CN110956306A - 一种基于负荷聚类的负荷预测方法 - Google Patents
一种基于负荷聚类的负荷预测方法 Download PDFInfo
- Publication number
- CN110956306A CN110956306A CN201911014021.8A CN201911014021A CN110956306A CN 110956306 A CN110956306 A CN 110956306A CN 201911014021 A CN201911014021 A CN 201911014021A CN 110956306 A CN110956306 A CN 110956306A
- Authority
- CN
- China
- Prior art keywords
- load
- users
- clustering
- curve
- prediction
- 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 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 42
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000009360 aquaculture Methods 0.000 description 14
- 244000144974 aquaculture Species 0.000 description 14
- 230000005611 electricity Effects 0.000 description 8
- 230000001419 dependent effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
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
- G06F18/23—Clustering techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (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
本发明涉及电力负荷预测的技术领域,更具体地,涉及一种基于负荷聚类的负荷预测方法,包括以下步骤:S10.获取区域内用户的负荷曲线,记区域内用户总数为N,第n个用户的负荷曲线为In=In(1),In(2),....,In(T),T表示负荷曲线采样点个数;S20.基于负荷聚类的方法,根据步骤S10中所述负荷曲线对用户进行分类;S30.根据步骤S20的分类结果,对每类用户进行负荷预测;S40.对步骤S30的预测结果求和,得到最终的负荷预测结果。本发明先采用负荷聚类的方法对用户进行分类,结合神经网络预测方法对各用户进行负荷预测,进而提高负荷的预测精度。
Description
技术领域
本发明涉及电力负荷预测的技术领域,更具体地,涉及一种基于负荷聚类的负荷预测方法。
背景技术
在配网规划相关技术中,负荷预测是极其关键的一个环节,其直接对规划质量和投资效率产生影响。在配网规划相关技术中,负荷预测是极其关键的一个环节,其直接对规划质量和投资效率产生影响。
目前,求取负荷系数的方法为按负荷性质粗略分为工业用电、商业用电、居民用电、农业用电和其他用电几类,对每一类负荷,选取几个典型用户,根据报装容量和年最大用电负荷求取相关实用系数;传统的电力负荷特征分析方法主要有两类:一是按影响因素分析,即在其余变量保持不变的前提下逐个提取因变量,定性或者定量描述其对自变量的影响程度;二是按行业分类分析,即先对各行业或者细化到某类型用户的用电特征进行分析,定性或者定量得到各类型用户对区域电网用电特征的影响。但是,由于负荷种类繁多,特征差异大,负荷变化随机性强,准确计算需求响应的基线负荷难度大,特别是单一考虑某一因素的基线负荷预测准确度非常低。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于负荷聚类的负荷预测方法,基于负荷聚类的方法先对负荷进行分类,再基于BP神经网络对每个用户的负荷进行负荷预测,有效提高负荷的预测准确度。
为解决上述技术问题,本发明采用的技术方案是:
提供一种基于负荷聚类的负荷预测方法,包括以下步骤:
S10.获取区域内用户的负荷曲线,记区域内用户总数为N,第n个用户的负荷曲线为In=In(1),In(2),....,In(T),T表示负荷曲线采样点个数;
S20.基于负荷聚类的方法,根据步骤S10中所述负荷曲线对用户进行分类;
S30.根据步骤S20的分类结果,对每类用户进行负荷预测;
S40.对步骤S30的预测结果求和,得到最终的负荷预测结果。
本发明的基于负荷聚类的负荷预测方法,基于负荷聚类的方法先对负荷进行分类,避免负荷种类繁多对负荷预测结果的影响;在对用户分类的基础上,结合神经网络预测方法对各用户进行负荷预测,进而提高负荷预测的准确度。
优选地,步骤S20按以下步骤进行:
S21.确定聚类的数目为C,即把用户分为C类;
S22.初始化聚类中心向量,第c个聚类中心向量记为Vc=(Vc(1),Vc(2),....,Vc(T)),c=(1,2,....,C);
S25.根据步骤S24的分类结果,更新聚类中心向量如下:
式中,Vc(k+1)和Vc(k)分别为迭代k+1次和k次后的聚类中心向量,n(k)为迭代k次后,属于聚类中心Vc的负荷曲线向量个数;
S26.重复步骤S23、S24、S25,直到各类聚类中心向量不再发生变化,得到最终的分类结果:把负荷曲线分成C类,把用户分为C类。
优选地,步骤S30按以下步骤进行:
S32.对第c类用户的负荷曲线,以In,c(t-5)、In,c(t-4)、In,c(t-3)、In,c(t-2)、In,c(t-1)为输入,In,c(t)为输出,构建训练样本,则每组样本表示为Xt=(In,c(t-5),In,c(t-4),In,c(t-3),In,c(t-2),In,c(t-1),In,c(t))(6≤t≤T);
S33.以In,c(t-5)、In,c(t-4)、In,c(t-3)、In,c(t-2)、In,c(t-1)为输入,In,c(t)为输出,构建BP神经网络;
S34.利用步骤S32中所述的训练样本对步骤S33中所述BP神经网络进行训练,得到训练好的神经网络;
S35.将In,c(T-4)、In,c(T-3)、In,c(T-2)、In,c(T-1)、In,c(T)输入到训练好的神经网络,得到第c类用户T+1时刻的负荷预测值In,c(T+1);
S36.重复步骤S32~步骤S35,得到每类用户T+1时刻的负荷预测值,记为In,1(T+1),In,2(T+1),....,In,c(T+1),....,In,C(T+1)。
优选地,所述BP神经网络包括输入层、第一隐含层、第二隐含层及输出层,所述输入层的神经元个数为5,所述第一隐含层、第二隐含层的神经元个数为12,所述输出层的神经元个数为1。
优选地,步骤S40中,对预测结果In,1(T+1),In,2(T+1),....,In,c(T+1),....,In,C(T+1)求和,即得到用户的最终负荷预测结果I(T+1):
与现有技术相比,本发明的有益效果是:
本发明的基于负荷聚类的负荷预测方法,先基于负荷聚类的方法先对负荷进行分类,避免负荷种类繁多对负荷预测结果的影响;在对用户分类的基础上,结合神经网络预测方法对各用户进行负荷预测,进而提高负荷预测的准确度。
附图说明
图1为本发明的基于负荷聚类的负荷预测方法的流程图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。
实施例一
如图1所示为本发明的基于负荷聚类的负荷预测方法的实施例,包括以下步骤:
S10.获取区域内用户的负荷曲线,记区域内用户总数为N,第n个用户的负荷曲线为In=In(1),In(2),....,In(T),T表示负荷曲线采样点个数;
S20.基于负荷聚类的方法,根据步骤S10中负荷曲线对用户进行分类;
S30.根据步骤S20的分类结果,对每类用户进行负荷预测;
S40.对步骤S30的预测结果求和,得到最终的负荷预测结果。
步骤S20按以下步骤进行:
S21.确定聚类的数目为C,即把用户分为C类;
S22.初始化聚类中心向量,第c个聚类中心向量记为Vc=(Vc(1),Vc(2),....,Vc(T)),c=(1,2,....,C);
S25.根据步骤S24的分类结果,更新聚类中心向量如下:
式中,Vc(k+1)和Vc(k)分别为迭代k+1次和k次后的聚类中心向量,n(k)为迭代k次后,属于聚类中心Vc的负荷曲线向量个数;
S26.重复步骤S23、S24、S25,直到各类聚类中心向量不再发生变化,得到最终的分类结果:把负荷曲线分成C类,把用户分为C类。
步骤S30按以下步骤进行:
S32.对第c类用户的负荷曲线,以In,c(t-5)、In,c(t-4)、In,c(t-3)、In,c(t-2)、In,c(t-1)为输入,In,c(t)为输出,构建训练样本,则每组样本表示为Xt=(In,c(t-5),In,c(t-4),In,c(t-3),In,c(t-2),In,c(t-1),In,c(t))(6≤t≤T);
S33.以In,c(t-5)、In,c(t-4)、In,c(t-3)、In,c(t-2)、In,c(t-1)为输入,In,c(t)为输出,构建BP神经网络;
S34.利用步骤S32中的训练样本对步骤S33中BP神经网络进行训练,得到训练好的神经网络;
S35.将In,c(T-4)、In,c(T-3)、In,c(T-2)、In,c(T-1)、In,c(T)输入到训练好的神经网络,得到第c类用户T+1时刻的负荷预测值In,c(T+1);
S36.重复步骤S32~步骤S35,得到每类用户T+1时刻的负荷预测值,记为In,1(T+1),In,2(T+1),....,In,c(T+1),....,In,C(T+1)。
其中,本实施例的BP神经网络包括输入层、第一隐含层、第二隐含层及输出层,输入层的神经元个数为5,第一隐含层、第二隐含层的神经元个数为12,输出层的神经元个数为1。
步骤S40中,对预测结果In,1(T+1),In,2(T+1),....,In,c(T+1),....,In,C(T+1)求和,即得到用户的最终负荷预测结果I(T+1):
经过以上步骤,本实施例先基于聚类的方法将用户数据进行分类,再对分类后的用户负荷进行预测,能够有效提高负荷预测的精度和准确性。
实施例二
本实施例为实施例一在用户的负荷曲线预测中的应用,包括以下步骤:
S10.获取区域内水产养殖用户的负荷曲线,记区域内水产养殖用户总数为N,第n个水产养殖用户的负荷曲线为In=In(1),In(2),....,In(T),T表示负荷曲线采样点个数;
S20.基于负荷聚类的方法,根据步骤S10中负荷曲线对水产养殖用户进行分类;
S30.根据步骤S20的分类结果,对每类水产养殖用户进行负荷预测;
S40.对步骤S30的预测结果求和,得到最终的负荷预测结果。
步骤S20按以下步骤进行:
S21.确定聚类的数目为C,即把水产养殖用户分为C类;
S22.初始化聚类中心向量,第c个聚类中心向量记为Vc=(Vc(1),Vc(2),....,Vc(T)),c=(1,2,....,C);
S25.根据步骤S24的分类结果,更新聚类中心向量如下:
式中,Vc(k+1)和Vc(k)分别为迭代k+1次和k次后的聚类中心向量,n(k)为迭代k次后,属于聚类中心Vc的负荷曲线向量个数;
S26.重复步骤S23、S24、S25,直到各类聚类中心向量不再发生变化,得到最终的分类结果:把负荷曲线分成C类,把水产养殖用户分为C类。
步骤S30按以下步骤进行:
S31.记每类水产养殖用户的户数为n1,n2,....,nc,....,nC。记第c类水产养殖用户的负荷曲线为In,c=In,c(1),In,c(2),....,In,c(t),....,In,c(T),其中
S32.对第c类水产养殖用户的负荷曲线,以In,c(t-5)、In,c(t-4)、In,c(t-3)、In,c(t-2)、In,c(t-1)为输入,In,c(t)为输出,构建训练样本,则每组样本表示为Xt=(In,c(t-5),In,c(t-4),In,c(t-3),In,c(t-2),In,c(t-1),In,c(t))(6≤t≤T);
S33.以In,c(t-5)、In,c(t-4)、In,c(t-3)、In,c(t-2)、In,c(t-1)为输入,In,c(t)为输出,构建BP神经网络;
S34.利用步骤S32中的训练样本对步骤S33中BP神经网络进行训练,得到训练好的神经网络;
S35.将In,c(T-4)、In,c(T-3)、In,c(T-2)、In,c(T-1)、In,c(T)输入到训练好的神经网络,得到第c类水产养殖用户T+1时刻的负荷预测值In,c(T+1);
S36.重复步骤S32~步骤S35,得到每类水产养殖用户T+1时刻的负荷预测值,记为In,1(T+1),In,2(T+1),....,In,c(T+1),....,In,C(T+1)。
其中,本实施例的BP神经网络包括输入层、第一隐含层、第二隐含层及输出层,输入层的神经元个数为5,第一隐含层、第二隐含层的神经元个数为12,输出层的神经元个数为1。
步骤S40中,对预测结果In,1(T+1),In,2(T+1),....,In,c(T+1),....,In,C(T+1)求和,即得到水产养殖用户的最终负荷预测结果I(T+1):
需要说明的是,本实施例中将负荷聚类的方法与神经网络结合的方法的应用并不局限于应用于水产养殖用户的负荷曲线,还可应用于其他需要配网规划领域的负荷预测。
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 (5)
1.一种基于负荷聚类的负荷预测方法,其特征在于,包括以下步骤:
S10.获取区域内用户的负荷曲线,记区域内用户总数为N,第n个用户的负荷曲线为In=In(1),In(2),....,In(T),T表示负荷曲线采样点个数;
S20.基于负荷聚类的方法,根据步骤S10中所述负荷曲线对用户进行分类;
S30.根据步骤S20的分类结果,对每类用户进行负荷预测;
S40.对步骤S30的预测结果求和,得到最终的负荷预测结果。
2.根据权利要求1所述的基于负荷聚类的负荷预测方法,其特征在于,步骤S20按以下步骤进行:
S21.确定聚类的数目为C,即把用户分为C类;
S22.初始化聚类中心向量,第c个聚类中心向量记为Vc=(Vc(1),Vc(2),....,Vc(T)),c=(1,2,....,C);
S25.根据步骤S24的分类结果,更新聚类中心向量如下:
式中,Vc(k+1)和Vc(k)分别为迭代k+1次和k次后的聚类中心向量,n(k)为迭代k次后,属于聚类中心Vc的负荷曲线向量个数;
S26.重复步骤S23、S24、S25,直到各类聚类中心向量不再发生变化,得到最终的分类结果:把负荷曲线分成C类,把用户分为C类。
3.根据权利要求1所述的基于负荷聚类的负荷预测方法,其特征在于,步骤S30按以下步骤进行:
S32.对第c类用户的负荷曲线,以In,c(t-5)、In,c(t-4)、In,c(t-3)、In,c(t-2)、In,c(t-1)为输入,In,c(t)为输出,构建训练样本,则每组样本表示为Xt=(In,c(t-5),In,c(t-4),In,c(t-3),In,c(t-2),In,c(t-1),In,c(t))(6≤t≤T);
S33.以In,c(t-5)、In,c(t-4)、In,c(t-3)、In,c(t-2)、In,c(t-1)为输入,In,c(t)为输出,构建BP神经网络;
S34.利用步骤S32中所述的训练样本对步骤S33中所述BP神经网络进行训练,得到训练好的神经网络;
S35.将In,c(T-4)、In,c(T-3)、In,c(T-2)、In,c(T-1)、In,c(T)输入到训练好的神经网络,得到第c类用户T+1时刻的负荷预测值In,c(T+1);
S36.重复步骤S32~步骤S35,得到每类用户T+1时刻的负荷预测值,记为In,1(T+1),In,2(T+1),....,In,c(T+1),….,In,C(T+1)。
4.根据权利要求3所述的基于负荷聚类的负荷预测方法,其特征在于,所述BP神经网络包括输入层、第一隐含层、第二隐含层及输出层,所述输入层的神经元个数为5,所述第一隐含层、第二隐含层的神经元个数为12,所述输出层的神经元个数为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911014021.8A CN110956306A (zh) | 2019-10-23 | 2019-10-23 | 一种基于负荷聚类的负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911014021.8A CN110956306A (zh) | 2019-10-23 | 2019-10-23 | 一种基于负荷聚类的负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110956306A true CN110956306A (zh) | 2020-04-03 |
Family
ID=69976368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911014021.8A Pending CN110956306A (zh) | 2019-10-23 | 2019-10-23 | 一种基于负荷聚类的负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956306A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069519A (zh) * | 2015-07-16 | 2015-11-18 | 国网天津市电力公司 | 一种智能电网园区终端用户能源需求状况动态预测系统及方法 |
CN106022509A (zh) * | 2016-05-07 | 2016-10-12 | 国网浙江省电力公司经济技术研究院 | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 |
CN107145976A (zh) * | 2017-04-28 | 2017-09-08 | 北京科技大学 | 一种预测用户用电负荷的方法 |
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 |
CN109754113A (zh) * | 2018-11-29 | 2019-05-14 | 南京邮电大学 | 基于动态时间规整与长短时间记忆的负荷预测方法 |
CN110110915A (zh) * | 2019-04-28 | 2019-08-09 | 上海电力学院 | 一种基于cnn-svr模型的负荷集成预测方法 |
-
2019
- 2019-10-23 CN CN201911014021.8A patent/CN110956306A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069519A (zh) * | 2015-07-16 | 2015-11-18 | 国网天津市电力公司 | 一种智能电网园区终端用户能源需求状况动态预测系统及方法 |
CN106022509A (zh) * | 2016-05-07 | 2016-10-12 | 国网浙江省电力公司经济技术研究院 | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 |
CN107145976A (zh) * | 2017-04-28 | 2017-09-08 | 北京科技大学 | 一种预测用户用电负荷的方法 |
CN109754113A (zh) * | 2018-11-29 | 2019-05-14 | 南京邮电大学 | 基于动态时间规整与长短时间记忆的负荷预测方法 |
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 |
CN110110915A (zh) * | 2019-04-28 | 2019-08-09 | 上海电力学院 | 一种基于cnn-svr模型的负荷集成预测方法 |
Non-Patent Citations (3)
Title |
---|
杨本臣 等: "开放售电环境下用户短期负荷预测方法" * |
林志坚 等: "基于k-means聚类和变分位鲁棒极限学习机的短期负荷预测方法" * |
沈兆轩 等: "利用卷积神经网络支持向量回归机的地区负荷聚类集成预测" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111199016A (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
CN109766950B (zh) | 一种基于形态聚类和LightGBM的工业用户短期负荷预测方法 | |
CN107463993B (zh) | 基于互信息-核主成分分析-Elman网络的中长期径流预报方法 | |
Abrahamsson et al. | Effort prediction in iterative software development processes--incremental versus global prediction models | |
CN107506865B (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
CN110880044B (zh) | 一种基于马尔科夫链的负荷预测方法 | |
CN114360652B (zh) | 细胞株相似性评价方法及相似细胞株培养基配方推荐方法 | |
CN112836884A (zh) | 基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法 | |
CN113537469B (zh) | 一种基于LSTM网络和Attention机制的城市需水预测方法 | |
CN111008726A (zh) | 一种电力负荷预测中类图片转换方法 | |
CN111985845B (zh) | 一种异构Spark集群的节点优先级调优方法 | |
CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
CN113012766A (zh) | 一种基于在线选择性集成的自适应软测量建模方法 | |
CN115186803A (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 | |
CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
CN111815026A (zh) | 一种基于特征聚类的多能源系统负荷预测方法 | |
CN112633556A (zh) | 一种基于混合模型的短期电力负荷预测方法 | |
CN115965110A (zh) | 面向产业园区的企业用能画像及碳排放精准测算方法 | |
CN110533249B (zh) | 一种基于集成长短期记忆网络的冶金企业能耗预测方法 | |
CN111859787A (zh) | 基于气象水文预报因子分类和深度学习模型耦合的日径流预报方法 | |
CN114581141A (zh) | 基于特征选择与lssvr的短期负荷预测方法 | |
CN114357870A (zh) | 基于局部加权偏最小二乘的计量设备运行性能预测分析方法 | |
CN114202060A (zh) | 基于深度神经网络的生物质活性炭吸附亚甲基蓝性能预测方法 | |
CN101206727A (zh) | 数据处理装置、方法和程序以及计算机可读介质 |
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 |