CN110866640A - 一种基于深度神经网络的电力负荷预测方法 - Google Patents

一种基于深度神经网络的电力负荷预测方法 Download PDF

Info

Publication number
CN110866640A
CN110866640A CN201911093413.8A CN201911093413A CN110866640A CN 110866640 A CN110866640 A CN 110866640A CN 201911093413 A CN201911093413 A CN 201911093413A CN 110866640 A CN110866640 A CN 110866640A
Authority
CN
China
Prior art keywords
neural network
layer
data
function
power load
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
Application number
CN201911093413.8A
Other languages
English (en)
Inventor
方泳
孙久云
孔元
刘明硕
张勇
刘航航
高亚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN201911093413.8A priority Critical patent/CN110866640A/zh
Publication of CN110866640A publication Critical patent/CN110866640A/zh
Pending legal-status Critical Current

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
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度神经网络的电力负荷预测方法，包括模型建立，选择了五层神经网络作为基本结构；通过深度神经网络反向算法将通过损失函数计算得到的误差以梯度的方式传递到每一个隐藏层神经元上去，进而改变神经网络中的权重和偏差；最后进行电力负荷预测，将处理过的数据放入搭建好的神经网络结构对模型开始训练，初始化参数后即可将处理好的神经网络的数据导入神经网络，通过神经网络的结构和参数可以运算得到输出层，即预测数据。本发明的有益效果是能较为精确地预测一段时间内的电力负荷情况。

Description

一种基于深度神经网络的电力负荷预测方法
技术领域
本发明属于电力负荷预测技术领域，涉及一种基于深度神经网络的电力负荷预测方法。
背景技术
电力负荷预测已经成为了电力系统运行的重要研究领域之一。精确的电力负荷预测可以保障电力系统的平稳运行，为社会经济的平稳发展提供坚固的后勤保障。深度神经网络是一种理论上可以拟合任何函数的算法，可以通过对历史数据的学习进行精准的预测。电力生产和消费日益市场化对电力负荷预测的准确性、实时性、可靠性和智能性提出了更高的要求，故电力负荷预测已经成为现代化电力系统运行和管理中的一个重要研究领域。准确的电力负荷预测可以让电力生产与电力需求之间达到平衡，降低生产成本，促进电力系统的平稳运行。电力负荷预测主要可以分为长期负荷预测，中期负荷预测，短期负荷预测，以及超短期负荷预测。对于周期越长的电力负荷预测，要求的数据时间跨度就越大；对于周期越短的电力负荷预测，要求的预测精度就越高，这是不同周期电力负荷预测的用途所决定的。对于长期的电力负荷预测，其主要目的是电力系统大电网未来发展规划的制定，大多数是以年为单位来进电力系统进行预估。中期的电力负荷预测主要目的是电力营销规划、机组检修等，大多数是以月为单位。短期的电力负荷预测是目前用到的比较多的电力负荷预测方式，主要作用是协调电力管理部门的各环节发电量的配合，促进发电量与用电量之间的平衡，一般为预测1到7天的电力负荷。超短期电力负荷预测主要在紧急状态处理时使用，通常需要预测到一小时内的电力预测负荷。本发明主要进行的就是短期电力负荷预测，由于短期电力负荷预测对于预测精度的要求是比较高的，本发明通过考虑影响电力负荷的因素——气温来提高预测精度。电力负荷预测方式有很多，其算法主要可以分成两大类。第一类方法是传统的时间序列预测模型，主要包括自回归模型，移动平均模型等等。这一类方法过于依赖于线性相关，所以在处理具有非线性特征的数据时有一定的困难。第二类方法基于人工神经网络发展起来的。神经网络拟合非线性函数的特性，使得神经网络算法在电力负荷预测上有不错的表现。尤其近年来深度学习理论的提出，使得神经网络不再局限于浅层神经网络，提高了对非线性的数据的处理能力，在短期电力负荷预测精度上表现出非常好的结果。
发明内容
本发明的目的在于提供一种基于深度神经网络的电力负荷预测方法，本发明的有益效果是能较为精确地预测一段时间内的电力负荷情况。
本发明所采用的技术方案是包括
1.模型建立
搭建神经网络，选择了五层神经网络作为基本结构，神经网络的基本结构分为输入层，隐藏层和输出层，输入层的功能是将预处理过后的数据导入神经网络，输出层的作用是将预测的数据进行导出，隐藏层的作用是对数据进行运算，隐藏层的数据传递是将上一层所有的神经元传递来的数据根据不同的权值集合到一块，再加上本层的神经元所携带的偏差，根据本层的传递函数对数据进行处理，传递到下一层；
2.模型的反向算法
深度神经网络最为关键的一步是通过深度神经网络反向算法将通过损失函数计算得到的误差以梯度的方式传递到每一个隐藏层神经元上去，进而改变神经网络中的权重和偏差；
3.进行电力负荷预测
初始化神经网络的参数，并将处理过的数据放入搭建好的神经网络结构对模型开始训练，初始化参数后即可将处理好的神经网络的数据导入神经网络，原始数据需要分成三个部分，训练集，测试集和预测集，首先将训练集的数据导入神经网络的输入层，通过神经网络的结构和参数可以运算得到输出层，即预测数据，利用得到的预测数据与真实数据可以计算损失函数并求得损失函数对每一个参数的微分，进而改变参数的值，训练完成后，将测试集的数据放入神经网络得到与测试集真实数据相对应的预测数据，若误差在可以接受的范围内，则对预测集的数据进行预测，若误差太大，则需对神经网络结构或参数进行一定的调整，重新进行训练。
进一步，传递数据的公式为
Figure BDA0002267552960000031
其中，
Figure BDA0002267552960000032
表示
Figure BDA00022675529600000316
层第n个单元的输出，
Figure BDA0002267552960000033
表示
Figure BDA00022675529600000317
层第k个单元到表示
Figure BDA00022675529600000318
层第n个单元的的权重，
Figure BDA0002267552960000034
表示
Figure BDA00022675529600000319
层第n个单元的输出，
Figure BDA0002267552960000035
表示
Figure BDA00022675529600000320
层第n个单元的偏差，
f表示激活函数。
进一步，函数采用均方差损失函数公式为
Figure BDA0002267552960000036
Figure BDA0002267552960000037
表示预测值和实际值的均方根误差，y表示预测值，
Figure BDA0002267552960000038
表示实际值，假设输出层为第l层，那么有
Figure BDA0002267552960000039
故均方根误差函数可以改为
Figure BDA00022675529600000310
可以看出均方根误差为
Figure BDA00022675529600000311
的函数，而
Figure BDA00022675529600000312
又为
Figure BDA00022675529600000313
的函数，故可以求得均方差损失函数对于每一层w，b的梯度，即
Figure BDA00022675529600000314
进而对w，b进行更新即
Figure BDA00022675529600000315
Figure BDA0002267552960000041
其中α为每次反向算法的学习率，设置好合适的学习率对提高神经网络学习效率至关重要。
附图说明
图1是深度神经网络预测情况示意图。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
1.模型建立
搭建神经网络，选择了五层神经网络作为基本结构。
神经网络的基本结构分为输入层，隐藏层和输出层，输入层的功能是将预处理过后的数据导入神经网络，输出层的作用是将预测的数据进行导出。隐藏层的作用是对数据进行运算，而深度神经网络的隐藏层层数一般在3层以上。隐藏层的数据传递是将上一层所有的神经元传递来的数据根据不同的权值集合到一块，再加上本层的神经元所携带的偏差，根据本层的传递函数对数据进行处理，传递到下一层。传递数据的公式为：
Figure BDA0002267552960000042
其中，
Figure BDA0002267552960000043
表示
Figure BDA0002267552960000047
层第n个单元的输出
Figure BDA0002267552960000044
表示
Figure BDA0002267552960000048
层第k个单元到表示
Figure BDA0002267552960000049
层第n个单元的的权重，
Figure BDA0002267552960000045
表示
Figure BDA00022675529600000410
层第n个单元的输出，
Figure BDA0002267552960000046
表示
Figure BDA00022675529600000411
层第n个单元的偏差，
f表示激活函数。
2.模型的反向算法
深度神经网络最为关键的一步是通过深度神经网络反向算法将通过损失函数计算得到的误差以梯度的方式传递到每一个隐藏层神经元上去，进而改变神经网络中的权重和偏差。损失函数的选择有很多，如均方差损失函数，交叉熵损失函数等。这里以均方差损失函数为例来说明深度神经网络反向算法。
均方差损失函数的公式为
Figure BDA0002267552960000051
Figure BDA0002267552960000052
表示预测值和实际值的均方根误差，y表示预测值，
Figure BDA0002267552960000053
表示实际值。
假设输出层为第l层，那么有
Figure BDA0002267552960000054
故均方根误差函数可以改为
Figure BDA0002267552960000055
可以看出均方根误差为
Figure BDA0002267552960000056
的函数，而
Figure BDA0002267552960000057
又为
Figure BDA0002267552960000058
的函数，故可以求得均方差损失函数对于每一层w，b的梯度，即
Figure BDA0002267552960000059
进而对w，b进行更新即
Figure BDA00022675529600000510
Figure BDA00022675529600000511
其中α为每次反向算法的学习率，设置好合适的学习率对提高神经网络学习效率至关重要。
3.进行电力负荷预测
初始化神经网络的参数，并将处理过的数据放入搭建好的神经网络结构对模型开始训练。初始化参数是指对神经网络中每一层的权值和偏差进行赋值，并确定神经网络循环的次数和学习率。
初始化参数后即可将处理好的神经网络的数据(即需要进行训练的电力负荷数据和气温数据)导入神经网络。原始数据需要分成三个部分，训练集，测试集和预测集。首先将训练集的数据导入神经网络的输入层，通过神经网络的结构和参数可以运算得到输出层，即预测数据(即目标时刻的电力负荷值)。利用得到的预测数据与真实数据可以计算损失函数并求得损失函数对每一个参数的微分，进而改变参数的值。训练完成后，将测试集的数据放入神经网络得到与测试集真实数据相对应的预测数据，若误差在可以接受的范围内，则对预测集的数据进行预测，若误差太大，则需对神经网络结构或参数进行一定的调整，重新进行训练。图1是对18年的测试集的负荷预测结果的平均值。可以观察到真实值和预测值基本上是比较吻合的，预测值是符合实际情况的。说明训练完成的神经网络在测试集上的预测结果是符合实际情况的。
以上所述仅是对本发明的较佳实施方式而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施方式所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (3)

1.一种基于深度神经网络的电力负荷预测方法，其特征在于：包括
1)模型建立
搭建神经网络，选择了五层神经网络作为基本结构，神经网络的基本结构分为输入层，隐藏层和输出层，输入层的功能是将预处理过后的数据导入神经网络，输出层的作用是将预测的数据进行导出，隐藏层的作用是对数据进行运算，隐藏层的数据传递是将上一层所有的神经元传递来的数据根据不同的权值集合到一块，再加上本层的神经元所携带的偏差，根据本层的传递函数对数据进行处理，传递到下一层；
2)模型的反向算法
深度神经网络最为关键的一步是通过深度神经网络反向算法将通过损失函数计算得到的误差以梯度的方式传递到每一个隐藏层神经元上去，进而改变神经网络中的权重和偏差；
3)进行电力负荷预测
初始化神经网络的参数，并将处理过的数据放入搭建好的神经网络结构对模型开始训练，初始化参数后即可将处理好的神经网络的数据导入神经网络，原始数据需要分成三个部分，训练集，测试集和预测集，首先将训练集的数据导入神经网络的输入层，通过神经网络的结构和参数可以运算得到输出层，即预测数据，利用得到的预测数据与真实数据可以计算损失函数并求得损失函数对每一个参数的微分，进而改变参数的值，训练完成后，将测试集的数据放入神经网络得到与测试集真实数据相对应的预测数据，若误差在可以接受的范围内，则对预测集的数据进行预测，若误差太大，则需对神经网络结构或参数进行一定的调整，重新进行训练。
2.按照权利要求1所述一种基于深度神经网络的电力负荷预测方法，其特征在于：所述传递数据的公式为
Figure FDA0002267552950000011
其中，
Figure FDA0002267552950000012
表示
Figure FDA0002267552950000014
层第n个单元的输出，
Figure FDA0002267552950000013
表示
Figure FDA0002267552950000015
层第k个单元到表示
Figure FDA0002267552950000016
层第n个单元的的权重，
Figure FDA0002267552950000021
表示
Figure FDA00022675529500000216
层第n个单元的输出，
Figure FDA0002267552950000022
表示
Figure FDA00022675529500000217
层第n个单元的偏差，
f表示激活函数。
3.按照权利要求1所述一种基于深度神经网络的电力负荷预测方法，其特征在于：所述函数采用均方差损失函数公式为
Figure FDA0002267552950000023
Figure FDA0002267552950000024
表示预测值和实际值的均方根误差，y表示预测值，
Figure FDA0002267552950000025
表示实际值，
假设输出层为第l层，那么有
Figure FDA0002267552950000026
故均方根误差函数可以改为
Figure FDA0002267552950000027
可以看出均方根误差为
Figure FDA0002267552950000028
Figure FDA0002267552950000029
的函数，而
Figure FDA00022675529500000210
又为
Figure FDA00022675529500000211
Figure FDA00022675529500000212
的函数，故可以求得均方差损失函数对于每一层w，b的梯度，即
Figure FDA00022675529500000213
进而对w，b进行更新即
Figure FDA00022675529500000214
Figure FDA00022675529500000215
其中α为每次反向算法的学习率，设置好合适的学习率对提高神经网络学习效率至关重要。
CN201911093413.8A 2019-11-11 2019-11-11 一种基于深度神经网络的电力负荷预测方法 Pending CN110866640A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911093413.8A CN110866640A (zh) 2019-11-11 2019-11-11 一种基于深度神经网络的电力负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911093413.8A CN110866640A (zh) 2019-11-11 2019-11-11 一种基于深度神经网络的电力负荷预测方法

Publications (1)

Publication Number Publication Date
CN110866640A true CN110866640A (zh) 2020-03-06

Family

ID=69653612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911093413.8A Pending CN110866640A (zh) 2019-11-11 2019-11-11 一种基于深度神经网络的电力负荷预测方法

Country Status (1)

Country Link
CN (1) CN110866640A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149813A (zh) * 2020-09-18 2020-12-29 明峰医疗系统股份有限公司 基于神经网络的探测器积分电容动态调节方法
CN112308342A (zh) * 2020-11-25 2021-02-02 广西电网有限责任公司北海供电局 一种基于深度时间解耦的日负荷预测方法及应用
CN112415583A (zh) * 2020-11-06 2021-02-26 中国科学院精密测量科学与技术创新研究院 地震数据的重建方法、装置、电子设备及可读存储介质
CN112465664A (zh) * 2020-11-12 2021-03-09 贵州电网有限责任公司 一种基于人工神经网络及深度强化学习的avc智能控制方法
CN112711791A (zh) * 2021-01-05 2021-04-27 浙江大学 基于神经网络弹性权重固化的建筑用能负荷实时预测方法
CN114202106A (zh) * 2021-11-18 2022-03-18 南京师范大学 一种基于深度学习的空调系统负荷预测方法
CN115952927A (zh) * 2023-03-13 2023-04-11 广东电网有限责任公司佛山供电局 一种基于改进前馈神经网络模型的短期电力负荷预测方法
CN118211619A (zh) * 2024-05-20 2024-06-18 合肥工业大学 一种基于径向基神经网络的后处理系统氨气浓度预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243454A (zh) * 2015-11-06 2016-01-13 广州威沃电子有限公司 基于大数据的用电负荷预测系统
CN108764588A (zh) * 2018-07-11 2018-11-06 天津工业大学 一种基于深度学习的温度影响电力预测方法
CN110263984A (zh) * 2019-06-04 2019-09-20 南瑞集团有限公司 基于相空间重构和深度神经网络的超短期净负荷预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243454A (zh) * 2015-11-06 2016-01-13 广州威沃电子有限公司 基于大数据的用电负荷预测系统
CN108764588A (zh) * 2018-07-11 2018-11-06 天津工业大学 一种基于深度学习的温度影响电力预测方法
CN110263984A (zh) * 2019-06-04 2019-09-20 南瑞集团有限公司 基于相空间重构和深度神经网络的超短期净负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李鹏等: "基于长短期记忆的实时电价条件下智能电网短期负荷预测", 《电网技术》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149813A (zh) * 2020-09-18 2020-12-29 明峰医疗系统股份有限公司 基于神经网络的探测器积分电容动态调节方法
CN112149813B (zh) * 2020-09-18 2022-05-13 明峰医疗系统股份有限公司 基于神经网络的探测器积分电容动态调节方法
CN112415583A (zh) * 2020-11-06 2021-02-26 中国科学院精密测量科学与技术创新研究院 地震数据的重建方法、装置、电子设备及可读存储介质
CN112465664A (zh) * 2020-11-12 2021-03-09 贵州电网有限责任公司 一种基于人工神经网络及深度强化学习的avc智能控制方法
CN112465664B (zh) * 2020-11-12 2022-05-03 贵州电网有限责任公司 一种基于人工神经网络及深度强化学习的avc智能控制方法
CN112308342A (zh) * 2020-11-25 2021-02-02 广西电网有限责任公司北海供电局 一种基于深度时间解耦的日负荷预测方法及应用
CN112711791A (zh) * 2021-01-05 2021-04-27 浙江大学 基于神经网络弹性权重固化的建筑用能负荷实时预测方法
CN112711791B (zh) * 2021-01-05 2022-04-19 浙江大学 基于神经网络弹性权重固化的建筑用能负荷实时预测方法
CN114202106A (zh) * 2021-11-18 2022-03-18 南京师范大学 一种基于深度学习的空调系统负荷预测方法
CN115952927A (zh) * 2023-03-13 2023-04-11 广东电网有限责任公司佛山供电局 一种基于改进前馈神经网络模型的短期电力负荷预测方法
CN115952927B (zh) * 2023-03-13 2023-07-11 广东电网有限责任公司佛山供电局 一种基于改进前馈神经网络模型的短期电力负荷预测方法
CN118211619A (zh) * 2024-05-20 2024-06-18 合肥工业大学 一种基于径向基神经网络的后处理系统氨气浓度预测方法

Similar Documents

Publication Publication Date Title
CN110866640A (zh) 一种基于深度神经网络的电力负荷预测方法
CN107808212B (zh) 基于灰色神经网络的太阳能收集功率预测方法
CN111047085B (zh) 一种基于元学习的混合动力车辆工况预测方法
CN103793887B (zh) 基于自适应增强算法的短期电力负荷在线预测方法
Chitsazan et al. Wind speed forecasting using an echo state network with nonlinear output functions
CN113219871B (zh) 一种养护室环境参数检测系统
CN116526473A (zh) 基于粒子群优化lstm的电热负荷预测方法
CN111160659A (zh) 一种考虑温度模糊化的电力负荷预测方法
CN108376294A (zh) 一种供能反馈与气象因素的热负荷预测方法
CN116523187A (zh) 一种基于bim的工程进度监控方法及其系统
CN105956708A (zh) 基于灰关联时间序列的短期风速预测方法
CN116306911A (zh) 基于分布式机器学习的热力站负荷预测及优化控制方法
CN114841410A (zh) 一种基于组合策略的换热站负荷预测方法和系统
CN111612227A (zh) 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法
CN107301478A (zh) 一种电缆线路短时负荷预测方法
CN116722541A (zh) 一种基于卷积神经网络的电力系统负荷预测方法及装置
CN114781606A (zh) 一种基于联邦学习的地区用电量中长期预测方法
Huang et al. A novel parameter optimisation method of hydraulic turbine regulating system based on fuzzy differential evolution algorithm and fuzzy PID controller
Mahmudh et al. Improved Extreme Learning Machine Power Load Forecasting Based on Firefly Optimization Algorithms
CN114444763A (zh) 基于afsa-gnn的风电功率预测方法
CN107025497A (zh) 一种基于Elman神经网络的电力负荷预警方法及装置
CN113935600A (zh) 一种基于深度学习的自适应经济调度系统及方法
Lu et al. Prediction of Low-Energy Building Energy Consumption Based on Genetic BP Algorithm.
Xiao et al. A time Series Prediction method based on self-adaptive RBF neural network
Wang Hybrid Intelligent Algorithm for Human Resources Demand Forecasting

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: 20200306

RJ01 Rejection of invention patent application after publication