CN110598854A - 一种基于gru模型的台区线损率预测方法 - Google Patents
一种基于gru模型的台区线损率预测方法 Download PDFInfo
- Publication number
- CN110598854A CN110598854A CN201910891550.XA CN201910891550A CN110598854A CN 110598854 A CN110598854 A CN 110598854A CN 201910891550 A CN201910891550 A CN 201910891550A CN 110598854 A CN110598854 A CN 110598854A
- Authority
- CN
- China
- Prior art keywords
- data
- gru
- line loss
- model
- loss rate
- 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 53
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000013136 deep learning model Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 238000009499 grossing Methods 0.000 claims abstract description 5
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/048—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
- G06N3/08—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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及一种基于GRU模型的台区线损率预测方法,包括以下步骤:步骤S1:采集台区多维电气特征指标参数数据,构成原始数据;步骤S2:对原始数据进行进行归一化处理,同时采用数据平滑技术对少量错误数据进行清洗处理,得到训练集数据和测试集数据;步骤S3:构建GRU深度学习模型,并初始化基本参数;步骤S4:将训练集数据作为输入,训练GRU网络参数,获得深度预测模型;步骤S5:将测试数据输入训练好的GRU网络模型中,进行台区线损率误差测试分析;步骤S6:根据得到的最优深度预测模型,输入新增台区的电气特征参数,预测得到相应的线损率。本发明可以准确预测分析台区线损率,为台区电力系统稳定、安全、高效运转提供重要理论依据。
Description
技术领域
本发明涉及一种基于GRU模型的台区线损率预测方法。
背景技术
台区线损率是居民区电力系统稳定、安全、高效运行的一项重要指标,也是衡量配电网运行效率的核心反映。因此,准确预测分析台区线损率具有十分重要的研究价值,它为后续电力系统网络优化工作、提高供电质量提供了理论依据。
目前已有较多文献对电网线损率计算方法进行了研究。传统方法包括平均电流法、损失因数法、区间潮流法等,然而它们与配电网实际耗电模型出入较大,具有计算精度较低的缺点。近年来,随着人工智能技术的迅速发展,传统线损率计算方法已逐渐转移至人工神经网络为代表的新型处理算法。文献[1](彭宇文,刘克文.基于改进核心向量机的配电网理论线损计算方法[J].中国电机工程学报,2011,31(34):120-126.)研究了基于改进核心向量机的配电网理论线损计算方法。文献[2](唐晓勇,江亚群,黄纯,等.改进ASMDE算法和RBFNN的配电网线损计算[J].计算机工程与应用,2015,51(13):245-250.)提出了改进自适应二次变异差分进化(Adaptive Second Mutation Differential Evolution,ASMDE)算法和径向基函数(Radial Basis Function,RBF)神经网络的线损分析方法。其中文献[1][2]的基本思想是把理论线损已知的线路构造成样本集作为输入,进而获得回归分析问题的近似拟合函数。但上述方法的应用领域为10kV高压线路领域,且仅利用68条配电线路数据进行了分析测试。考虑到实际情形,居民区线路分布比较复杂,且涉及多个电气参数变量特征,非线性耦合程度较高,上述算法在台区线损率计算时仍存在一定的局限性。
发明内容
有鉴于此,本发明的目的在于提供一种基于GRU模型的台区线损率预测方法,可以准确预测分析台区线损率,为台区电力系统稳定、安全、高效运转提供重要理论依据。
为实现上述目的,本发明采用如下技术方案:
一种基于GRU模型的台区线损率预测方法,包括以下步骤:
步骤S1:采集台区多维电气特征指标参数数据,构成原始数据;
步骤S2:对原始数据进行进行归一化处理,同时采用数据平滑技术对少量错误数据进行清洗处理,得到处理后的数据随机分为训练集数据和测试集数据;
步骤S3:构建GRU深度学习模型,并初始化基本参数;
步骤S4:将训练集数据作为输入,训练GRU网络参数,获得深度预测模型;
步骤S5:将测试数据输入训练好的GRU网络模型中,进行台区线损率误差测试分析,如果满足预设要求则得到最优深度预测模型并转入S6,否则转入步骤S3微调网络模型基本参数;
步骤S6:根据得到的最优深度预测模型,输入新增台区的电气特征参数,预测得到相应的线损率。
进一步的,所述台区多维电气特征指标参数数据包括、供电半径、低压线路总长度、负载率和居民用电比例、台区用户名数、居民用户数、供电量、耗电量、台区电能表总数、安装年限和抄表成率。
进一步的,所述数据归一化处理采用回归分析法,具体为:
设样本总数为N,特征参数数目为M,首先计算样本序列的均值和方差
其中i=1,2,…,N,j=1,2,…,M,xij为样本i的第j个特征;
得到的标准化数据Zij为
进一步的,所述GRU深度学习模型具体为:
LSTM每个神经单元包括4个组成部分,即输入门it,遗忘门ft,输出门Ot和记忆单元Ct;
具体计算步骤如下:
输入状态
gt=tanh(Wigxt+big+Whcht-1+bhg)
门控状态
it=sigmoid(Wijxt+bii+Whiht-1+bhi)
ft=sigmoid(Wifxt+bif+Whfht-1+bhf)
Ot=sigmoid(Wioxt+bio+Whoht-1+bho)
记忆状态
Ct=ft×Ct-1+it×gt
输出状态
ht=ot×tanh(Ct)
其中tanh(·)表示双曲正切函数,sigmoid(·)为sigmoid函数,W是门权重向量,b是偏置项;
将LSTM的输入门、遗忘门、输出门变为更新门zt和重置门zt以及将单元状态c和h合并为一个状态h,得到GRU深度学习模型计算步骤如下式所示
zt=sigmoid(Wizxt+biz+Whzht-1+bhz)
rt=sigmoid(Wirxt+bir+Whrht-1+bhr)
nt=tanh(Winxt+bin+rt×(Whnht-1+bhn))
ht=(1-zt)×nt+zt×ht-1。
进一步的,所述GRU的隐藏层数为150个门控循环单元,并设置Dropout层丢弃率为0.3。
本发明与现有技术相比具有以下有益效果:
本发明基于GRU深度学习模型,可以准确预测分析台区线损率,为台区电力系统稳定、安全、高效运转提供重要理论依据。
附图说明
图1是本发明一实施例中基于GRU深度学习的台区线损计算分析流程;
图2是本发明一实施例中GRU神经网络模型;
图3是本发明一实施例中LSTM神经网络模型;
图4是本发明一实施例中GRU层数随MAPE的变化曲线;
图5是本发明一实施例中预测结果;
图6是本发明一实施例中利用传统BP神经网络方法和本发明GRU深度学习方法的MSE和MAPE计算结果。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种基于GRU模型的台区线损率预测方法,包括以下步骤:
步骤S1:采集台区多维电气特征指标参数数据,构成原始数据;
步骤S2:对原始数据进行进行归一化处理,同时采用数据平滑技术对少量错误数据进行清洗处理,得到处理后的数据随机分为训练集数据和测试集数据;
步骤S3:构建GRU深度学习模型,并初始化基本参数;
步骤S4:将训练集数据作为输入,训练GRU网络参数,获得深度预测模型;
步骤S5:将测试数据输入训练好的GRU网络模型中,进行台区线损率误差测试分析,如果满足预设要求则得到最优深度预测模型并转入S6,否则转入步骤S3微调网络模型基本参数;
步骤S6:根据得到的最优深度预测模型,输入新增台区的电气特征参数,预测得到相应的线损率。
在本实施例中,所述台区多维电气特征指标参数数据包括、供电半径、低压线路总长度、负载率和居民用电比例、台区用户名数、居民用户数、供电量、耗电量、台区电能表总数、安装年限和抄表成率。
本实施例中,采用数据平滑技术进行消除。数据归一化则采用采用回归分析法中的技术,具体如下:
设样本总数为N,特征参数数目为M,首先计算样本序列的均值和方差
其中i=1,2,…,N,j=1,2,…,M。输入至深度学习模型的标准化数据Zij为
本实施例中,采用GRU神经网络模型,其结果如图2所示,
如图3所示,LSTM每个神经单元包括4个组成部分,即输入门it,遗忘门ft,输出门Ot和记忆单元Ct;
具体计算步骤如下:
输入状态
gt=tanh(Wigxt+big+Whcht-1+bhg)
门控状态
it=sigmoid(Wijxt+bii+Whiht-1+bhi)
ft=sigmoid(Wifxt+bif+Whfht-1+bhf)
Ot=sigmoid(Wioxt+bio+Whoht-1+bho)
记忆状态
Ct=ft×Ct-1+it×gt
输出状态
ht=ot×tanh(Ct)
其中tanh(·)表示双曲正切函数,sigmoid(·)为sigmoid函数,W是门权重向量,b是偏置项;
将LSTM的输入门、遗忘门、输出门变为更新门zt和重置门zt以及将单元状态c和h合并为一个状态h,得到GRU深度学习模型计算步骤如下式所示
zt=sigmoid(Wizxt+biz+Whzht-1+bhz)
rt=sigmoid(Wirxt+bir+Whrht-1+bhr)
nt=tanh(Winxt+bin+rt×(Whnht-1+bhn))
ht=(1-zt)×nt+zt×ht-1。
实施例1:
本实施例中,实验数据集是由某市采集到的32000个台区的电力特征参数所组成,共计包括与线损率密切相关的11个1维矢量,即供电半径、低压线路总长度、负载率和居民用电比例、新增台区用户名数、居民用户数、供电量、耗电量、台区电能表总数、安装年限、抄表成率。相比文献[3][4]等仅采用4个电气矢量参数进行测试分析,本专利更能详细地刻画影响台区线损率的影响因素。
将前30000个台区数据作为基于GRU深度学习模型的台区线损模型输入,利用后2000个台区实际数据与本专利所提方法的预测结果进行验证比对。其中,数据预处理过程包括异常数据剔除和数据标准化处理两部分。
本实施例中设置评价指标具体为:
设zi为第i个测试数据对应的线损真实值,为利用GRU深度学习模型的预测值,I是样本测试集数目。定义标准均方误差(Mean Square Error,MSE)、平均绝对百分误差比(Mean Absolute Percentage Error,MAPE)作评价不同方法的台区线损计算精度。其中,第i个测试样本的重构误差参量MSEi和MAPEi分别定义为
所有测试样本对应的均值MAPE定义为
本实施例采用Keras软件包实现GRU深度学习模型,编程语言为Pathon,底层框架为TensorFlow,系统运行环境为Windows 10,采用GeForce 940M GPU。基于GRU深度学习模型的台区线损计算方法的核心参数是GRU层数。图4展示了GRU层数随MAPE的变化曲线,容易看出随着GRU层数的增加,数据预测准确度也随之不断提升,但当GRU层数增加至150时,台区线损重构精度提升不再明显,因此本专利选取了150个门控循环单元作为GRU的隐藏层数。另外,为防止过拟合现象发生,设置Dropout层丢弃率为0.3。
图5展示了训练目标误差均为0.001情形下,分别采BP神经网络方法和本发明提出的GRU深度学习方法预测结果(这里为显示方便,仅展示第30001~30100个台区电力数据测试样本),其中黑色线条为真实线损值,纵坐标代表不同方法的线损率计算计算结果。容易看出,本专利方法相比已有文献中基于传统BP神经网络方法具有更优的预测精度,这也和理论解释相符,即深度学习模型通过采用多层网络结构,相比传统BP浅层神经网络结构而言,具有更优秀的非线性函数逼近能力,可以获得更为充分的训练效果。
定义E0为台区线损计算结果的相对误差百分数,表1给出了不同方法台区线损预测结果。可见,采用本方法训练模型得到E0<0.05%台区个数达到了467,远大于利用文献[4]方法计算的台区个数212。类似地,所提方法在0.05%<E0<0.5%、E0>0.5%两个参数条件下,也得到更为准确的计算效果。
表1不同方法台区线损结果对比
特别地,图6和表2分别给出了利用传统BP神经网络方法和本发明GRU深度学习方法的MSE和MAPE计算结果。这里以测试样本集中的若干台区(台区编号分别为:30502、30503、30504、30505)为例进行验证分析。通过对比2种模型的各项指标,可以看出GRU深度学习模型的线损率预测性能更好。
接着,计算2000个台区电力测试数据对应的均值MAPEaverage。其中BP神经网络模型的计算结果为25.5%,深度学习模型的计算结果为14.8%,因此,相比BP神经网络方法,本发明方法在台区线损预测精度方面提升了10.7%。
最后,表3展示了基于各自的网络模型,本专利方法与BP神经网络方法所需的训练时间对比。容易看出,传统BP神经网络模型的训练速度比较慢。相比而言,深度学习模型优化了网络结构,求解参数更少,目标表示能力更强,可以准确挖掘不同台区线损率变化特征的本质规律。因此本专利方法在保证高精度计算结果的前提下,训练时间更短,提升了约25.5%的运算效率。
表3不同方法的训练时间结果(单位/s)
网络模型 | 运算时间 |
传统BP神经网络 | 1543.8 |
GRU深度学习模型 | 1149.5 |
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (5)
1.一种基于GRU模型的台区线损率预测方法,其特征在于,包括以下步骤:
步骤S1:采集台区多维电气特征指标参数数据,构成原始数据;
步骤S2:对原始数据进行进行归一化处理,同时采用数据平滑技术对少量错误数据进行清洗处理,得到处理后的数据随机分为训练集数据和测试集数据;
步骤S3:构建GRU深度学习模型,并初始化基本参数;
步骤S4:将训练集数据作为输入,训练GRU网络参数,获得深度预测模型;
步骤S5:将测试数据输入训练好的GRU网络模型中,进行台区线损率误差测试分析,如果满足预设要求则得到最优深度预测模型并转入S6,否则转入步骤S3微调网络模型基本参数;
步骤S6:根据得到的最优深度预测模型,输入新增台区的电气特征参数,预测得到相应的线损率。
2.根据权利要求1所述的一种基于GRU模型的台区线损率预测方法,其特征在于:所述台区多维电气特征指标参数数据包括、供电半径、低压线路总长度、负载率和居民用电比例、台区用户名数、居民用户数、供电量、耗电量、台区电能表总数、安装年限和抄表成率。
3.根据权利要求1所述的一种基于GRU模型的台区线损率预测方法,其特征在于:所述数据归一化处理采用回归分析法,具体为:
设样本总数为N,特征参数数目为M,首先计算样本序列的均值和方差
其中i=1,2,…,N,j=1,2,…,M,xij为样本i的第j个特征;
得到的标准化数据Zij为
4.根据权利要求1所述的一种基于GRU模型的台区线损率预测方法,其特征在于,所述GRU深度学习模型具体为:
LSTM每个神经单元包括4个组成部分,即输入门it,遗忘门ft,输出门Ot和记忆单元Ct;
具体计算步骤如下:
输入状态
gt=tanh(Wigxt+big+Whcht-1+bhg)
门控状态
it=sigmoid(Wijxt+bii+Whiht-1+bhi)
ft=sigmoid(Wifxt+bif+Whfht-1+bhf)
Ot=sigmoid(Wioxt+bio+Whoht-1+bho)
记忆状态
Ct=ft×Ct-1+it×gt
输出状态
ht=ot×tanh(Ct)
其中tanh(·)表示双曲正切函数,sigmoid(·)为sigmoid函数,W是门权重向量,b是偏置项;
将LSTM的输入门、遗忘门、输出门变为更新门zt和重置门zt以及将单元状态c和h合并为一个状态h,得到GRU深度学习模型
计算步骤如下式所示
zt=sigmoid(Wizxt+biz+Whzht-1+bhz)
rt=sigmoid(Wirxt+bir+Whrht-1+bhr)
nt=tanh(Winxt+bin+rt×(Whnht-1+bhn))
ht=(1-zt)×nt+zt×ht-1。
5.根据权利要求1所述的一种基于GRU模型的台区线损率预测方法,其特征在于:所述GRU的隐藏层数为150个门控循环单元,并设置Dropout层丢弃率为0.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910891550.XA CN110598854A (zh) | 2019-09-20 | 2019-09-20 | 一种基于gru模型的台区线损率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910891550.XA CN110598854A (zh) | 2019-09-20 | 2019-09-20 | 一种基于gru模型的台区线损率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110598854A true CN110598854A (zh) | 2019-12-20 |
Family
ID=68861728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910891550.XA Pending CN110598854A (zh) | 2019-09-20 | 2019-09-20 | 一种基于gru模型的台区线损率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598854A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100767A (zh) * | 2020-09-02 | 2020-12-18 | 西北工业大学 | 一种基于奇异值分解和gru的航空发动机寿命预测方法 |
CN112149873A (zh) * | 2020-08-25 | 2020-12-29 | 北京合众伟奇科技有限公司 | 一种基于深度学习的低压台区线损合理区间预测方法 |
CN112163370A (zh) * | 2020-09-18 | 2021-01-01 | 国网冀北电力有限公司承德供电公司 | 一种基于改进asmde算法的配电网线损计算方法 |
CN112288172A (zh) * | 2020-10-30 | 2021-01-29 | 国家电网有限公司 | 台区线损率的预测方法、装置 |
CN112365186A (zh) * | 2020-11-27 | 2021-02-12 | 中国电建集团海外投资有限公司 | 一种电力信息系统健康度评估方法及其评估系统 |
CN112883633A (zh) * | 2021-01-14 | 2021-06-01 | 东北电力大学 | 一种基于组合赋权法和深度学习的配电网线损计算方法 |
CN113609768A (zh) * | 2021-08-02 | 2021-11-05 | 国网浙江省电力有限公司台州供电公司 | 基于双向lstm网络的台区线损率计算方法 |
CN113723844A (zh) * | 2021-09-06 | 2021-11-30 | 东南大学 | 一种基于集成学习的低压台区理论线损计算方法 |
CN117708707A (zh) * | 2024-02-06 | 2024-03-15 | 国网安徽省电力有限公司营销服务中心 | 大数据下台区线损率异常智能预警方法和系统 |
CN117708707B (zh) * | 2024-02-06 | 2024-05-17 | 国网安徽省电力有限公司营销服务中心 | 大数据下台区线损率异常智能预警方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651007A (zh) * | 2016-11-24 | 2017-05-10 | 北京理工大学 | 基于gru的光伏电站辐照度中长期预测的方法及装置 |
CN109325624A (zh) * | 2018-09-28 | 2019-02-12 | 国网福建省电力有限公司 | 一种基于深度学习的月度电力需求预测方法 |
CN109376848A (zh) * | 2018-09-01 | 2019-02-22 | 哈尔滨工程大学 | 一种简化的门控单元神经网络 |
CN109711620A (zh) * | 2018-12-26 | 2019-05-03 | 浙江大学 | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 |
CN109871622A (zh) * | 2019-02-25 | 2019-06-11 | 燕山大学 | 一种基于深度学习的低压台区线损计算方法及系统 |
CN110110887A (zh) * | 2019-03-22 | 2019-08-09 | 国网浙江省电力有限公司信息通信分公司 | 对低压台区线损率的预测方法 |
EP3523702A1 (en) * | 2016-10-05 | 2019-08-14 | Telecom Italia S.p.A. | Method and system for estimating energy generation based on solar irradiance forecasting |
-
2019
- 2019-09-20 CN CN201910891550.XA patent/CN110598854A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3523702A1 (en) * | 2016-10-05 | 2019-08-14 | Telecom Italia S.p.A. | Method and system for estimating energy generation based on solar irradiance forecasting |
CN106651007A (zh) * | 2016-11-24 | 2017-05-10 | 北京理工大学 | 基于gru的光伏电站辐照度中长期预测的方法及装置 |
CN109376848A (zh) * | 2018-09-01 | 2019-02-22 | 哈尔滨工程大学 | 一种简化的门控单元神经网络 |
CN109325624A (zh) * | 2018-09-28 | 2019-02-12 | 国网福建省电力有限公司 | 一种基于深度学习的月度电力需求预测方法 |
CN109711620A (zh) * | 2018-12-26 | 2019-05-03 | 浙江大学 | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 |
CN109871622A (zh) * | 2019-02-25 | 2019-06-11 | 燕山大学 | 一种基于深度学习的低压台区线损计算方法及系统 |
CN110110887A (zh) * | 2019-03-22 | 2019-08-09 | 国网浙江省电力有限公司信息通信分公司 | 对低压台区线损率的预测方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149873B (zh) * | 2020-08-25 | 2023-07-21 | 北京合众伟奇科技股份有限公司 | 一种基于深度学习的低压台区线损合理区间预测方法 |
CN112149873A (zh) * | 2020-08-25 | 2020-12-29 | 北京合众伟奇科技有限公司 | 一种基于深度学习的低压台区线损合理区间预测方法 |
CN112100767A (zh) * | 2020-09-02 | 2020-12-18 | 西北工业大学 | 一种基于奇异值分解和gru的航空发动机寿命预测方法 |
CN112163370A (zh) * | 2020-09-18 | 2021-01-01 | 国网冀北电力有限公司承德供电公司 | 一种基于改进asmde算法的配电网线损计算方法 |
CN112288172A (zh) * | 2020-10-30 | 2021-01-29 | 国家电网有限公司 | 台区线损率的预测方法、装置 |
CN112365186A (zh) * | 2020-11-27 | 2021-02-12 | 中国电建集团海外投资有限公司 | 一种电力信息系统健康度评估方法及其评估系统 |
CN112883633A (zh) * | 2021-01-14 | 2021-06-01 | 东北电力大学 | 一种基于组合赋权法和深度学习的配电网线损计算方法 |
CN112883633B (zh) * | 2021-01-14 | 2022-10-11 | 东北电力大学 | 一种基于组合赋权法和深度学习的配电网线损计算方法 |
CN113609768A (zh) * | 2021-08-02 | 2021-11-05 | 国网浙江省电力有限公司台州供电公司 | 基于双向lstm网络的台区线损率计算方法 |
CN113723844A (zh) * | 2021-09-06 | 2021-11-30 | 东南大学 | 一种基于集成学习的低压台区理论线损计算方法 |
CN113723844B (zh) * | 2021-09-06 | 2024-04-19 | 东南大学 | 一种基于集成学习的低压台区理论线损计算方法 |
CN117708707A (zh) * | 2024-02-06 | 2024-03-15 | 国网安徽省电力有限公司营销服务中心 | 大数据下台区线损率异常智能预警方法和系统 |
CN117708707B (zh) * | 2024-02-06 | 2024-05-17 | 国网安徽省电力有限公司营销服务中心 | 大数据下台区线损率异常智能预警方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598854A (zh) | 一种基于gru模型的台区线损率预测方法 | |
CN110659779B (zh) | 一种基于长短期记忆网络的配电系统网损预测方法 | |
CN110147877A (zh) | 基于卷积长短时网络的pm2.5预测方法 | |
CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN109978253B (zh) | 一种基于增量学习的电力系统短期负荷预测方法 | |
CN109635245A (zh) | 一种鲁棒宽度学习系统 | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
CN111241755A (zh) | 电力负荷预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN115759321A (zh) | 一种以线损最小为优化目标的智能无功补偿方法 | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
CN115688993A (zh) | 一种适用于配电台区的短期电力负荷预测方法 | |
CN115456312A (zh) | 基于辛几何模态分解的短期电力负荷预测方法及系统 | |
CN116757057A (zh) | 基于pso-ga-lstm模型的空气质量预测方法 | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN114819395A (zh) | 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN113033898A (zh) | 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 | |
CN117151770A (zh) | 一种基于注意力机制的lstm碳价预测方法和系统 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |
|
RJ01 | Rejection of invention patent application after publication |