CN110826774A - 母线负荷预测方法、装置、计算机设备及存储介质 - Google Patents
母线负荷预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110826774A CN110826774A CN201910992137.2A CN201910992137A CN110826774A CN 110826774 A CN110826774 A CN 110826774A CN 201910992137 A CN201910992137 A CN 201910992137A CN 110826774 A CN110826774 A CN 110826774A
- Authority
- CN
- China
- Prior art keywords
- bus
- data
- load
- historical
- associated features
- 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.)
- Granted
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种母线负荷预测方法、装置、计算机设备及存储介质,方法包括:获取母线的历史负荷数据及关联特征的历史数据;根据关联特征的历史数据及母线的历史负荷数据,计算得到关联特征的重要度;根据关联特征的重要度,对关联特征进行筛选,得到筛选后的关联特征;基于深度学习算法,根据母线的历史负荷数据及筛选后的关联特征的历史数据,得到母线负荷预测模型;获取筛选后的关联特征的预测数据;根据筛选后的关联特征的预测数据及母线负荷预测模型,得到母线的预测负荷数据,根据预测负荷数据对母线进行控制,能够提升母线负荷预测模型构建效率,以提升母线负荷预测时计算效率,以及对母线负荷进行准确预测。
Description
技术领域
本发明涉及电力系统技术领域,特别是涉及一种母线负荷预测方法、装置、计算机设备及存储介质。
背景技术
母线负荷是指变电站的主变压器供给一个相对较小的供电区域的终端负荷的总和,是各地区底层调度控制的重要参考。高精度的母线负荷预测是保证电网安全、经济运行的基础,能够有效提高电网的在线监测,增强运行人员对局部电网负荷的动向掌握,及时发现并消除系统中的安全隐患,极大地提高电力系统运行的可靠性与稳定性。
目前,母线负荷预测方法可以分为基于系统负荷分配的方法及基于母线负荷自身变化规律的预测方法。基于系统负荷分配的方法首先对系统总负荷进行预测,然后根据配比模型分配到每一条母线上,这类方法求解快速,但对单个母线的负荷自身特性的考虑并不充分,且分配因子的确定较为主观,无法保证预测精度;基于母线负荷自身变化规律的预测方法,是通过分析各母线的负荷规律来预测自身负荷,然后对照系统负荷进行修正,该方法较基于系统负荷分配的方法的预测精度高,但需要对各个母线单独建模,操作复杂,工作量相对较高。
发明内容
基于此,有必要提供一种母线负荷预测方法、装置、计算机设备及存储介质。
一种母线负荷预测方法,包括:获取母线的历史负荷数据及关联特征的历史数据;根据所述关联特征的历史数据及所述母线的历史负荷数据,计算得到关联特征的重要度;根据所述关联特征的重要度,对所述关联特征进行筛选,得到筛选后的关联特征;基于深度学习算法,根据所述母线的历史负荷数据及所述筛选后的关联特征的历史数据,得到母线负荷预测模型;获取筛选后的关联特征的预测数据;根据所述筛选后的关联特征的预测数据及所述母线负荷预测模型,得到母线的预测负荷数据。
上述母线负荷预测方法,通过计算关联特征对母线负荷影响程度,对关联特征进行筛选,剔除对母线负荷影响较小的关联特征,母线负荷预测模型只需要根据母线负荷历史数据及筛选后的关联特征的历史数据进行构建,降低了母线负荷预测模型训练时间,提升母线负荷预测模型构建效率以及母线负荷计算效率,且重要度低的关联特征对母线负荷预测影响可以忽略不计,从而可以保证母线负荷预测的精度,此外采用深度学习算法能够学习并跟踪母线负荷变化趋势,构建母线负荷预测模型,以进一步实现对母线负荷的准确预测,用户只需要输入筛选后的关联特征的预测数据,即可以获取母线负荷预测数据,从而便于用户操作。
在其中一个实施例中,所述根据所述关联特征的历史数据及所述母线的历史负荷数据,计算得到关联特征的重要度,包括:对所述关联特征的历史数据及所述母线的历史负荷数据进行随机森林算法处理,得到关联特征的重要度。
在其中一个实施例中,所述根据所述关联特征的历史数据及所述母线的历史负荷数据,计算得到关联特征的重要度的步骤,包括:对所述关联特征的历史数据及所述母线的历史负荷数据进行相关系数分析法处理,得到关联特征的重要度。
在其中一个实施例中,所述基于深度学习算法,根据所述母线的历史负荷数据及所述筛选后的关联特征的历史数据,得到母线负荷预测模型的步骤,包括:构建深度置信网络模型;根据所述母线的历史负荷数据及所述筛选后的关联特征的历史数据,对深度置信网络模型进行预训练,得到训练后的深度置信网络模型;将所述训练后的深度置信网络模型进行反向传播算法处理,得到所述母线负荷预测模型。
在其中一个实施例中,所述将所述训练后的深度置信网络模型进行反向传播算法处理,得到所述母线负荷预测模型的步骤,包括:根据所述反向传播神经网络,对所述训练后的深度置信网络模型的参数进行调节,得到所述母线负荷预测模型。
在其中一个实施例中,所述关联特征包括气象特征、历史负荷特征及时间特征中的至少一项。
在其中一个实施例中,在所述根据所述筛选后的关联特征的预测数据及所述母线负荷预测模型,得到母线的预测负荷数据的步骤之后,还包括:获取母线负荷的实际数据;根据所述母线负荷的实际数据及所述母线的预测负荷数据,计算得到母线负荷预测精度值。
在其中一个实施例中,一种母线负荷预测装置,包括:
第一获取模块,用于获取母线的历史负荷数据及关联特征的历史数据。
重要度计算模块,用于根据所述关联特征的历史数据及所述母线的历史负荷数据,计算得到关联特征的重要度。
筛选模块,用于根据所述关联特征的重要度,对所述关联特征进行筛选,得到筛选后的关联特征。
预测模型获取模块,用于基于深度学习算法,根据所述母线的历史负荷数据及所述筛选后的关联特征的历史数据,得到母线负荷预测模型。
第二获取模块,用于获取筛选后的关联特征的预测数据;以及
预测模块,用于根据所述筛选后的关联特征的预测数据及所述母线负荷预测模型,得到母线的预测负荷数据。
在其中一个实施例中,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一实施例中所述的母线负荷预测方法的步骤。
在其中一个实施例中,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例中所述的母线负荷预测方法的步骤。
附图说明
图1为本发明一实施例中的母线负荷预测方法的应用环境图;
图2为本发明一实施例中的母线负荷预测方法的流程示意图;
图3为本发明一个实施例中深度置信网络模型构建的结构示意图;
图4为本发明一个实施例中的各个特征的评分示意图;
图5为本发明一个实施例中的训练迭代次数对预测结构的影响的曲线示意图;
图6为本发明一个实施例中的深度置信网络模型及误差后向传播模型在第一周的预测效果曲线示意图;
图7为本发明一个实施例中的深度置信网络模型及误差后向传播模型在第三周的预测效果曲线示意图;
图8为本发明一个实施例中的母线负荷预测装置的结构示意图;
图9为本发明一个实施例中计算机设备的内部结构图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施方式。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施方式。相反地,提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明实施例中所提供的母线负荷预测方法,可以应用于如图1所示的应用环境中。其中,终端102用于获得母线的历史负荷数据及关联特征的历史数据,终端与计算机设备104通信连接,终端向计算机设备母线的历史负荷数据、关联特征的历史数据以及获取筛选后的关联特征的预测数据,计算机设备接收到母线的历史负荷数据及关联特征的历史数据后,根据所述关联特征的历史数据及所述母线的历史负荷数据,计算得到关联特征的重要度;根据所述关联特征的重要度,对所述关联特征进行筛选,得到筛选后的关联特征;基于深度学习算法,根据所述母线的历史负荷数据及所述筛选后的关联特征的历史数据,得到母线负荷预测模型,根据所述筛选后的关联特征的预测数据及所述母线负荷预测模型,得到母线的预测负荷数据,以实现对母线负荷的预测。
例如,提供一种母线负荷预测方法,包括:获取母线的历史负荷数据及关联特征的历史数据;根据所述关联特征的历史数据及所述母线的历史负荷数据,计算得到关联特征的重要度;根据所述关联特征的重要度,对所述关联特征进行筛选,得到筛选后的关联特征;基于深度学习算法,根据所述母线的历史负荷数据及所述筛选后的关联特征的历史数据,得到母线负荷预测模型;获取筛选后的关联特征的预测数据;根据所述筛选后的关联特征的预测数据及所述母线负荷预测模型,得到母线的预测负荷数据。
上述母线负荷预测方法,通过计算关联特征对母线负荷影响程度,对关联特征进行筛选,剔除对母线负荷影响较小的关联特征,母线负荷预测模型只需要根据母线负荷历史数据及筛选后的关联特征的历史数据进行构建,降低了母线负荷预测模型训练时间,提升母线负荷预测模型构建效率以及母线负荷计算效率,且重要度低的关联特征对母线负荷预测影响可以忽略不计,从而可以保证母线负荷预测的精度,此外采用深度学习算法能够学习并跟踪母线负荷变化趋势,构建母线负荷预测模型,以进一步实现对母线负荷的准确预测,用户只需要输入筛选后的关联特征的预测数据,即可以获取母线负荷预测数据,从而便于用户操作。
在其中一个实施例中,请参阅图2,一种母线负荷预测方法,包括:
S110,获取母线的历史负荷数据及关联特征的历史数据。
具体的,母线负荷是指变电站的主变压器供给一个相对较小的供电区域的终端负荷的总和,母线的历史负荷数据即主变压器的历史负荷数据,其可以是母线近几个月的历史负荷数据,也可以是母线近一个月的历史负荷数据,还可以是母线往年的历史负荷数据,用户可以根据实际需求进行选择,也可以根据预测结果与实际结果的差值进行调节。进一步的,在其中一个实施例中,所述获取母线的历史负荷数据及关联特征的历史数据,包括:按关联特征获取某一母线的历史负荷数据及关联特征的历史数据。进一步地,获取母线的历史负荷数据及关联特征的历史数据,包括:按时间段获取某一母线的历史负荷数据及关联特征的历史数据。
具体的,关联特征即影响母线负荷相关的特征,关联特征对母线负荷存在或多或少的影响,例如气象特征,时间特征以及历史负荷特征,可以理解的是,在高温时,用户空调使用增加,即用户用电量增加,以影响母线负荷使用也会相应增加;又例如,用户在节假日与工作日的作息习惯差异较大,母线负荷的使用情况也不尽相同。关联特征可以根据用户用电规律进行获取。值得一提的,关联特征的历史数据应当跟母线的历史负荷数据相对应,例如获取母线负荷近一个月的历史负荷数据,则对应的需要获取关联特征近一个月的历史数据,例如获取近一个月的气温,近一个月的节假日情况等等。
S120,根据所述关联特征的历史数据及所述母线的历史负荷数据,计算得到关联特征的重要度。
具体的,关联特征的重要度即关联特征对母线负荷的影响程度,或者说关联特征对母线负荷的贡献程度;由于关联特征与母线负荷数据存在一定的关联性,不同的关联特征对母线负荷的影响程度不同,因此根据所述关联特征的历史数据、所述母线的历史负荷数据及一些算法,即可以计算各个关联特征的重要度,应当理解的是,重要度越高的关联特征,则对母线负荷的影响越大。
S130,根据所述关联特征的重要度,对所述关联特征进行筛选,得到筛选后的关联特征。
具体的,由于各关联特征的重要度存在差异,一些关联特征对母线负荷影响较小,对母线负荷预测结果影响不大,因此根据所述关联特征的重要度,对关联特征进行筛选,剔除对母线负荷影响较小的关联特征。在一个实施例中,所述根据所述关联特征的重要度,对所述关联特征进行筛选,得到筛选后的关联特征的步骤,包括:取所述重要度大于预设阈值的关联特征,得到所述筛选后的关联特征。即保留重要度大于预设阈值的关联特征,剔除重要度小于或等于预设阈值的关联特征,以得到所述筛选后的关联特征,以提升母线负荷预测模型的构建效率。
S140,基于深度学习算法,根据所述母线的历史负荷数据及所述筛选后的关联特征的历史数据,得到母线负荷预测模型。
具体的,深度学习是通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。深度学习算法可以根据已知一些相关联数据作为输入,前一层的输出作为后一层的输入以构建训练模型,并对训练模型进行训练,直至训练模型的损失函数达到极小值,以获得预测模型。
具体的,基于深度学习算法,根据所述母线的历史负荷数据及所述筛选后的关联特征的历史数据,得到母线负荷预测模型,即对所述母线的历史负荷数据及所述筛选后的关联特征的历史数据采用深度学习算法进行训练,得到所述母线负荷预测模型。
S150,获取筛选后的关联特征的预测数据。
具体的,由于母线负荷预测模型是根据筛选后的关联特征进行构建的,因此,为了获取母线预测负荷数据时,只需要获取筛选后的关联特征的预测数据即可,无需获取剔除后掉的关联特征的预测数据。应当理解的是,关联特征的预测数据即关联特征未来预设时间的预测数据,例如,需要预测未来三天的母线负荷数据,即获取未来三天的关联特征的预测数据,需说明的,关联特征的预测数据可以根据第三方提供的数据获得,例如,关联特征包括气象特征及时间特征,用户可以从气象台获取气象特征的预测数据,例如,未来三天的气象特征数据;用户可以查看日历获取时间特征的预测数据,例如,未来三天是否有节假日及节假日的天数。由此可见,筛选后的关联特征的预测数据是有科学依据的。
S160,根据所述筛选后的关联特征的预测数据及所述母线负荷预测模型,得到母线的预测负荷数据。
具体的,通过将筛选后的关联特征的预测数据作为输入量,代入母线负荷预测模型,即可以得到母线的预测负荷数据,以实现对母线负荷的预测。
S170,根据所述预测负荷数据对所述母线进行控制。
具体的,预测负荷数据即母线负荷预测值,电网根据母线负荷预测数据,对母线进行调控,以合理安排电网的运行方式和调峰计划,例如:确定几组的启动或停止、水火电的协调、联络线交换功率、负荷经济分配、水库调度和设备检修等。应当理解的是,母线负荷预测结果越精确,越能提高电网频率的合格率以及适时多发水电创造良好的电网效应。在其中一个实施例中,所述对所述母线进行控制包括:切换母线负荷、调整母线负荷及/或调整母线连接方式。在其中一个实施例中,根据所述预测负荷数据对电力系统进行控制。
上述母线负荷预测方法,通过计算关联特征对母线负荷影响程度,对关联特征进行筛选,剔除对母线负荷影响较小的关联特征,母线负荷预测模型只需要根据母线负荷历史数据及筛选后的关联特征的历史数据进行构建,降低了母线负荷预测模型训练时间,提升母线负荷预测模型构建效率以及母线负荷计算效率,且重要度低的关联特征对母线负荷预测影响可以忽略不计,从而可以保证母线负荷预测的精度,此外采用深度学习算法能够学习并跟踪母线负荷变化趋势,以构建母线负荷预测模型,以进一步实现对母线负荷的准确预测,用户只需要输入筛选后的关联特征的预测数据,即可以获取母线负荷预测数据,从而便于用户操作。
为了准确计算关联特征的重要度,在其中一个实施例中,所述根据所述关联特征的历史数据及所述母线的历史负荷数据,计算得到关联特征的重要度,包括:对所述关联特征的历史数据及所述母线的历史负荷数据进行随机森林算法处理,得到关联特征的重要度。
具体的,随机森林算法是通过有放回的重复采样(Bootstrap Sampling)方式,从初始样本集B中随机抽取若干个样本生成新的样本子集,然后根据各个子样本生成k个决策树组成的森林集合。随机森林算法的本质是一种组合决策树算法,通过将多个决策树排列组合,获得泛化学习能力更强大的模型。一般情况下,森林中的每棵树具有相同的分布,拟合的误差取决于每一棵树的学习能力之间的相关性;在抽样过程中,余下的未被抽中的样本为袋外样本,并定义为集合其中,C与分别为B与的子集合。假设Xn*p为具有p个关联特征的n维数据集,y为一个n维标签向量,随机森林算法通过重新排列特征前后的拟合误差计算特征的重要度。当建立T棵树时就有T个袋外样本集作为测试集。因此,关联特征的重要度S计算方式如下:
通过采用随机森林算法对输入的关联特征进行展开分析排序,以准确获取关联特征的重要度,有助于发现不同区域影响母线负荷的不同因素。
在其中一个实施例中,所述根据所述关联特征的历史数据及所述母线的历史负荷数据,计算得到关联特征的重要度的步骤,包括:对所述关联特征的历史数据及所述母线的历史负荷数据进行相关系数分析法处理,得到关联特征的重要度。具体的,相关系数是用以反映变量之间相关关系密切程度的统计指标。相关系数是按积差方法计算,同样以两变量与各自平均值的离差为基础,通过两个离差相乘来反映两变量之间相关程度;着重研究线性的单相关系数。即相关系数是描述两变量x与y之间相关程度的定量指标,相关系数rxy无量纲,其值在[-1,1]范围内。当rxy=0,x与y不存在相关关系,称x与y不相关;当rxy>0,y随x增加而增加,称x与y正相关;当rxy<0,y随x增加而减小,称x与y负相关;当|rxy|=1,y可以确切地用变量x的线性函数来表示,其中,x为关联特征的历史数据,y为母线的历史负荷数据。在其中一个实施例中,将所述关联特征的历史数据及所述母线的历史负荷数据采用Pearson(皮尔逊)相关系数进行计算,得到关联特征的重要度。具体的,关联特征的重要度的计算公式如下:
通过采用相关系数分析法,对关联特征的历史数据即母线的历史负荷数据进行计算,同样可以准确得到关联特征的重要度。
为了准确构建母线负荷预测模型,以提升对母线负荷预测的准确性,在其中一个实施例中,所述基于深度学习算法,根据所述母线的历史负荷数据及所述筛选后的关联特征的历史数据,得到母线负荷预测模型的步骤,包括:构建深度置信网络模型;根据所述母线的历史负荷数据及所述筛选后的关联特征的历史数据,对深度置信网络模型的每一受限制波尔兹曼机进行预训练,得到训练后的深度置信网络模型;将所述训练后的深度置信网络模型进行反向传播算法处理,得到所述母线负荷预测模型。
具体的,深度置信网络(Deep Belief Network,DBN)模型为深度学习的经典模型之一,深度置信网络模型是一个受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)序列,深度置信网络模型构建如图3所示,深度置信网络模型是具有若干隐藏层的生成模型,顶部两层之间的连接是无向的,所有其他层之间的连接是有向的。通过最大似然学习的方法完成特征提取对于大多数RBM模型来说都是可以实现的,每一个RBM的隐藏层连接到下一个RBM的可视输入层,依次对整个深度置信网络模型进行预训练,以计算得到优异的初始参数,最后,在执行反向传播(Back Propagation,BP)算法,对整个深度置信网络的参数进行微调,直至深度置信网络模型的损失函数达到极小值,以获得高精度的母线负荷预测模型,本实施例中,通过在深度学习中无监督与有监督训练相结合的方式有效提升了母线负荷预测模型精度。
值得一提的是,RBM是一个随机的神经网络,可以学习它输入数据的概率分布。RBM网络一般由一层可见节点和一层隐藏节点组成。在单一RBM中,同一层神经元互相之间没有连接,不同层神经元之间全部互相连接。单一RBM模型含有n个可见节点和m个隐藏节点,其中vi表示第i个可见节点,hj表示第j个隐藏节点,Wj为vi和hj之间的连接权重,以及vi偏置ai和hj偏置bj,且
一个RBM系统的能量函数E(v,h)被定义为:
其中,θ={Wij,ai,bj}为RBM模型的参数。
参数确定后,我们由能量函数可以得到可见层和隐层的概率分布函数P(v,h):
P(v,h;θ)=e-E(v,h;θ)/Z(θ) (4)
其中,Z(θ)为配分函数,或称作归一化因子。
由此,给定vi后hj的激活概率或给定hj后vi的激活概率可表示为:
其中,sigm为sigmoid函数。
未知参数的RBM可以由无监督的方式进行预训练,一个独立的RBM每预训练一次,都可得到和相关的参数a,b和W,预训练过程是通过对RBM目标函数的随机梯度下降法来实现的。
RBM的预训练学习过程可通过最大似然估计法实现。定义P(v)为似然函数,其表达函数为:
目标函数为:
其中,θ={a,b,W},S为训练数据集。
由极大似然估计理论可知,目标函数极大值由随机梯度下降算法计算可得。目标函数对参数a,b和W的偏导如下:其中,θ={Wij,ai,bj}为RBM模型的参数。
其中,E[·]表示求数学期望,EP和分别表示可见层的原始数据期望和重构数据期望,采用对比散度(Contrastive Divergence,CD)算法计算对应的概率分布。其中,θ={a,b,W},S为训练数据集。
最终得到参数a,b和W的更新规则如下:
Wt+1=Wt+η(P(h|v(0))[v(0)]T-P(h|v(1))[v(1)]T) (13)
at+1=at+η(v(0)-v(1)) (14)
bt+1=bt+η(p(h|v(0)))-P(h|v(1)) (15)
其中,t代表时间步长,η是学习速率。
为了进一步提升母线负荷预测模型的精度,在其中一个实施例中,所述将所述训练后的深度置信网络模型进行反向传播算法处理,得到所述母线负荷预测模型的步骤,包括:根据所述反向传播神经网络,对所述训练后的深度置信网络模型的参数进行调节,得到所述母线负荷预测模型。具体的,反向传播神经网络即BP神经网络,是一种按误差逆传播算法训练的多层前馈网络,通过采用BP神经网络对训练后的深度置信网络模型进行输出拟合,对整个深度置信网络的参数进行微调,使得深度置信网络模型达到最佳状态,以进一步提升母线负荷预测模型的精度。
在其中一个实施例中,所述关联特征包括气象特征、历史负荷特征及时间特征。在其中一个实施例中,所述关联特征包括气象特征、历史负荷特征和时间特征。在其中一个实施例中,所述关联特征包括气象特征、历史负荷特征或时间特征。在其中一个实施例中,所述关联特征包括气象特征、历史负荷特征及时间特征中的至少一项。在其中一个实施例中,所述关联特征包括温度特征、湿度特征、风速特征、降雨特征及气压特征。在其中一个实施例中,所述历史负荷特征包括前1个时刻负荷特征、前2个时刻负荷特征、前3个时刻负荷特征、前4个时刻负荷特征、前5个时刻负荷特征及前6个时刻负荷特征。在其中一个实施例中,所述时间特征包括节假日特征及工作日特征。应当理解的是,上述关联特征对母线负荷都存在或多或少的影响,获取的关联特征种类越多,可以避免遗漏重要度大的关联特征,则母线负荷预测结果越准确。
为了便于用户查看母线负荷预测的准确度,在其中一个实施例中,在所述根据所述筛选后的关联特征的预测数据及所述母线负荷预测模型,得到母线的预测负荷数据的步骤之后,还包括:获取母线负荷的实际数据;根据所述母线负荷的实际数据及所述母线的预测负荷数据,计算得到母线负荷预测精度值。在其中一个实施例中,所述根据所述母线负荷的实际数据及所述母线的预测负荷数据,计算得到母线负荷预测精度值的步骤,包括:根据所述母线负荷的实际数据及所述母线的预测负荷数据,计算得到预测值与实际值的平均相对误差;根据所述预测值与实际值的平均相对误差,得到母线负荷预测精度值。在其中一个实施例中,所述根据所述母线负荷的实际数据及所述母线的预测负荷数据,计算得到母线负荷预测精度值的步骤,包括:根据所述母线负荷的实际数据及所述母线的预测负荷数据,计算得到预测值与实际值的均方根误差,根据所述预测值与实际值的均方根误差。
具体的,预测值与实际值的平均相对误差的表达式为:
预测值与实际值的均方根误差的表达式为:
式(16)及式(17)中,n为样本数量,fi为i时刻母线的实际负荷,ti为i时刻的母线的预测负荷。
上述实施例中,根据预测的结果与实际的结果进行比较,以检验母线负荷预测模型预测母线负荷的准确性,进一步的,通过查看母线负荷预测精度值,从而便于用户查看母线负荷预测的准确度。
在其中一个实施例中,在所述根据所述母线负荷的实际数据及所述母线的预测负荷数据,计算得到母线负荷预测精度值的步骤之后,还包括:判断所述母线负荷精度值是否大于预设精度值,当所述母线负荷精度值大于所述预设精度值时,对所述母线负荷预测模型进行调整。具体的,当所述预测值与实际值偏差较大时,对母线负荷预测模型进行调整,即母线负荷预测模型进行校正,以提升母线负荷预测准确度。
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
选用某地区110kV母线负荷实际数据进行验证,由前期调研分析可知所选区域为居民用户较多区域。预测目标为下一小时的母线负荷,2017年1月至2017年5月为训练数据,2017年6月份数据为测试数据。
本发明中使用随机森林算法对母线负荷预测的关联特征的重要度进行排序分析,最初选择的关联特征属性包含:气象特征、历史负荷特征、时间特征。其中气象特征为从数值天气预测预报获得的5个候选变量,包括温度、湿度、风速、降雨、气压。历史负荷特征为预测目标时刻前6个时刻的母线负荷历史数据,时间特征中考虑了节假日与工作日影响,经过随机森林算法计算特征重要度后,各个特征评分如图4所示。
根据图4的显示数据可知,节假日的输入属性评分最高,说明节假日对母线负荷预测影响最大,这与常识相符合,居民在节假日与工作日的作息习惯差异较大,使得其用能形态也大不相同。此外,温度特征的评分排名第二,这是由于居民负荷对温度变化也较为敏感,温差的变化可能造成大规模空调负荷的投切,用电曲线也随之产生变化。此外,临近的若干时刻的负荷历史特征也为预测任务提供了良好的信息,各时刻也对应一定的特征重要度。由特征排序可知,各个输入特征都对母线负荷预测产生了一定影响。为了进一步验证随机森林算法所选择特征的有效性,将多种特征组合的情况进行比较,其中特征组合1包含了气象特征、历史负荷特征、时间特征。特征组合2为气象特征、历史负荷特征。特征组合3为时间特征、历史负荷特征。则各个特征组合的预测误差对比如表1所示:
表1为多个特征组合模型的预测误差对比
特征使用 | MAPE/% | RMSE/% |
特征组合1 | 2.71 | 4.25 |
特征组合2 | 6.54 | 9.27 |
特征组合3 | 5.92 | 8.60 |
根据表1的内容可知,当使用了气象特征、历史负荷特征、时间特征的全部特征时,母线负荷预测精度最高。剔除时间属性的特征组合2与剔除天气属性的特征组合3的母线负荷预测精度出现了大幅度下降,侧面验证了随机森林特征排序的有效性。
深度置信网络模型的超参数包含了神经元个数、隐含层个数和训练代数,合理的配置深度置信网络模型中的超参数将获得最佳预测结果。权值数目和训练时间分别作为时间和空间复杂程度的衡量标准。请参阅表2,表2中分析了不同隐含层在测试集上预测效果。当模型含有2层隐含层时,测试样本的平均相对误差即MAPE为最优2.561%,含有2层隐含层的模型架构最匹配当前数据情况。当隐含层为3层时,平均相对误差随之下降,因为模型过于复杂产生了过拟合。
表2隐含层个数对预测结果的影响
请参阅表3,表3分析了不同神经元数量在测试集上预测效果。神经元数量为20时,平均相对误差达到最优2.561%。神经元个数继续增加时,空间、时间复杂度增加,测试样本的MAPE迅速降低,结果表明此时产生了严重的过拟合效应。
表3单一层中神经元数量对预测结果的影响
神经元数量 | MAPE/% | 权值数量 | 训练时间/s |
10 | 2.722 | 340 | 29 |
20 | 2.561 | 1060 | 51 |
30 | 3.433 | 2190 | 118 |
40 | 4.939 | 3720 | 530 |
具体的,训练迭代次数对测试样本的精度影响如图5所示,当训练次数小于60代时,测试集和训练集的平均相对误差明显随着迭代次数增加而较低;当训练次数为60代时,测试集达到最高精度;当训练次数大于60代时,随着训练代数增加,虽然训练集精度继续提高,但是测试集精度已经降低,此时再进行训练会使得模型过度学习,预测模型性能降低。基于上述分析,本文模型参数为2层隐含层,每层20节点,迭代次数为60代。
为了进一步对深度学习方法的预测能力进行比较,将本文DBN模型与BP模型、支持向量机、自回归滑动平均模型的预测结果进行对比分析,表4为各个模型在测试集的预测结果。
由表3可见,与其他模型相比,除了在第三周的测试集上,深度置信网络模型与支持向量机的预测精度相持平之外,在其余时间段,对于单个星期或整个月度的预测精度,深度置信网络模型的预测性能均优于其他模型。这是由于深度学习算法有着出色的学习能力。其中,自回归滑动平均模型往往只能对时间序列的信息进行分析,无法有效使用天气类型信息,预测精度也相对较低。反向传播算法和支持向量机算法仍然属于传统人工智能的浅层学习方式,在模型中缺失无监督学习的预训练过程,预测精度也已达到一定瓶颈。
请参阅图6、图7及表4,图6展示了深度置信网络模型及误差后向传播模型在第一周的预测效果,图7展示了深度置信网络模型及误差后向传播模型在第三周的预测效果,表4为考虑多个模型的母线负荷预测误差评价,由图6和图7中的负荷曲线及表4中的数据可知,深度置信网络模型的预测效果明显优于误差后向传播模型,当负荷出现较大波动阶段,深度置信网络模型仍然能较好的跟踪曲线变化趋势。对其内在机理进行剖析,是由于深度置信网络模型在有监督地学习之前的进行无监督学习,使得网络的参数已经通过无监督训练靠近最优区域,避免陷入局部最优,而且减少了有监督学习的时间。深度学习中无监督与有监督训练相结合的方式有效提升了模型精度。因此,深度学习能够适用于解决计算较高精度的母线负荷预测问题。
表4考虑多个模型的母线负荷预测误差评价
在其中一个实施例中,请参阅图8,一种母线负荷预测装置,包括:第一获取模块210、重要度计算模块220、筛选模块230、预测模型获取模块240、第二获取模块250、预测模块260及控制模块270。
第一获取模块210用于获取母线的历史负荷数据及关联特征的历史数据。
重要度计算模块220用于根据所述关联特征的历史数据及所述母线的历史负荷数据,计算得到关联特征的重要度。
筛选模块230用于根据所述关联特征的重要度,对所述关联特征进行筛选,得到筛选后的关联特征。
预测模型获取模块240用于基于深度学习算法,根据所述母线的历史负荷数据及所述筛选后的关联特征的历史数据,得到母线负荷预测模型。
第二获取模块250用于获取筛选后的关联特征的预测数据。
预测模块260用于根据所述筛选后的关联特征的预测数据及所述母线负荷预测模型,得到母线的预测负荷数据。
控制模块用于根据所述预测负荷数据对所述母线进行控制。
在其中一个实施例中,所述母线负荷预测装置包括用于实现所述母线负荷预测方法各步骤的相应模块。在其中一个实施例中,所述母线负荷预测装置采用上述任一实施例所述母线负荷预测方法实现。
在其中一个实施例中,提供了一种计算机设备,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种母线负荷预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在其中一个实施例中,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取母线的历史负荷数据及关联特征的历史数据。
根据所述关联特征的历史数据及所述母线的历史负荷数据,计算得到关联特征的重要度。
根据所述关联特征的重要度,对所述关联特征进行筛选,得到筛选后的关联特征。
基于深度学习算法,根据所述母线的历史负荷数据及所述筛选后的关联特征的历史数据,得到母线负荷预测模型。
获取筛选后的关联特征的预测数据。
根据所述筛选后的关联特征的预测数据及所述母线负荷预测模型,得到母线的预测负荷数据。
根据所述预测负荷数据对所述母线进行控制。
在其中一个实施例中,所述处理器执行所述计算机程序时实现上述任一实施例中所述母线负荷预测方法的步骤。
在其中一个实施例中,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取母线的历史负荷数据及关联特征的历史数据。
根据所述关联特征的历史数据及所述母线的历史负荷数据,计算得到关联特征的重要度。
根据所述关联特征的重要度,对所述关联特征进行筛选,得到筛选后的关联特征。
基于深度学习算法,根据所述母线的历史负荷数据及所述筛选后的关联特征的历史数据,得到母线负荷预测模型。
获取筛选后的关联特征的预测数据。
根据所述筛选后的关联特征的预测数据及所述母线负荷预测模型,得到母线的预测负荷数据。
根据所述预测负荷数据对所述母线进行控制。
在其中一个实施例中,所述计算机程序被处理器执行时实现上述任一实施例中所述的母线负荷预测方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种母线负荷预测方法,其特征在于,包括:
获取母线的历史负荷数据及关联特征的历史数据;
根据所述关联特征的历史数据及所述母线的历史负荷数据,计算得到关联特征的重要度;
根据所述关联特征的重要度,对所述关联特征进行筛选,得到筛选后的关联特征;
基于深度学习算法,根据所述母线的历史负荷数据及所述筛选后的关联特征的历史数据,得到母线负荷预测模型;
获取筛选后的关联特征的预测数据;
根据所述筛选后的关联特征的预测数据及所述母线负荷预测模型,得到母线的预测负荷数据;
根据所述预测负荷数据对所述母线进行控制。
2.根据权利要求1所述的母线负荷预测方法,其特征在于,所述根据所述关联特征的历史数据及所述母线的历史负荷数据,计算得到关联特征的重要度,包括:
对所述关联特征的历史数据及所述母线的历史负荷数据进行随机森林算法处理,得到关联特征的重要度。
3.根据权利要求1所述的母线负荷预测方法,其特征在于,所述根据所述关联特征的历史数据及所述母线的历史负荷数据,计算得到关联特征的重要度的步骤,包括:
对所述关联特征的历史数据及所述母线的历史负荷数据进行相关系数分析法处理,得到关联特征的重要度。
4.根据权利要求1所述的母线负荷预测方法,其特征在于,所述基于深度学习算法,根据所述母线的历史负荷数据及所述筛选后的关联特征的历史数据,得到母线负荷预测模型的步骤,包括:
构建深度置信网络模型;
根据所述母线的历史负荷数据及所述筛选后的关联特征的历史数据,对深度置信网络模型进行预训练,得到训练后的深度置信网络模型;
将所述训练后的深度置信网络模型进行反向传播算法处理,得到所述母线负荷预测模型。
5.根据权利要求4所述的母线负荷预测方法,其特征在于,所述将所述训练后的深度置信网络模型进行反向传播算法处理,得到所述母线负荷预测模型的步骤,包括:
根据所述反向传播神经网络,对所述训练后的深度置信网络模型的参数进行调节,得到所述母线负荷预测模型。
6.根据权利要求1所述的母线负荷预测方法,其特征在于,所述关联特征包括气象特征、历史负荷特征及时间特征中的至少一项。
7.根据权利要求1所述的母线负荷预测方法,其特征在于,在所述根据所述筛选后的关联特征的预测数据及所述母线负荷预测模型,得到母线的预测负荷数据的步骤之后,还包括:
获取母线负荷的实际数据;
根据所述母线负荷的实际数据及所述母线的预测负荷数据,计算得到母线负荷预测精度值。
8.一种母线负荷预测装置,其特征在于,包括:
第一获取模块,用于获取母线的历史负荷数据及关联特征的历史数据;
重要度计算模块,用于根据所述关联特征的历史数据及所述母线的历史负荷数据,计算得到关联特征的重要度;
筛选模块,用于根据所述关联特征的重要度,对所述关联特征进行筛选,得到筛选后的关联特征;
预测模型获取模块,用于基于深度学习算法,根据所述母线的历史负荷数据及所述筛选后的关联特征的历史数据,得到母线负荷预测模型;
第二获取模块,用于获取筛选后的关联特征的预测数据;
预测模块,用于根据所述筛选后的关联特征的预测数据及所述母线负荷预测模型,得到母线的预测负荷数据;
控制模块,用于根据所述预测负荷数据对所述母线进行控制。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910992137.2A CN110826774B (zh) | 2019-10-18 | 2019-10-18 | 母线负荷预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910992137.2A CN110826774B (zh) | 2019-10-18 | 2019-10-18 | 母线负荷预测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110826774A true CN110826774A (zh) | 2020-02-21 |
CN110826774B CN110826774B (zh) | 2022-03-22 |
Family
ID=69549507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910992137.2A Active CN110826774B (zh) | 2019-10-18 | 2019-10-18 | 母线负荷预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826774B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112288163A (zh) * | 2020-10-29 | 2021-01-29 | 平安科技(深圳)有限公司 | 目标对象的目标因子预测方法及相关设备 |
CN113872186A (zh) * | 2021-09-06 | 2021-12-31 | 广西电网有限责任公司电力科学研究院 | 基于模仿学习的微电网控制策略推荐模型训练系统 |
CN114596702A (zh) * | 2021-11-12 | 2022-06-07 | 南方科技大学 | 一种交通状态预测模型构建方法及交通状态预测方法 |
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
CN110334879A (zh) * | 2019-07-11 | 2019-10-15 | 华北电力大学 | 电网母线无功负荷预测方法及装置 |
-
2019
- 2019-10-18 CN CN201910992137.2A patent/CN110826774B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
AU2016325186A1 (en) * | 2016-09-09 | 2018-03-29 | Beijing Guodiantong Corporation | Bus load forecasting method |
CN110334879A (zh) * | 2019-07-11 | 2019-10-15 | 华北电力大学 | 电网母线无功负荷预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
包正睿: "基于大数据分析技术的短期负荷预测方法", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
CN112288163A (zh) * | 2020-10-29 | 2021-01-29 | 平安科技(深圳)有限公司 | 目标对象的目标因子预测方法及相关设备 |
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 |
CN113872186A (zh) * | 2021-09-06 | 2021-12-31 | 广西电网有限责任公司电力科学研究院 | 基于模仿学习的微电网控制策略推荐模型训练系统 |
CN114596702A (zh) * | 2021-11-12 | 2022-06-07 | 南方科技大学 | 一种交通状态预测模型构建方法及交通状态预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110826774B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826774B (zh) | 母线负荷预测方法、装置、计算机设备及存储介质 | |
Lu et al. | Review of meta-heuristic algorithms for wind power prediction: Methodologies, applications and challenges | |
Lin et al. | Short-term load forecasting based on LSTM networks considering attention mechanism | |
Han et al. | Short-term forecasting of individual residential load based on deep learning and K-means clustering | |
CN109272142A (zh) | 基于事件的数据预测方法、装置、计算机设备和存储介质 | |
Li et al. | Meta-learning strategy based on user preferences and a machine recommendation system for real-time cooling load and COP forecasting | |
Sarah et al. | LSTM model to forecast time series for EC2 cloud price | |
Lin et al. | Temporal convolutional attention neural networks for time series forecasting | |
CN106778838A (zh) | 一种预测空气质量的方法 | |
Ketipi et al. | A flexible nonlinear approach to represent cause–effect relationships in FCMs | |
Alhussan et al. | Wind speed forecasting using optimized bidirectional LSTM based on dipper throated and genetic optimization algorithms | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
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 | |
Panamtash et al. | Probabilistic solar power forecasting: A review and comparison | |
Wieland et al. | From neural networks to qualitative models in environmental engineering | |
Shi et al. | A fuzzy time series forecasting model with both accuracy and interpretability is used to forecast wind power | |
Li et al. | A hybrid learning method for the data-driven design of linguistic dynamic systems | |
CN112686693A (zh) | 电力现货市场边际电价预测方法、系统、设备及存储介质 | |
CN111697560A (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
Reich et al. | Comparison of different methods for approximating models of energy supply systems and polyoptimising the systems-structure and components-dimension | |
Al Metrik et al. | Machine learning empowered electricity consumption prediction | |
CN114638421A (zh) | 一种发电机组备件需求的预测方法 | |
CN110889564B (zh) | 基于mkpca-rbfnn的短期电力负荷预测方法 | |
Mohammed et al. | Deep learning and neural network-based wind speed prediction model | |
Ruciński | Neural modelling of electricity prices quoted on the Day-Ahead Market of TGE SA shaped by environmental and economic factors |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201019 Address after: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No. Applicant after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd. Address before: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No. Applicant before: GUANGZHOU POWER SUPPLY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |