CN110472779B - 一种基于时间卷积网络的电力系统短期负荷预测方法 - Google Patents
一种基于时间卷积网络的电力系统短期负荷预测方法 Download PDFInfo
- Publication number
- CN110472779B CN110472779B CN201910693080.6A CN201910693080A CN110472779B CN 110472779 B CN110472779 B CN 110472779B CN 201910693080 A CN201910693080 A CN 201910693080A CN 110472779 B CN110472779 B CN 110472779B
- Authority
- CN
- China
- Prior art keywords
- convolution
- data
- causal
- network
- processing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000001364 causal effect Effects 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 27
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 10
- 230000000306 recurrent effect Effects 0.000 abstract description 5
- 238000012549 training Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000007787 solid Substances 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
- G06N3/045—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
- G06N3/04—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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的一种基于时间卷积网络的电力系统短期负荷预测方法,包括:采集历史负荷数据,对数据进行预处理;构建因果扩张卷积模型,将预处理后的数据分别输入两个不同的因果扩张卷积模型中进行卷积处理;将因果扩张卷积模型处理后的两个结果连接形成残差块;将残差块进行堆叠,得到时间卷积网络;利用时间卷积网络进行全卷积层计算,预测出未来的电力负荷需求。本发明提供的电力系统短期负荷预测方法,通过因果扩张卷积模型,对数据进行因果卷积处理和扩张卷积处理,再交由残差卷积处理,简化学习目标和难度,最后利用时间卷积网络进行全卷积层计算,减少预测过程中所需时间和硬件需求的同时,与主流的循环神经网络有着相当的精度。
Description
技术领域
本发明涉及电力系统及自动化技术领域,更具体的,涉及一种基于时间卷积网络的电力系统短期负荷预测方法。
背景技术
短期电力负荷是一个周期性的非平稳随机过程,它既有季节性的变化,也有按星期和小时周期性变化,同时又有节假日和正常工作日的差别。简而言之,电力短期电力负荷预测是与多种因素相关的非线性映射序列建模问题,通过输入序列预测出输出序列。
一般情况下将循环神经网络(RNN)视为序列建模的默认配置,甚至IanGoodfellow在《深度学习》一书中使用“序列建模:循环和递归网络”作为章节名,这些都表明序列建模与循环架构有非常密切的联系。
在电力系统短期负荷预测领域,循环神经网络(RNN)作为一种成熟的模型,既能保证数据的时序性,也能兼顾数据之间的非线性关系。但是,循环神经网络(RNN)耗时太久,由于网络一次只读取、解析输入的负荷数据,深度神经网络必须等前一个输入处理完,才能进行下一个输入的处理,并且在训练神经网络的过程中需要占用大量的内存。
发明内容
本发明为克服现有的循环神经网络由于网络一次只读取、解析输入的负荷数据,存在耗时长、占用大量内存的技术缺陷,提供一种基于时间卷积网络的电力系统短期负荷预测方法。
为解决上述技术问题,本发明的技术方案如下:
一种基于时间卷积网络的电力系统短期负荷预测方法,包括以下步骤:
S1:采集历史负荷数据,对数据进行预处理;
S2:构建因果扩张卷积模型,将预处理后的数据分别输入两个不同的因果扩张卷积模型中进行卷积处理;
S3:将因果扩张卷积模型处理后的两个结果连接形成残差块;
S4:将残差块进行堆叠,得到时间卷积网络;
S5:利用时间卷积网络进行全卷积层计算,预测出未来的电力负荷需求。
其中,在步骤S1中,所述的数据预处理包括缺失数据补全处理和归一化处理;其中:
所述的缺失数据补全处理为利用平均相邻负载以替换异常值;
所述的归一化处理使用Min-Max方法对缺失数据补全处理过的数据进行标准化,计算公式为:
其中,在步骤S2中,所述因果扩张卷积模型包括因果卷积处理和扩张卷积处理两个流程;其中:
所述因果卷积处理通过将一般卷积的输出移动几个时间步而实现;
所述扩张卷积处理用于将为所述因果卷积处理提供数个量级的感受野。
其中,在步骤S4中,所述的时间卷积网络通过残差卷积处理为全卷积层传递信息。
其中,所述的残差卷积处理通过直接将输入信息绕道传到输出,从而简化学习目标和难度,具体的,设深度残差网络模型的输入为y,期望输出为H(y),直接将输入y传动输出作为初始结果,此时的需要学习的目标为F(y)=H(y)-y。
其中,在所述步骤S4中,所述残差块的数量为6,其卷积核分别为16个1*2、16个1*2、32个1*2、32个1*2、64个1*2、64个1*2的卷积核。
其中,在步骤S5中,所述全卷积层接受任意的尺寸输入,通过对最后一层卷积层的图像特征进行采样,将图像恢复到与输入相同的尺寸,再进行预测。
与现有技术相比,本发明技术方案的有益效果是:
本发明提供的一种基于时间卷积网络的电力系统短期负荷预测方法,通过因果扩张卷积模型,对数据进行因果卷积处理和扩张卷积处理,再交由残差卷积处理,简化学习目标和难度,最后利用时间卷积网络进行全卷积层计算,减少预测过程中所需时间和硬件需求的同时,与主流的循环神经网络有着相当的精度。
附图说明
图1为本发明所述方法的流程示意图;
图2为基于时间卷积网络的电力系统短期负荷预测模型的结构示意图;
图3为各个模型预测数据与原始数据的对比图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1、图2所示,一种基于时间卷积网络的电力系统短期负荷预测方法,包括以下步骤:
S1:采集历史负荷数据,对数据进行预处理;
S2:构建因果扩张卷积模型,将预处理后的数据分别输入两个不同的因果扩张卷积模型中进行卷积处理;
S3:将因果扩张卷积模型处理后的两个结果连接形成残差块;
S4:将残差块进行堆叠,得到时间卷积网络;
S5:利用时间卷积网络进行全卷积层计算,预测出未来的电力负荷需求。
更具体的,在步骤S1中,所述的数据预处理包括缺失数据补全处理和归一化处理;其中:
所述的缺失数据补全处理为利用平均相邻负载以替换异常值;
所述的归一化处理使用Min-Max方法对缺失数据补全处理过的数据进行标准化,计算公式为:
更具体的,在步骤S2中,所述因果扩张卷积模型包括因果卷积处理和扩张卷积处理两个流程;其中:
所述因果卷积处理通过将一般卷积的输出移动几个时间步而实现;
所述扩张卷积处理用于将为所述因果卷积处理提供数个量级的感受野。
更具体的,在步骤S4中,所述的时间卷积网络通过残差卷积处理为全卷积层传递信息。
更具体的,所述的残差卷积处理通过直接将输入信息绕道传到输出,从而简化学习目标和难度,具体的,设深度残差网络模型的输入为y,期望输出为H(y),直接将输入y传动输出作为初始结果,此时的需要学习的目标为F(y)=H(y)-y。
更具体的,在所述步骤S4中,所述残差块的数量为6,其卷积核分别为16个1*2、16个1*2、32个1*2、32个1*2、64个1*2、64个1*2的卷积核。
更具体的,在步骤S5中,所述全卷积层接受任意的尺寸输入,通过对最后一层卷积层的图像特征进行采样,将图像恢复到与输入相同的尺寸,再进行预测。
在具体实施过程中,本发明提供的一种基于时间卷积网络的电力系统短期负荷预测方法,通过因果扩张卷积模型,对数据进行因果卷积处理和扩张卷积处理,再交由残差卷积处理,简化学习目标和难度,最后利用时间卷积网络进行全卷积层计算,减少预测过程中所需时间和硬件需求的同时,与主流的循环神经网络有着相当的精度。
实施例2
更具体的,在实施例1的基础上,为验证本文所提方法的科学性和可靠性,本文实验使用多伦多市2016年的电力负荷数据作为数据集,最后将实验结果与经典的SVRM模型和LSTM模型预测结果进行对比分析可知,本文所提模型取得较好的预测准确率。
在具体实施过程中,将数据集的90%划分为训练集,将数据集的10%划分为测试集;选择工作站为硬件平台:包括Intel Core i7-8700k处理器,32GB内存,256GB固态硬盘,GTX1080TI 11G显卡。软件框架结构为基于Keras深度学习的TensorFlow框架,Keras提供简洁一致的编程接口,能够帮助用户快速理解神经网络架构,减少代码实现过程中的重复工作。Keras具有模块化的特点,支持模型层的自由组合和层层叠加,其中,TCN表示时间卷积网络。
在具体实施过程中,通过不断增加LSTM网络的训练轮数来测试增加模型深度所起到的预测效果,试验结果如表1所示,可以发现通过适当地增加LSTM网络的训练次数可以提高模型预测能力,但当LSTM网络的训练次数增加到200轮后,预测结果的误差反而有所上升,表明模型过度学习。
表1模型结果组合实验结果
经过多次实验对比,将LSTM和TCN的初始条件设定一致,网络层数设为3层,训练轮数为200轮,批次大小为512。对测试集488小时进行短期负荷预测,并计算其平均绝对误差和均方误差,对比LSTM网络模型方法、TCN模型方法和SVRM方法,结果显示TCN网络方法的平均绝对误差和均方误差都要小于其他两种模型,他们的模型预测比较结果如表2所示。
表2模型预测比较结果
在具体实施过程中,如图3所示,分别是SVRM模型、LSTM模型和TCN模型的预测值与实际值的折线图,从图中可以看出,三种模型对短期负荷预测均有较好的预测结果。TCN模型方法取得的负荷预测曲线精度最高,与实际曲线变化基本一致。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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,均应包含在本发明权利要求的保护范围之内。
Claims (1)
1.一种基于时间卷积网络的电力系统短期负荷预测方法,其特征在于,包括以下步骤:
S1:采集历史负荷数据,对数据进行预处理;
所述的数据预处理包括缺失数据补全处理和归一化处理;其中:
所述的缺失数据补全处理为利用平均相邻负载以替换异常值;
所述的归一化处理使用Min-Max方法对缺失数据补全处理过的数据进行标准化,计算公式为:
S2:构建因果扩张卷积模型,将预处理后的数据分别输入两个不同的因果扩张卷积模型中进行卷积处理;
所述因果扩张卷积模型包括因果卷积处理和扩张卷积处理两个流程;其中:
所述因果卷积处理通过将一般卷积的输出移动几个时间步而实现;
所述扩张卷积处理用于将为所述因果卷积处理提供数个量级的感受野;
S3:将因果扩张卷积模型处理后的两个结果连接形成残差块;
S4:将残差块进行堆叠,得到时间卷积网络;
所述的残差卷积处理通过直接将输入信息绕道传到输出,从而简化学习目标和难度,具体的,设深度残差网络模型的输入为y,期望输出为H(y),直接将输入y传动输出作为初始结果,此时的需要学习的目标为F(y)=H(y)-y;
所述残差块的数量为6,其卷积核分别为16个1*2、16个1*2、32个1*2、32个1*2、64个1*2、64个1*2的卷积核;
所述的时间卷积网络通过残差卷积处理为全卷积层传递信息;
S5:利用时间卷积网络进行全卷积层计算,预测出未来的电力负荷需求;
所述全卷积层接受任意的尺寸输入,通过对最后一层卷积层的图像特征进行采样,将图像恢复到与输入相同的尺寸,再进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910693080.6A CN110472779B (zh) | 2019-07-30 | 2019-07-30 | 一种基于时间卷积网络的电力系统短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910693080.6A CN110472779B (zh) | 2019-07-30 | 2019-07-30 | 一种基于时间卷积网络的电力系统短期负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472779A CN110472779A (zh) | 2019-11-19 |
CN110472779B true CN110472779B (zh) | 2022-05-03 |
Family
ID=68509888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910693080.6A Active CN110472779B (zh) | 2019-07-30 | 2019-07-30 | 一种基于时间卷积网络的电力系统短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472779B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260030B (zh) * | 2020-01-13 | 2021-01-05 | 润联软件系统(深圳)有限公司 | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 |
CN111639799B (zh) * | 2020-05-27 | 2023-09-26 | 中国电力科学研究院有限公司 | 基于卷积轻量级梯度提升树的负荷总功率预测方法及系统 |
CN111798975A (zh) * | 2020-06-01 | 2020-10-20 | 山东师范大学 | 基于循环时间卷积网络的疾病诊断系统、设备及介质 |
CN111882157A (zh) * | 2020-06-24 | 2020-11-03 | 东莞理工学院 | 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 |
CN111860979B (zh) * | 2020-07-01 | 2022-08-12 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
CN111950805B (zh) * | 2020-08-25 | 2022-09-20 | 华润数字科技有限公司 | 中长期电力负荷预测方法、装置、计算机设备及存储介质 |
CN112215406B (zh) * | 2020-09-23 | 2024-04-16 | 国网甘肃省电力公司电力科学研究院 | 一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法 |
CN112215442B (zh) * | 2020-11-27 | 2021-03-12 | 中国电力科学研究院有限公司 | 电力系统短期负荷预测方法、系统、设备及介质 |
CN112633556A (zh) * | 2020-12-01 | 2021-04-09 | 东莞理工学院 | 一种基于混合模型的短期电力负荷预测方法 |
CN112613641B (zh) * | 2020-12-07 | 2022-04-15 | 河北工业大学 | 一种基于特征分解的短期电负荷组合预测方法 |
CN113011628B (zh) * | 2020-12-14 | 2022-08-05 | 同济大学 | 基于拓扑结构和时间卷积网络的电力负荷预测方法 |
CN112578089B (zh) * | 2020-12-24 | 2023-04-07 | 河北工业大学 | 一种基于改进tcn的空气污染物浓度预测方法 |
CN112734137B (zh) * | 2021-01-27 | 2022-12-16 | 国网电力科学研究院武汉能效测评有限公司 | 基于智能电表数据的短期楼宇电力负荷预测方法及系统 |
CN113069117A (zh) * | 2021-04-02 | 2021-07-06 | 中山大学 | 一种基于时间卷积神经网络的脑电情绪识别方法及系统 |
CN113178073A (zh) * | 2021-04-25 | 2021-07-27 | 南京工业大学 | 一种基于时间卷积网络的车流量短期预测优化应用方法 |
CN114091576A (zh) * | 2021-10-29 | 2022-02-25 | 上海梦象智能科技有限公司 | 一种基于双向扩张卷积的负荷分解方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015079554A1 (ja) * | 2013-11-29 | 2015-06-04 | 株式会社日立製作所 | 電力系統の状態推定装置、その状態推定方法および電力系統制御システム |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600050A (zh) * | 2016-12-10 | 2017-04-26 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于bp神经网络的超短期负荷预测方法 |
CN109543901A (zh) * | 2018-11-20 | 2019-03-29 | 国网辽宁省电力有限公司经济技术研究院 | 基于信息融合卷积神经网络模型的短期电力负荷预测方法 |
CN109840628B (zh) * | 2019-01-17 | 2023-03-24 | 湖南大学 | 一种短时多区域车速预测方法及系统 |
CN109657882A (zh) * | 2019-01-23 | 2019-04-19 | 华南理工大学 | 基于vmd-pso-lssvm的短期电力负荷预测模型建立方法 |
-
2019
- 2019-07-30 CN CN201910693080.6A patent/CN110472779B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015079554A1 (ja) * | 2013-11-29 | 2015-06-04 | 株式会社日立製作所 | 電力系統の状態推定装置、その状態推定方法および電力系統制御システム |
Also Published As
Publication number | Publication date |
---|---|
CN110472779A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472779B (zh) | 一种基于时间卷积网络的电力系统短期负荷预测方法 | |
CN111260030B (zh) | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN109599866B (zh) | 一种预测辅助的电力系统状态估计方法 | |
CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
CN112232604A (zh) | 基于Prophet模型提取网络流量的预测方法 | |
CN112308298A (zh) | 一种面向半导体生产线的多场景性能指标预测方法及系统 | |
JP2019159888A (ja) | 機械学習システム | |
CN109829115B (zh) | 搜索引擎关键词优化方法 | |
CN113139698A (zh) | 负荷预测方法、装置及设备 | |
CN112381664A (zh) | 电网短期负荷预测方法、预测装置及存储介质 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN115545503B (zh) | 一种基于并联时序卷积神经网络的电力负荷中短期预测方法及系统 | |
CN110929941A (zh) | 基于多负荷模式的短期电力负荷预测方法及系统 | |
Yamamoto et al. | Definition of FTL with bypass lines and its simulator for buffer size decision | |
CN116739130A (zh) | TCN-BiLSTM网络的多时间尺度负荷预测方法 | |
CN115730717A (zh) | 基于迁移学习策略结合多通道的电力负荷预测方法及系统 | |
CN114925931A (zh) | 台区负荷预测方法及系统 | |
CN114528285A (zh) | 项目预测方法以及装置 | |
CN113705929A (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 | |
CN111047016A (zh) | 一种模型训练的方法和装置 | |
CN113379455B (zh) | 订单量预测方法和设备 | |
CN116029466B (zh) | 一种碳排放量预测方法、装置、存储介质及设备 | |
Dali et al. | Demand forecast of equipment spare parts based on EEMD-LSTM |
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 |