN112084717A (zh) * | 2020-09-15 | 2020-12-15 | 复旦大学 | 紫外发光二极管性能退化预测模型构建及寿命预测方法 |
CN112446537A (zh) * | 2020-11-20 | 2021-03-05 | 国网浙江省电力有限公司宁波供电公司 | 基于深度长短期记忆网络的短期负荷预测方法 |
CN112529283A (zh) * | 2020-12-04 | 2021-03-19 | 天津天大求实电力新技术股份有限公司 | 基于注意力机制的综合能源系统短期负荷预测方法 |
CN112766537B (zh) * | 2020-12-24 | 2023-06-06 | 沈阳工程学院 | 一种短期电负荷预测方法 |
CN112832744A (zh) * | 2021-01-07 | 2021-05-25 | 中国石油大学(华东) | 一种基于lstm神经网络的抽油机井检泵周期预测方法 |
CN112733457B (zh) * | 2021-01-18 | 2022-03-15 | 武汉大学 | 一种改进双层长短期记忆网络的负荷用电特性建模方法 |
CN113011630B (zh) * | 2021-01-25 | 2024-01-23 | 国网浙江省电力有限公司杭州供电公司 | 一种大数据配电网台区时空负荷短期预测方法 |
CN112766598A (zh) * | 2021-01-29 | 2021-05-07 | 上海工程技术大学 | 一种基于lstm神经网络的电能质量稳态指标预测与预警方法 |
CN112801388B (zh) * | 2021-02-04 | 2022-11-08 | 天津德尔塔科技有限公司 | 一种基于非线性时间序列算法的电力负荷预测方法及系统 |
CN112926774A (zh) * | 2021-02-23 | 2021-06-08 | 中国石油大学(华东) | 基于长短时记忆神经网络的地热产能预测方法及系统 |
CN113033898A (zh) * | 2021-03-26 | 2021-06-25 | 国核电力规划设计研究院有限公司 | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 |
CN113112089B (zh) * | 2021-04-26 | 2022-05-10 | 燕山大学 | 水泥生料粉磨系统电耗预测方法及其预测系统 |
CN113191559B (zh) * | 2021-05-08 | 2024-04-19 | 苏州瑞城电力科技有限公司 | 一种基于自回归选择的改进神经网短期居民负荷预测方法 |
CN113726559B (zh) * | 2021-08-09 | 2023-10-27 | 国网福建省电力有限公司 | 基于人工智能网络安全分析预警系统 |
CN113469346B (zh) * | 2021-08-31 | 2021-11-12 | 盛隆电气集团有限公司 | 一种预测短时区域用电情况监督方法及其装置 |
CN113988436B (zh) * | 2021-11-01 | 2023-04-28 | 广西电网有限责任公司 | 基于lstm神经网络和层级关系修正的用电量预测方法 |
CN116094736A (zh) * | 2021-11-04 | 2023-05-09 | 东方电气股份有限公司 | 一种基于长短时记忆的汽轮机控制系统网络异常流量检测方法 |
CN114362249B (zh) * | 2022-01-27 | 2024-03-26 | 阳光慧碳科技有限公司 | 一种源荷系统防逆流控制方法、装置及源荷系统 |
CN115309052B (zh) * | 2022-08-19 | 2023-04-28 | 北京全应科技有限公司 | 一种工业实时数据时序预测结果的在线修正方法 |
CN115513951B (zh) * | 2022-11-17 | 2023-04-18 | 山东建筑大学 | 一种基于概念漂移检测的电力负荷预测方法及系统 |
CN115994679B (zh) * | 2023-03-24 | 2023-06-09 | 国网山东省电力公司青岛供电公司 | 一种基于负荷预测修正的区域电网主动规划方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930178A (zh) * | 2012-11-26 | 2013-02-13 | 慈溪市供电局 | 一种负荷数据异常检测方法 |
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 |
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 |
CN109597967A (zh) * | 2018-11-20 | 2019-04-09 | 江苏云上电力科技有限公司 | 一种电力系统配变电站负荷数据异常检测与修复方法 |
-
2019
- 2019-06-21 CN CN201910543204.2A patent/CN110298501B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930178A (zh) * | 2012-11-26 | 2013-02-13 | 慈溪市供电局 | 一种负荷数据异常检测方法 |
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 |
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 |
CN109597967A (zh) * | 2018-11-20 | 2019-04-09 | 江苏云上电力科技有限公司 | 一种电力系统配变电站负荷数据异常检测与修复方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110298501A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298501B (zh) | 基于长短时记忆神经网络的电负荷预测方法 | |
Hu et al. | A hybrid model based on CNN and Bi-LSTM for urban water demand prediction | |
CN110766212B (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN111144286A (zh) | 一种融合emd和lstm的城市pm2.5浓度预测方法 | |
CN108985965A (zh) | 一种结合神经网络和参数估计的光伏功率区间预测方法 | |
CN110059867B (zh) | 一种swlstm结合gpr的风速预测方法 | |
CN111027772A (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
CN113537582B (zh) | 一种基于短波辐射修正的光伏功率超短期预测方法 | |
CN110751326A (zh) | 一种光伏日前功率预测方法、装置以及存储介质 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
CN113705929B (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
Girimurugan et al. | Application of deep learning to the prediction of solar irradiance through missing data | |
CN114239991A (zh) | 一种基于数据驱动的楼宇供热负荷预测方法、装置与设备 | |
CN112508286A (zh) | 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法 | |
CN116930609A (zh) | 一种基于ResNet-LSTM模型的电能计量误差分析方法 | |
Sun et al. | Enhancing financial risk management through lstm and extreme value theory: A high-frequency trading volume approach | |
CN116826737A (zh) | 一种光伏功率的预测方法、装置、存储介质及设备 | |
CN114372558A (zh) | 基于多模型融合的居民用电负荷预测方法、介质及设备 | |
CN116565850A (zh) | 一种基于qr-blstm的风电功率超短期预测方法 | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
CN112734073A (zh) | 一种基于长短期记忆网络的光伏发电功率短期预测方法 | |
CN110659775A (zh) | 一种基于lstm改进的电力短时负荷预测算法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230811 Address after: No.8, Huyue East Road, Longchi street, Liuhe District, Nanjing City, Jiangsu Province Patentee after: Nanjing Tianzheng Industrial Intelligent Technology Research Institute Co.,Ltd. Address before: 213022, No. 200, Jinling North Road, Xinbei District, Jiangsu, Changzhou Patentee before: CHANGZHOU CAMPUS OF HOHAI University |
|
TR01 | Transfer of patent right |