CN110991729A - 一种基于迁移学习和多头注意力机制的负荷预测方法 - Google Patents

一种基于迁移学习和多头注意力机制的负荷预测方法 Download PDF

Info

Publication number
CN110991729A
CN110991729A CN201911192616.2A CN201911192616A CN110991729A CN 110991729 A CN110991729 A CN 110991729A CN 201911192616 A CN201911192616 A CN 201911192616A CN 110991729 A CN110991729 A CN 110991729A
Authority
CN
China
Prior art keywords
neural network
recurrent neural
prediction
load
gru
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
CN201911192616.2A
Other languages
English (en)
Inventor
周知瑞
邓世杰
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.)
Sichuan Wanyi Energy Technology Co ltd
Original Assignee
Sichuan Wanyi Energy Technology Co ltd
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 Sichuan Wanyi Energy Technology Co ltd filed Critical Sichuan Wanyi Energy Technology Co ltd
Priority to CN201911192616.2A priority Critical patent/CN110991729A/zh
Publication of CN110991729A publication Critical patent/CN110991729A/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
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于迁移学习和多头注意力机制的负荷预测方法，采用数据集向量到向量的数据处理流程，可以在统一框架下提供未来多步时刻的用电负荷预测结果；通过循环神经网络进行数据集编码，并构造多头注意力机制，能有效识别多种负荷模型，提升数据精度；并利用迁移学习方法，将某特定区域训练好的神经网络模型参数迁移至其他区域，大幅度降低模型对数据集规模要求，有效降低适用门槛。

Description

一种基于迁移学习和多头注意力机制的负荷预测方法
技术领域
本发明涉及用电负荷预测领域，具体涉及一种基于迁移学习和多头注意力机制的负荷预测方法。
背景技术
近年来，以时间序列、机器学习技术为基础的多种算法或模型被用于用电负荷预测中，如：Arima、GBDT、循环神经网络等。其中Arima等传统时间序列预测模型精度较低；GBDT及其变种无法直接进行多步预测；循环神经网络模型复杂度较高，对小型数据集预测精度较差。
现有技术方案不仅存在上述内在缺陷，由于用电主体往往存在多种负荷模式，模式间规律性差异较大，因此上述各种算法或模型均不能准确预测用电负荷。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于迁移学习和多头注意力机制的负荷预测方法解决了现有技术无法预测具有多样性且只有小型数据集样本的用电负荷的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于迁移学习和多头注意力机制的负荷预测方法，包括以下步骤：
S1、从能源大数据平台获取研究区域内的所有用电单元历史粒度负荷数据，得到用电数据集X＝{x0,…,xt,…,xτ}，t为当前时间，其值在区间[0,τ]内，τ为所获取的用电数据集的时间长度；
S2、采用GRU循环神经网络，利用均值为0方差为0.05的正态分布，对用电数据集X进行编码，得到隐藏状态编码集
Figure BDA0002293946430000011
S3、根据多头注意力机制，构造6个注意力向量，并用注意力向量对隐藏状态编码集
Figure BDA0002293946430000021
进行进一步编码，得到最终编码向量henc；
S4、采用GRU循环神经网络，利用均值为0方差为0.05的正态分布，根据用电数据集X、隐藏状态编码集
Figure BDA0002293946430000022
和最终编码向量henc，对未来用电负荷进行预测，得到未来时刻用电负荷预测集{p′t+1,…,p′t+i,…,p′t+K}，其中K为预测范围内，未来时间中的单位时刻总数；
S5、继续监控并采集用电负荷情况，得到与未来时刻用电负荷预测集对应的相对未来时刻用电负荷真实值{pt+1,…,pt+i,…,pt+K}，并计算未来时刻用电负荷预测集和相对未来时刻用电负荷真实值的均方误差MSE；
S6、根据均方误差MSE，采用梯度下降法训练GRU循环神经网络的各项权值，判断权值是否在训练过程中发生变化，若是，则跳转至步骤S1，若否，则跳转至步骤S7；
S7、记录训练出的GRU循环神经网络的各项权值，扩大需要进行用电负荷预测的研究区域，并通过迁移学习方法，采用记录得到的GRU循环神经网络的各项权值构建成熟的GRU循环神经网络对新的区域进行数据集神经网络训练，进而实现用电负荷预测。
进一步地：步骤S1的用电数据集X＝{x0,…,xt,…,xτ}由[0,τ]时间范围内的[0,N]用电单元的负荷、当前用电单元产生负荷的当前时间是否为节假日的标志信息以及当前用电单元产生负荷的当前时间是否为周末的标志信息组合而成，即
Figure BDA0002293946430000023
其中u为当前的用电单元编号，其值在区间[0,N]内，N为用电单元总数，
Figure BDA0002293946430000024
为用电单元u在t时刻的用电负荷，
Figure BDA0002293946430000025
为用电单元u在t时刻是否为其节假日的标志信息，
Figure BDA0002293946430000026
为t时刻是否为周末的标志信息。
进一步地：步骤S2中的编码过程遵循以下等式：
Figure BDA0002293946430000031
Figure BDA0002293946430000032
Figure BDA0002293946430000033
Figure BDA0002293946430000034
Figure BDA0002293946430000035
其中，sigmoid()为S型生长曲线函数；tanh()为双曲正切函数；·为向量点乘运算；*为卷积运算；0为0向量；zt为GRU循环神经网络更新门输出量；
Figure BDA0002293946430000036
为循环神经网络更新门权值；rt为GRU循环神经网络重置门输出量；
Figure BDA0002293946430000037
为GRU循环神经网络重置门权值；st为GRU循环神经网络中间状态量；Wenc为GRU循环神经网络中间状态权值。
进一步地：步骤S3中的进一步编码过程遵循以下等式：
Figure BDA0002293946430000038
Figure BDA0002293946430000039
Figure BDA00022939464300000310
其中，Aj；j∈{1,2,…,6}为六个注意力向量；
Figure BDA00022939464300000311
为
Figure BDA00022939464300000312
的注意力得分，
Figure BDA00022939464300000313
为注意力权重，最终编码向量henc为六个最终编码元素
Figure BDA00022939464300000314
拼接而成，即
Figure BDA00022939464300000315
进一步地：步骤S4中的预测过程遵循以下等式：
Figure BDA00022939464300000316
Figure BDA00022939464300000317
Figure BDA00022939464300000318
Figure BDA00022939464300000319
Figure BDA00022939464300000320
Figure BDA0002293946430000041
Figure BDA0002293946430000042
p’t+i＝tanh(Woutput·ht+i) (16)
其中，x’t+i为未来时刻t+i的拼接输入集，
Figure BDA0002293946430000043
为预测用GRU循环神经网络更新门输出量；
Figure BDA0002293946430000044
为预测用循环神经网络更新门权值；
Figure BDA0002293946430000045
为预测用GRU循环神经网络重置门输出量；
Figure BDA0002293946430000046
为预测用GRU循环神经网络重置门权值；
Figure BDA0002293946430000047
为预测用GRU循环神经网络中间状态量；Wdec为预测用GRU循环神经网络中间状态权值；Woutput为输出量权值，
Figure BDA0002293946430000048
为未来时刻t+i的解码隐藏状态向量；ht+i为最终编码向量henc和解码隐藏状态向量
Figure BDA0002293946430000049
拼接后的状态向量；p’t+i为未来时刻t+i的用电负荷预测值。
进一步地：步骤S6中的各项权值包括：循环神经网络更新门权值
Figure BDA00022939464300000410
GRU循环神经网络重置门权值
Figure BDA00022939464300000411
GRU循环神经网络中间状态权值Wenc，预测用循环神经网络更新门权值
Figure BDA00022939464300000412
预测用GRU循环神经网络重置门权值
Figure BDA00022939464300000413
预测用GRU循环神经网络中间状态权值Wdec和输出量权值Woutput。
本发明的有益效果为：采用数据集向量到向量的数据处理流程，可以在统一框架下提供未来多步时刻的用电负荷预测结果；通过循环神经网络进行数据集编码，并构造多头注意力机制，能有效识别多种负荷模型，提升数据精度；并利用迁移学习方法，将某特定区域训练好的神经网络模型参数迁移至其他区域，大幅度降低模型对数据集规模要求，有效降低适用门槛。
附图说明
图1为一种基于迁移学习和多头注意力机制的负荷预测方法流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，在本发明的一个实施例中，一种基于迁移学习和多头注意力机制的负荷预测方法，包括以下步骤：
S1、从能源大数据平台获取研究区域内的所有用电单元历史粒度负荷数据，得到用电数据集X＝{x0,…,xt,…,xτ}，t为当前时间，其值在区间[0,τ]内，τ为所获取的用电数据集的时间长度；
步骤S1的用电数据集X＝{x0,…,xt,…,xτ}由[0,τ]时间范围内的[0,N]用电单元的负荷、当前用电单元产生负荷的当前时间是否为节假日的标志信息以及当前用电单元产生负荷的当前时间是否为周末的标志信息组合而成，即
Figure BDA0002293946430000051
其中u为当前的用电单元编号，其值在区间[0,N]内，N为用电单元总数，
Figure BDA0002293946430000052
为用电单元u在t时刻的用电负荷，
Figure BDA0002293946430000053
为用电单元u在t时刻是否为其节假日的标志信息，
Figure BDA0002293946430000054
为t时刻是否为周末的标志信息。
S2、采用GRU循环神经网络，利用均值为0方差为0.05的正态分布，对用电数据集X进行编码，得到隐藏状态编码集
Figure BDA0002293946430000055
步骤S2中的编码过程遵循以下等式：
Figure BDA0002293946430000056
Figure BDA0002293946430000057
Figure BDA0002293946430000058
Figure BDA0002293946430000059
Figure BDA00022939464300000510
其中，sigmoid()为S型生长曲线函数；tanh()为双曲正切函数；·为向量点乘运算；*为卷积运算；0为0向量；zt为GRU循环神经网络更新门输出量；
Figure BDA0002293946430000061
为循环神经网络更新门权值；rt为GRU循环神经网络重置门输出量；
Figure BDA0002293946430000062
为GRU循环神经网络重置门权值；st为GRU循环神经网络中间状态量；Wenc为GRU循环神经网络中间状态权值。
S3、根据多头注意力机制，构造6个注意力向量，并用注意力向量对隐藏状态编码集
Figure BDA0002293946430000063
进行进一步编码，得到最终编码向量henc；
步骤S3中的进一步编码过程遵循以下等式：
Figure BDA0002293946430000064
Figure BDA0002293946430000065
Figure BDA0002293946430000066
其中，Aj；j∈{1,2,…,6}为六个注意力向量；
Figure BDA0002293946430000067
为
Figure BDA0002293946430000068
的注意力得分，
Figure BDA0002293946430000069
为注意力权重，最终编码向量henc为六个最终编码元素
Figure BDA00022939464300000610
拼接而成，即
Figure BDA00022939464300000611
S4、采用GRU循环神经网络，利用均值为0方差为0.05的正态分布，根据用电数据集X、隐藏状态编码集
Figure BDA00022939464300000612
和最终编码向量henc，对未来用电负荷进行预测，得到未来时刻用电负荷预测集{p′t+1,…,p′t+i,…,p′t+K}，其中K为预测范围内，未来时间中的单位时刻总数；
步骤S4中的预测过程遵循以下等式：
Figure BDA00022939464300000613
Figure BDA00022939464300000614
Figure BDA00022939464300000615
Figure BDA00022939464300000616
Figure BDA0002293946430000071
Figure BDA0002293946430000072
Figure BDA0002293946430000073
p’t+i＝tanh(Woutput·ht+i) (16)其中，x′t+i为未来时刻t+i的拼接输入集，
Figure BDA0002293946430000074
为预测用GRU循环神经网络更新门输出量；
Figure BDA0002293946430000075
为预测用循环神经网络更新门权值；
Figure BDA0002293946430000076
为预测用GRU循环神经网络重置门输出量；
Figure BDA0002293946430000077
为预测用GRU循环神经网络重置门权值；
Figure BDA0002293946430000078
为预测用GRU循环神经网络中间状态量；Wdec为预测用GRU循环神经网络中间状态权值；Woutput为输出量权值，
Figure BDA0002293946430000079
为未来时刻t+i的解码隐藏状态向量；ht+i为最终编码向量henc和解码隐藏状态向量
Figure BDA00022939464300000710
拼接后的状态向量；p′t+i为未来时刻t+i的用电负荷预测值。
S5、继续监控并采集用电负荷情况，得到与未来时刻用电负荷预测集对应的相对未来时刻用电负荷真实值{pt+1,…,pt+i,…,pt+K}，并计算未来时刻用电负荷预测集和相对未来时刻用电负荷真实值的均方误差MSE；
S6、根据均方误差MSE，采用梯度下降法训练GRU循环神经网络的各项权值，判断权值是否在训练过程中发生变化，若是，则跳转至步骤S1，若否，则跳转至步骤S7；
步骤S6中的各项权值包括：循环神经网络更新门权值
Figure BDA00022939464300000711
GRU循环神经网络重置门权值
Figure BDA00022939464300000712
GRU循环神经网络中间状态权值Wenc，预测用循环神经网络更新门权值
Figure BDA00022939464300000713
预测用GRU循环神经网络重置门权值
Figure BDA00022939464300000714
预测用GRU循环神经网络中间状态权值Wdec和输出量权值Woutput。
S7、记录训练出的GRU循环神经网络的各项权值，扩大需要进行用电负荷预测的研究区域，并通过迁移学习方法，采用记录得到的GRU循环神经网络的各项权值构建成熟的GRU循环神经网络对新的区域进行数据集神经网络训练，进而实现用电负荷预测。
本发明采用数据集向量到向量的数据处理流程，可以在统一框架下提供未来多步时刻的用电负荷预测结果；通过循环神经网络进行数据集编码，并构造多头注意力机制，能有效识别多种负荷模型，提升数据精度；并利用迁移学习方法，将某特定区域训练好的神经网络模型参数迁移至其他区域，大幅度降低模型对数据集规模要求，有效降低适用门槛。

Claims (6)

1.一种基于迁移学习和多头注意力机制的负荷预测方法，其特征在于，包括以下步骤：
S1、从能源大数据平台获取研究区域内的所有用电单元历史粒度负荷数据，得到用电数据集X＝{x0，…，xt，…，xτ}，t为当前时间，其值在区间[0，τ]内，τ为所获取的用电数据集的时间长度；
S2、采用GRU循环神经网络，利用均值为0方差为0.05的正态分布，对用电数据集X进行编码，得到隐藏状态编码集
Figure FDA0002293946420000011
S3、根据多头注意力机制，构造6个注意力向量，并用注意力向量对隐藏状态编码集
Figure FDA0002293946420000012
进行进一步编码，得到最终编码向量henc；
S4、采用GRU循环神经网络，利用均值为0方差为0.05的正态分布，根据用电数据集X、隐藏状态编码集
Figure FDA0002293946420000013
和最终编码向量henc，对未来用电负荷进行预测，得到未来时刻用电负荷预测集{p’t+1，…，p’t+i，…，p’t+K}，其中K为预测范围内，未来时间中的单位时刻总数；
S5、继续监控并采集用电负荷情况，得到与未来时刻用电负荷预测集对应的相对未来时刻用电负荷真实值{pt+1，…，pt+i，…，pt+K}，并计算未来时刻用电负荷预测集和相对未来时刻用电负荷真实值的均方误差MSE；
S6、根据均方误差MSE，采用梯度下降法训练GRU循环神经网络的各项权值，判断权值是否在训练过程中发生变化，若是，则跳转至步骤S1，若否，则跳转至步骤S7；
S7、记录训练出的GRU循环神经网络的各项权值，扩大需要进行用电负荷预测的研究区域，并通过迁移学习方法，采用记录得到的GRU循环神经网络的各项权值构建成熟的GRU循环神经网络对新的区域进行数据集神经网络训练，进而实现用电负荷预测。
2.根据权利要求1所述的基于迁移学习和多头注意力机制的负荷预测方法，其特征在于，所述步骤S1的用电数据集X＝{x0，…，xt，…，xτ}由[0，τ]时间范围内的[0，N]用电单元的负荷、当前用电单元产生负荷的当前时间是否为节假日的标志信息以及当前用电单元产生负荷的当前时间是否为周末的标志信息组合而成，即
Figure FDA0002293946420000021
其中u为当前的用电单元编号，其值在区间[0，N]内，N为用电单元总数，
Figure FDA0002293946420000022
为用电单元u在t时刻的用电负荷，
Figure FDA0002293946420000023
为用电单元u在t时刻是否为其节假日的标志信息，
Figure FDA0002293946420000024
为t时刻是否为周末的标志信息。
3.根据权利要求2所述的基于迁移学习和多头注意力机制的负荷预测方法，其特征在于，所述步骤S2中的编码过程遵循以下等式：
Figure FDA0002293946420000025
Figure FDA0002293946420000026
Figure FDA0002293946420000027
Figure FDA0002293946420000028
Figure FDA0002293946420000029
其中，sigmoid()为S型生长曲线函数；tanh()为双曲正切函数；·为向量点乘运算；*为卷积运算；0为0向量；zt为GRU循环神经网络更新门输出量；
Figure FDA00022939464200000210
为循环神经网络更新门权值；rt为GRU循环神经网络重置门输出量；
Figure FDA00022939464200000211
为GRU循环神经网络重置门权值；st为GRU循环神经网络中间状态量；Wenc为GRU循环神经网络中间状态权值。
4.根据权利要求3所述的基于迁移学习和多头注意力机制的负荷预测方法，其特征在于，所述步骤S3中的进一步编码过程遵循以下等式：
Figure FDA00022939464200000212
Figure FDA00022939464200000213
Figure FDA0002293946420000031
其中，Aj；j∈{1，2，...，6}为六个注意力向量；
Figure FDA0002293946420000032
为
Figure FDA0002293946420000033
的注意力得分，
Figure FDA0002293946420000034
为注意力权重，最终编码向量henc为六个最终编码元素
Figure FDA0002293946420000035
拼接而成，即
Figure FDA0002293946420000036
5.根据权利要求4所述的基于迁移学习和多头注意力机制的负荷预测方法，其特征在于，所述步骤S4中的预测过程遵循以下等式：
Figure FDA0002293946420000037
Figure FDA0002293946420000038
Figure FDA0002293946420000039
Figure FDA00022939464200000310
Figure FDA00022939464200000311
Figure FDA00022939464200000312
Figure FDA00022939464200000313
p’t+i＝tanh(Woutput·ht+i)(16)
其中，x’t+i为未来时刻t+i的拼接输入集，
Figure FDA00022939464200000314
为预测用GRU循环神经网络更新门输出量；
Figure FDA00022939464200000315
为预测用循环神经网络更新门权值；
Figure FDA00022939464200000316
为预测用GRU循环神经网络重置门输出量；
Figure FDA00022939464200000317
为预测用GRU循环神经网络重置门权值；
Figure FDA00022939464200000318
为预测用GRU循环神经网络中间状态量；Wdec为预测用GRU循环神经网络中间状态权值；Woutput为输出量权值，
Figure FDA00022939464200000319
为未来时刻t+i的解码隐藏状态向量；ht+i为最终编码向量henc和解码隐藏状态向量
Figure FDA00022939464200000321
拼接后的状态向量；p’t+i为未来时刻t+i的用电负荷预测值。
6.根据权利要求5所述的基于迁移学习和多头注意力机制的负荷预测方法，其特征在于，所述步骤S6中的各项权值包括：循环神经网络更新门权值
Figure FDA00022939464200000320
GRU循环神经网络重置门权值
Figure FDA0002293946420000041
GRU循环神经网络中间状态权值Wenc，预测用循环神经网络更新门权值
Figure FDA0002293946420000042
预测用GRU循环神经网络重置门权值
Figure FDA0002293946420000043
预测用GRU循环神经网络中间状态权值Wdec和输出量权值Woutput。
CN201911192616.2A 2019-11-28 2019-11-28 一种基于迁移学习和多头注意力机制的负荷预测方法 Pending CN110991729A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911192616.2A CN110991729A (zh) 2019-11-28 2019-11-28 一种基于迁移学习和多头注意力机制的负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911192616.2A CN110991729A (zh) 2019-11-28 2019-11-28 一种基于迁移学习和多头注意力机制的负荷预测方法

Publications (1)

Publication Number Publication Date
CN110991729A true CN110991729A (zh) 2020-04-10

Family

ID=70088091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911192616.2A Pending CN110991729A (zh) 2019-11-28 2019-11-28 一种基于迁移学习和多头注意力机制的负荷预测方法

Country Status (1)

Country Link
CN (1) CN110991729A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037179A (zh) * 2020-08-11 2020-12-04 深圳大学 一种脑疾病诊断模型的生成方法、系统及设备
CN113095598A (zh) * 2021-05-07 2021-07-09 国网山东省电力公司经济技术研究院 一种多能负荷预测方法、系统、设备和介质
CN113222112A (zh) * 2021-04-02 2021-08-06 西安电子科技大学 一种基于mv-gru的热负荷预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037179A (zh) * 2020-08-11 2020-12-04 深圳大学 一种脑疾病诊断模型的生成方法、系统及设备
CN113222112A (zh) * 2021-04-02 2021-08-06 西安电子科技大学 一种基于mv-gru的热负荷预测方法
CN113222112B (zh) * 2021-04-02 2023-10-17 西安电子科技大学 一种基于mv-gru的热负荷预测方法
CN113095598A (zh) * 2021-05-07 2021-07-09 国网山东省电力公司经济技术研究院 一种多能负荷预测方法、系统、设备和介质

Similar Documents

Publication Publication Date Title
Pai System reliability forecasting by support vector machines with genetic algorithms
CN110991729A (zh) 一种基于迁移学习和多头注意力机制的负荷预测方法
CN111861013B (zh) 一种电力负荷预测方法及装置
CN112052948B (zh) 一种网络模型压缩方法、装置、存储介质和电子设备
CN109492748B (zh) 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法
CN110707763A (zh) 一种基于集成学习的交直流配电网负荷预测方法
CN110837888A (zh) 一种基于双向循环神经网络的交通缺失数据补全方法
CN113689030B (zh) 一种基于双向注意力和二次优化的短期风功率预测方法
CN112232577A (zh) 用于多芯智能表的电力负荷概率预测系统与方法
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
CN109034500A (zh) 一种多时序协同的中期电力负荷预测方法
CN108304912A (zh) 一种运用抑制信号实现脉冲神经网络监督学习的系统和方法
CN112508286A (zh) 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法
CN114490065A (zh) 一种负载预测方法、装置及设备
CN112803398A (zh) 基于经验模态分解和深度神经网络的负荷预测方法及系统
CN113947182A (zh) 基于双阶段堆叠图卷积网络的交通流预测模型构建方法
CN116014722A (zh) 基于季节分解和卷积网络的次日光伏发电预测方法及系统
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
CN110287938A (zh) 基于关键片段检测的事件识别方法、系统、设备及介质
CN113609762A (zh) 一种基于gru-mtl的电冷热负荷联合预测方法及系统
CN116245259B (zh) 基于深度特征选择的光伏发电预测方法、装置和电子设备
CN116402194A (zh) 一种基于混合神经网络的多时间尺度负荷预测方法
CN114861967A (zh) 一种电力负荷预测方法、系统、装置及存储介质
CN116106909A (zh) 一种雷达回波外推方法、系统及存储介质
CN110288002A (zh) 一种基于稀疏正交神经网络的图像分类方法

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: 20200410

RJ01 Rejection of invention patent application after publication