CN110717581A - 一种基于温度模糊处理和dbn的短期负荷预测方法 - Google Patents
一种基于温度模糊处理和dbn的短期负荷预测方法 Download PDFInfo
- Publication number
- CN110717581A CN110717581A CN201910922692.8A CN201910922692A CN110717581A CN 110717581 A CN110717581 A CN 110717581A CN 201910922692 A CN201910922692 A CN 201910922692A CN 110717581 A CN110717581 A CN 110717581A
- Authority
- CN
- China
- Prior art keywords
- data
- dbn
- layer
- training
- fuzzy 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 206010033864 Paranoia Diseases 0.000 claims description 2
- 208000027099 Paranoid disease Diseases 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000013277 forecasting method Methods 0.000 abstract 1
- 230000007774 longterm Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003442 weekly effect Effects 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Public Health (AREA)
Abstract
本发明涉及一种基于温度模糊处理和DBN的短期负荷预测方法,在负荷预测时综合考虑了天气因素、历史数据和日期类型对精度的影响,首先对全部数据进行预处理,然后用DBN算法进行负荷预测,DBN的预训练中的权重借助非监督贪婪逐层方法获得,然后其通过BP神经网络进行微调,克服了BP网络因随机初始化权值参数而容易陷入局部最优和训练时间长的缺点。本发明能综合考虑天气和日期类型对负荷预测的影响,并建立DBN负荷预测模型,具有较高预测精度。
Description
技术领域
本发明涉及负荷预测领域,特别是一种基于温度模糊处理和DBN的短期负荷预测方法。
背景技术
电力系统的负荷预测是基于大量历史数据,充分考虑系统的运行特性、增容决策、天气变化与社会影响等因数,对未来某特定时刻或者特定日期的负荷进行预测,其中负荷指的是电力的需求量(功率)或用电量。提高负荷预测的精度需要考虑天气等因素对用电负荷影响。根据不同预测目的,可将负荷预测分为四种类型:(1)长期负荷预测,是指预测未来3到5年或更长时间的负荷,主要用于电网改造及扩建的长远规划。(2)中期负荷预测,是指预测月到年的负荷,用于制定机组的运行及检修计划。(3)短期负荷预测,是指预测日负荷或者周负荷,用于安排对应的调度及供电计划。(4)超短期负荷预测,是指预测未来几分钟到1h的负荷,主要用于预防和紧急处理。
目前负荷预测的方法主要分为传统的方法和基于人工智能的预测方法两大类,智能算法的迅速发展为预测提供了理论基础,包括神经网络、粒子群算法(PSO)、支持向量机法、决策树等。其中统计分析方法时间序列法是主要借助历史数据之间的关系来预测未来数据;神经网络中BP算法借助训练大量数据提取其潜在的信息来预测未来数据。BP算法用于负荷预测时,精度较高,但存在收敛慢、容易陷入局部最优的缺点。
发明内容
有鉴于此,本发明的目的是提供一种基于温度模糊处理和DBN的短期负荷预测方法,充分考虑天气和日期类型等影响因素对负荷预测精度的影响,经验证,具有较高预测精度。
本发明采用以下方案实现:一种基于温度模糊处理和DBN的短期负荷预测方法,包括以下步骤:
步骤S1:对数据进行预处理:对提供的历史数据进行归一化处理,对提供的温度数据进行模糊处理,对日期类型进行量化处理;
步骤S2:根据步骤S1中的处理后的数据训练深度置信网络,确定模型的训练样本的输入输出,利用样本数据训练DBN模型;
步骤S3:根据步骤S2训练的DBN模型,输入测试数据的输入数据,然后得到输出,即得到负荷预测结果。
步骤S4:采用数据进行验证,并分析预测结果。
进一步地,步骤S1中所述对历史数据进行归一化处理的具体内容为:
式中:yi代表归一化后的历史日最大负荷;xi、ximax和ximin分别代表历史日的日最大负荷以及其最大值和最小值。
进一步地,步骤S1中所述的对温度数据进行模糊处理的具体内容为:
引入三角形隶属度函数对温度数据进行模糊处理,具体处理公式如下:
式中:f代表模糊处理后的温度数据;x表示温度数据;l、m和n均表示选取的温度界限。
进一步地,所述步骤S2的具体内容为:所述深度置信网络由多个受限玻尔兹曼机堆叠而成,其训练过程包括预训练和微调;
所述预训练利用无监督的学习方式,分别训练每一层的受限玻尔兹曼机,确保特征向量映射到不同特征空间时能够最大限度保留特征信息;预训练中的权重利用非监督贪婪逐层方法获得;
所述预训练具体包括以下步骤:
步骤SA:利用输入的样本数据训练首层受限玻尔兹曼机,其中样本数据输入为处理后的历史数据和预测日当日的天气因素作为输入,输出为预测日当日的日最大负荷;
步骤SB:将训练得到的隐含层激活概率作为下层受限玻尔兹曼机的输入;
步骤SC:重复前面两个步骤直至整个DBN模型完成训练;
所述微调具体为:对于所述预测模型,在其最后一层设置BP神经网络,该网络输入为各层受限玻尔兹曼机的输出,将误差反向传播,微调整个深度置信网络,使整个网络映射最优。
进一步地,步骤SB中所述激活概率的计算内容为:
DBN模型中每层受限玻尔兹曼机是由两层神经元组成,上层为隐藏层,下层为可视层,其组合能量和概率计算公式如下:
式中:E(h,v;θ)和P(h,v;θ)分别表示其组合能量和概率;Zθ表示归一化函数;hi和分别代表对应的隐藏层节点的状态和偏执值;vj和分别代表对应的可视层节点的状态和偏执值;θ为该受限玻尔兹曼机参数;m、n分别表示对应层的节点个数;wij表示两节点间的权重;
采用对比散度法来近似采样更新权值,又因为受限玻尔兹曼机中各神经元状态彼此独立,因此得出其激活概率计算公式如下:
进一步地,步骤S3中所述的具体内容为:
将处理后的待预测日的前几日的日最大负荷和当日的天气因素输入步骤S2中训练好的DBN模型,输出即为待预测日的日最大负荷。
进一步地,步骤S4中所述对预测结果进行分析的具体内容为:
采用平均绝对误差作为误差评价指标,具体计算公式如下:
式中:ti和pi分别表示真实值和预测值,N为预测个数。
与现有技术相比,本发明具有以下有益效果:充分考虑考虑天气和日期等影响因素的影响,采用模糊处理处理温度因素,具有较高预测精度。
附图说明
图1为本发明实施例的整体框架流程图。
图2为本发明实施例的温度隶属曲线图。
图3为本发明实施例的DBN模型训练图。
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。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供一种基于温度模糊处理和DBN的短期负荷预测方法,包括以下步骤:
步骤S1:对数据进行预处理:对提供的历史数据进行归一化处理,对提供的温度数据进行模糊处理,对日期类型进行量化处理;
步骤S2:根据步骤S1中的处理后的数据训练深度置信网络,确定模型的训练样本的输入输出,利用样本数据训练DBN模型;
步骤S3:根据步骤S2训练的DBN模型,输入测试数据的输入数据,然后得到输出,即得到负荷预测结果;
步骤S4:采用数据进行验证,并分析预测结果。即采用某地区实际数据进行验证,并分析预测结果。
在本实施例中,步骤S1中所述对历史数据进行归一化处理的具体内容为:
式中:yi代表归一化后的历史日最大负荷;xi、ximax和ximin分别代表历史日的日最大负荷以及其最大值和最小值。
如图2所示,在本实施例中,,步骤S1中所述的对温度数据进行模糊处理的具体内容为:
引入三角型隶属度函数对温度数据进行模糊处理,具体处理公式如下:
式中:f代表模糊处理后的温度数据;x表示温度数据;l、m和n均表示选取的温度界限;
将温度数据根据数值大小分为三个子空间,单位为摄氏度(℃),分别为低温子空间[0,10]、中温子空间[5,25]以及高温子空间[20,40];将温度由一维值(T)转为三维值(T1、T2、T3),对于三个子空间均采用三角型隶属度函数处理,但分别采用偏小型、中间型和偏大形三角分布,具体计算方法如下:
式中:T1、T2、T3代表模糊处理后的温度数据,T表示原始温度数据。
在本实施例中,日期类型的量化处理:
对于短期负荷预测,还需要考虑日期类型的影响,本实施例对于日期类型采取以下处理:
表1日期类型量化处理表
如图3所示,在本实施例中,所述步骤S2的具体内容为:所述深度置信网络(DBN)由多个受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)堆叠而成,其训练过程包括预训练和微调;
所述预训练利用无监督的学习方式,分别训练每一层的受限玻尔兹曼机,确保特征向量映射到不同特征空间时能够最大限度保留特征信息;预训练中的权重利用非监督贪婪逐层方法获得;
所述预训练具体包括以下步骤:
步骤SA:利用输入的样本数据训练首层受限玻尔兹曼机,其中样本数据输入为处理后的历史数据和预测日当日的天气因素作为输入,输出为预测日当日的日最大负荷;
步骤SB:将训练得到的隐含层激活概率作为下层受限玻尔兹曼机的输入;
步骤SC:重复前面两个步骤直至整个DBN模型完成训练;
所述微调具体为:对于所述预测模型,在其最后一层设置BP神经网络,该网络输入为各层受限玻尔兹曼机的输出,将误差反向传播,微调整个深度置信网络,使整个网络映射最优。
在本实施例中,步骤SB中所述激活概率的计算内容为:
DBN模型中每层受限玻尔兹曼机是由两层神经元组成,上层为隐藏层,(hiddenlayer,h),下层为可视层(visible layer,v),其组合能量和概率计算公式如下:
式中:E(h,v;θ)和P(h,v;θ)分别表示其组合能量和概率;Zθ表示归一化函数;hi和分别代表对应的隐藏层节点的状态和偏执值;vj和分别代表对应的可视层节点的状态和偏执值;θ为该受限玻尔兹曼机参数;m、n分别表示对应层的节点个数;wij表示两节点间的权重;
采用对比散度法来近似采样更新权值,又因为受限玻尔兹曼机中各神经元状态彼此独立,因此得出其激活概率计算公式如下:
在本实施例中,步骤S4中所述的具体内容为:
将处理后的待预测日的前几日的日最大负荷和当日的天气因素输入步骤S2中训练好的DBN模型,输出即为待预测日的日最大负荷。
在本实施例中,步骤S4中所述对预测结果进行分析的具体内容为:
采用平均绝对误差作为误差评价指标,具体计算公式如下:
式中:ti和pi分别表示真实值和预测值,N为预测个数。
较佳的,本实施例首先对气象因素、历史数据进行预处理,对历史数据进行归一化处理,对于温度进行模糊处理;基于DBN建立短期负荷预测模型,将经处理后的历史数据和天气因素作为输入,输出为预测日当日的日最大负荷。本实施例将对于温度的模糊处理与深度置信网络算法结合起来建立短期负荷预测模型,提高了预测模型的精确性。
较佳的,在本实施中通过具体示例对本实施例进行具体说明:
本次数据以该地区的负荷数据、对应的当地温度数据以及类型数据为基础。训练的样本数据范围从2014年6月1日到2014年8月24日,测试数据范围从2014年8月25日到2014年8月29日。综合考虑了历史数据(前1日最大负荷、前2日最大负荷、前3日最大负荷、前4日最大负荷、前5日最大负荷以及前6日最大负荷)、温度因素以及日期类型对预测当日的日最大负荷的影响,该地区具体的原始历史数据及天气数据如表2所示。
表2原始训练数据
本实施例根据步骤S1中对数据进行预处理,对历史数据进行归一化处理,对温度因素进行模糊处理,对日期类型进行量化处理,处理后的结果如表3和表4所示。
表3归一化后的历史数据
表4模糊化的天气数据和量化的日期类型
本实施例的样本输入为16维数据,分别表示历史数据(前1日最大负荷、前2日最大负荷、前3日最大负荷、前4日最大负荷、前5日最大负荷以及前6日最大负荷)、温度数据以及日期类型数据,其中经模糊化处理后温度数据由3维转化为9维数据,输出为1维数据,表示当日最大负荷。
本实施例采用了含有两层隐含层的DBN模型对样本进行训练,第一层含隐含层神经元17个,第二层含隐含层神经元22个,最终预测结果及误差如表5所示。
表5预测结果及误差
由表5结果可以计算平均相对百分比误差MAPE为0.75%,由此可以看出,本实施例建立的短期负荷预测模型的预测误差小,精度高。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 (7)
1.一种基于温度模糊处理和DBN的短期负荷预测方法,其特征在于:包括以下步骤:
步骤S1:对数据进行预处理:对提供的历史数据进行归一化处理,对提供的温度数据进行模糊处理,对日期类型进行量化处理;
步骤S2:根据步骤S1中的处理后的数据训练深度置信网络,确定模型的训练样本的输入输出,利用样本数据训练DBN模型;
步骤S3:根据步骤S2训练的DBN模型,输入测试数据的输入数据,然后得到输出,即得到负荷预测结果。
步骤S4:采用数据进行验证,并分析预测结果。
4.根据权利要求1所述的一种基于温度模糊处理和DBN的短期负荷预测方法,其特征在于:所述步骤S2的具体内容为:所述深度置信网络由多个受限玻尔兹曼机堆叠而成,其训练过程包括预训练和微调;
所述预训练利用无监督的学习方式,分别训练每一层的受限玻尔兹曼机,确保特征向量映射到不同特征空间时能够最大限度保留特征信息;预训练中的权重利用非监督贪婪逐层方法获得;
所述预训练具体包括以下步骤:
步骤SA:利用输入的样本数据训练首层受限玻尔兹曼机,其中样本数据输入为处理后的历史数据和预测日当日的天气因素作为输入,输出为预测日当日的日最大负荷;
步骤SB:将训练得到的隐含层激活概率作为下层受限玻尔兹曼机的输入;
步骤SC:重复前面两个步骤直至整个DBN模型完成训练;
所述微调具体为:对于所述预测模型,在其最后一层设置BP神经网络,该网络输入为各层受限玻尔兹曼机的输出,将误差反向传播,微调整个深度置信网络,使整个网络映射最优。
5.根据权利要求4所述的一种基于温度模糊处理和DBN的短期负荷预测方法,其特征在于:步骤SB中所述激活概率的计算内容为:
DBN模型中每层受限玻尔兹曼机是由两层神经元组成,上层为隐藏层,下层为可视层,其组合能量和概率计算公式如下:
式中:E(h,v;θ)和P(h,v;θ)分别表示其组合能量和概率;Zθ表示归一化函数;hi和分别代表对应的隐藏层节点的状态和偏执值;vj和分别代表对应的可视层节点的状态和偏执值;θ为该受限玻尔兹曼机参数;m、n分别表示对应层的节点个数;wij表示两节点间的权重;
采用对比散度法来近似采样更新权值,又因为受限玻尔兹曼机中各神经元状态彼此独立,因此得出其激活概率计算公式如下:
6.根据权利要求1所述的一种基于温度模糊处理和DBN的短期负荷预测方法,其特征在于:步骤S3中所述的具体内容为:
将处理后的待预测日的前几日的日最大负荷和当日的天气因素输入步骤S2中训练好的DBN模型,输出即为待预测日的日最大负荷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910922692.8A CN110717581A (zh) | 2019-09-26 | 2019-09-26 | 一种基于温度模糊处理和dbn的短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910922692.8A CN110717581A (zh) | 2019-09-26 | 2019-09-26 | 一种基于温度模糊处理和dbn的短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110717581A true CN110717581A (zh) | 2020-01-21 |
Family
ID=69211956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910922692.8A Pending CN110717581A (zh) | 2019-09-26 | 2019-09-26 | 一种基于温度模糊处理和dbn的短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717581A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401603A (zh) * | 2020-01-22 | 2020-07-10 | 国网江苏省电力有限公司南京供电分公司 | 一种多类型能源需求预测方法 |
CN112183813A (zh) * | 2020-08-26 | 2021-01-05 | 河海大学 | 一种基于优化稀疏编码的超短期负荷滚动多步预测方法 |
CN113822475A (zh) * | 2021-09-15 | 2021-12-21 | 浙江浙能技术研究院有限公司 | 抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法 |
CN117239739A (zh) * | 2023-11-13 | 2023-12-15 | 国网冀北电力有限公司 | 一种知识大模型预测用户侧负荷方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732300A (zh) * | 2015-04-07 | 2015-06-24 | 北京国能日新系统控制技术有限公司 | 一种基于模糊分区理论的神经网络风功率短期预测方法 |
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 |
CN109614384A (zh) * | 2018-12-04 | 2019-04-12 | 上海电力学院 | Hadoop框架下的电力系统短期负荷预测方法 |
-
2019
- 2019-09-26 CN CN201910922692.8A patent/CN110717581A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732300A (zh) * | 2015-04-07 | 2015-06-24 | 北京国能日新系统控制技术有限公司 | 一种基于模糊分区理论的神经网络风功率短期预测方法 |
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 |
CN109614384A (zh) * | 2018-12-04 | 2019-04-12 | 上海电力学院 | Hadoop框架下的电力系统短期负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
裘斌: ""基于数据预处理和深度置信网络的短期电力负荷预测研究"", 《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401603A (zh) * | 2020-01-22 | 2020-07-10 | 国网江苏省电力有限公司南京供电分公司 | 一种多类型能源需求预测方法 |
CN112183813A (zh) * | 2020-08-26 | 2021-01-05 | 河海大学 | 一种基于优化稀疏编码的超短期负荷滚动多步预测方法 |
CN112183813B (zh) * | 2020-08-26 | 2024-04-09 | 河海大学 | 一种基于优化稀疏编码的超短期负荷滚动多步预测方法 |
CN113822475A (zh) * | 2021-09-15 | 2021-12-21 | 浙江浙能技术研究院有限公司 | 抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法 |
CN113822475B (zh) * | 2021-09-15 | 2023-11-21 | 浙江浙能技术研究院有限公司 | 抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法 |
CN117239739A (zh) * | 2023-11-13 | 2023-12-15 | 国网冀北电力有限公司 | 一种知识大模型预测用户侧负荷方法、装置及设备 |
CN117239739B (zh) * | 2023-11-13 | 2024-02-02 | 国网冀北电力有限公司 | 一种知识大模型预测用户侧负荷方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ke et al. | Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network | |
CN110135630B (zh) | 基于随机森林回归和多步寻优的短期负荷需求预测方法 | |
CN110717581A (zh) | 一种基于温度模糊处理和dbn的短期负荷预测方法 | |
CN110728401B (zh) | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 | |
CN111929748B (zh) | 一种气象要素预报方法和系统 | |
CN110766212B (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN110674999A (zh) | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 | |
CN112116144B (zh) | 一种区域配电网短期负荷预测方法 | |
CN111695731B (zh) | 基于多源数据和混合神经网络的负荷预测方法、系统及设备 | |
CN108549960A (zh) | 一种24小时电力负荷预测方法 | |
CN110516840A (zh) | 基于改进随机森林方法的风光发电出力的短期预测方法 | |
CN106447133A (zh) | 一种基于深度自编码网络的短期电力负荷预测方法 | |
CN111915092A (zh) | 基于长短时记忆神经网络的超短期风电功率预测方法 | |
CN110866640A (zh) | 一种基于深度神经网络的电力负荷预测方法 | |
CN110070228A (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
CN114444660A (zh) | 基于注意力机制和lstm的短期电力负荷预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
Xie et al. | Short-term power load forecasting model based on fuzzy neural network using improved decision tree | |
CN110991689B (zh) | 基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法 | |
CN110570091A (zh) | 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法 | |
CN117574776A (zh) | 一种面向任务规划的模型自学习优化方法 | |
Wei et al. | A combination forecasting method of grey neural network based on genetic algorithm | |
CN116956160A (zh) | 一种基于自适应树种算法的数据分类预测方法 | |
CN116663745A (zh) | 一种基于pca_ dwt的lstm流域水流量预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200121 |