CN111061708A - 一种基于lstm神经网络的电能量预测与修复方法 - Google Patents
一种基于lstm神经网络的电能量预测与修复方法 Download PDFInfo
- Publication number
- CN111061708A CN111061708A CN201911093125.2A CN201911093125A CN111061708A CN 111061708 A CN111061708 A CN 111061708A CN 201911093125 A CN201911093125 A CN 201911093125A CN 111061708 A CN111061708 A CN 111061708A
- Authority
- CN
- China
- Prior art keywords
- electric energy
- lstm
- data
- gate layer
- neural network
- 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 29
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002441 reversible effect Effects 0.000 claims description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 210000004027 cell Anatomy 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013485 heteroscedasticity test Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于LSTM神经网络的电能量预测与修复方法，该方法首先对于获取的电能量数据进行标准化处理，然后构造标准数据格式后建立深度学习模型；最后利用LSTM模型进行预测,精度检验和异常值修复。本发明对原始数据进行标准化，重新调整值的分布，避免降低网络学习和收敛的速度，提高网络的学习效率；构建了多个网络层的线性堆叠，加入LSTM层作为输入信息和隐藏状态的桥梁，加入全连接层来链接隐藏状态和输出信息，对模型进行拟合，提高模型预测准确度；通过基于LSTM预测模型对异常的电能量数据进行修复，提高了异常电能量数据修复的准确度。
Description
技术领域
本发明属于电气工程和电能预测技术，具体涉及一种基于LSTM神经网络的电能量预测与修复方法。
背景技术
随着智能电网的全面建设，电网数据量呈爆炸式增长，电力用户对电量数据的质量要求相应提高。由于电能计量装置运行过程中，不可避免受到各种因素的影响，电网系统及其采集系统中会出现各种故障而产生异常的电能量数据，进而影响电网的安全稳定运行。因此，对各类异常数据进行及时修复是提高电量数据质量的重要措施。
目前市场上存在一些电能量预测模型，但由于需要考虑的电能量数据影响因素较多或步骤繁琐，对异常的电能量数据精度较低、灵活性较差。长短期记忆(Long-Short termmemory，LSTM)模型目前已经应用于时间序列预测等领域，但由于所需电能量数据量庞大，影响因素复杂，目前对于LSTM模型在电能量数据预测和修复方面的技术先进性和准确性有待提升。
发明内容
发明目的：为了提高异常电能量数据修复的准确性，本发明提供一种基于LSTM神经网络的电能量预测与修复方法。
技术方案：一种基于LSTM神经网络的电能量预测方法，包括如下步骤：
(1)获取电力系统电能量历史数据，并对历史数据进行标准化处理，并构造标准数据格式；
(2)建立线性堆叠式的LSTM电能预测模型，所述LSTM电能预测模型中包括堆叠的网络层和链接输入信息和隐藏状态的LSTM层、链接隐藏状态和输出信息的全连接层；
(3)通过基于LSTM预测模型对异常的正向有功总电量PAP和反向有功总电量RAP数据进行预测和修复。
进一步的，步骤(1)所述的历史数据包括电力系统运行异常数据和原始数据，所述的标准化处理包括归一化处理、时间序列转换和数据分割，标准格式表达式为[D,T,N]，其中D为样本数，T为时间步，N为特征变量数。
步骤(2)所述的LSTM电能预测模型中LSTM循环单元包括忘记门层、输入门层、更新门层和输出门层，所述忘记门层、输入门层、更新门层和输出门层之间相互交互。
更进一步的，所述的LSTM电能预测模型包含48个神经元，由交互的忘记门层、输入门层、更新门层和输出门层构成LSTM循环单元。
步骤(3)所述的LSTM预测模型包括计算平均绝对百分比MAPE值进行精度检验，其计算表达式如下：
其中，t1为电能量数据的实际值，t2为电能量数据的预测值，n为预测天数。
有益效果：与现有技术相比，本发明所构建的LSTM电能预测模型，通过多个网络层的线性堆叠，避免梯度消失，具有联想记忆的功能，提高了电能预测模型的准确度；另一方面，本发明所述方法能够自动识别非平稳数据中的趋势性和异方差性，同时适用于不同季节下不同电能的需求范围；最后，本发明所提供的LSTM电能模型的回看数据点数量是48个点。在数据量较小且不足48个数据点时，可以利用待预测数据的前6或12个点的数据作为预测函数所使用的数据集，输出得到的预测值作为新的数据集输入到下一次所使用的预测函数中去。这样动态的迭代预测，提高了电能量数据预测的灵活性。在数据量较为充足的情况下，可以直接利用要预测点的前48个点对该点进行预测。
附图说明
图1是本发明所述方法的流程示意图；
图2是本发明中对于异常电能数据处理流程图；
图3是本发明中LSTM电能预测模型中神经网络结构示意图；
图4是本发明中LSTM循环单元图。
具体实施方式
为了进一步的说明本发明所公开的技术方案，下面结合说明书附图及具体实施例做进一步的阐述。
本发明所提供的是一种基于LSTM神经网络的电能量预测与修复方法，应用基于LSTM神经网络的电能量预测方法，可以根据历史的电能量数据进行拟合和建模，对特定的异常电能量数据进行修复，提高异常电能量数据修复的准确度。如图1所示，本发明首先对电能量数据进行标准化，然后构造框架所规定的标准数据格式。再根据历史电能量数据集的时间、区域等特性划分训练数据和测试数据，定义和建立LSTM模型。利用LSTM模型对特定的异常电能量数据点进行预测，再计算预测值和实际值的误差从而衡量预测准确度，最后根据预测值修复异常的电能量数据点。所述方法的实施步骤如下：
(1)获取电力系统电能量历史数据，并对历史数据进行标准化处理，并构造标准数据格式；
(2)建立线性堆叠式的LSTM电能预测模型，所述LSTM电能预测模型中包括堆叠的网络层和链接输入信息和隐藏状态的LSTM层、链接隐藏状态和输出信息的全连接层；
(3)通过基于LSTM预测模型对异常的正向有功总电量PAP和反向有功总电量RAP数据进行预测和修复。
具体的，结合现有技术，本发明应用字在具体的电网过程中的实施例主要过程具体如下：
1、电能量数据的标准化
当输入的电能量数据序列分布并不标准，或者变化幅度即标准差过大时，会减慢网络学习和收敛的速度，阻碍网络的学习效率。为了尽可能地消除电能量数据中的异常值和噪音，从而更好的使用LSTM电能预测模型预测，需要对原始数据进行标准化。标准化电能量数据集涉及重新调整值的分布，以便观察值的平均值为0，标准差为1，可被认作是减去平均值或者使数据居中。将原始数据标准化可以将数据纳入[0,1]区间，便于模型的建立。
2、构造标准数据格式
在定义深度学习模型之前，需先按照需要的神经网络模型构造数据格式。LSTM电能预测模型模型要求输入的自变量数据按照[D,T,N]的三维格式来组织，其中D为样本数，T为时间步，N为特征变量数。即每一个样本对应着一个时间步，每一个时间步包含多个特征变量来构造。在本发明中，T设置为1，N＝L×B，其中B为后看时间步数，设置为60。因变量矩阵的维度则相应为[D,L]。其中D为样本数，L为前进时间步数，L设置为24。
3、定义和建立深度学习模型
本发明先加一个LSTM层作为输入信息和隐藏状态的桥梁，再加一个全连接层来链接隐藏状态和输出信息。
本发明将原始数据分成训练数据和验证数据，最后的验证测试数据连续且按月划分，长度为6～12的整数倍。其余的数据作为建立模型训练集的部分。
在对所建立的LSTM电能预测模型进行拟合时，需要确定适当的拟合迭代次数epochs和批量数verbose。经过测试，LSTM电能预测模型所采用的epochs为20次，verbose为1。
4、利用LSTM电能预测模型进行预测和精度检验
训练完毕后，将验证测试数据的前12个点进行标准化和构造数据格式，作为预测函数的输入，输出与剩余测试验证数据长度相同的预测数据，将输出与原数据进行精度检验。本发明在进行精度检验的时候使用的是平均绝对百分比MAPE值，按照公式下列计算。
其中t1为电能量数据的实际值，t2为电能量数据的预测值，n为预测天数。
5、根据预测值对异常点进行修复
在本发明中，得到预测值后，在一定的预测精度范围内，将异常的电能量数据值替换为预测值，实现异常电能量数据的修复。在对后面的数据进行预测时，应将含有修复后的电能量数据的时间序列作为预测模型的输入数据，以提高预测的精确度。
再者，异常电能量预测与修复技术是对验证为异常的电能量数据进行预估和修改。其规则是根据正常的电能量数据建立模型估算规则，对电能量数据异常值进行预测，最终对异常值进行修改。异常电能量数据修复分为2个阶段，流程图如图2所示。
在系统正常运行的情况下，用电量普遍呈周期性变化，在时间序列上表现为一定周期间隔后的观测点呈现一定的相似性。预估是针对验证后异常的电能量数据或遗漏的电能量数据正向有功总电量PAP和反向有功总电量RAP采用LSTM算法利用一定周期的历史数据对指定时间点的数据进行预测。修改是在获得一组预测的新电能量数据后，决定是否将这组新数据取代有问题的电能量数据。本发明提出的基于LSTM模型的电能量异常数据修复方法中，通过所建立的LSTM模型，根据异常电能量数据前一定量的正常历史数据对异常电能量数据正向有功总电量PAP和反向有功总电量RAP进行预测并替换，实现数据的修复，以保证电能量的数据的正确性。
本实施例中电能质量数据以及历史数据通过包含DG目标配电网中电力设备的监测系统获取，然后建立LSTM电能预测模型。
如图3所示，本发明所使用的LSTM模型包含48个的每个神经元中包含四个交互的层，如图2所示。分别为忘记门层、输入门层、更新门层以及输出门层，细胞状态在整个链上运行，只有少量的线性交互，避免了长期依赖的问题。将LSTM循环单元进一步展开如图4所示。
忘记门层决定将从细胞状态中扔掉哪些信息，它查看ht-1和xt并为细胞状态Ct-1的每个数字输出介于0和1之间的数字。1表示“完全保留这个”，而0表示“完全舍弃这个”,计算公式如下公式(1)所示。
其中，bf为该层的偏置向量；sigmoid函数σ的公式如(2)所示。
输入门层负责处理当前序列位置的输入，分为两个小的神经层。它决定将更新哪些值，首先sigmoid部分决定哪些信息需要更新，然后tanh层创建一个新的候选值向量Ct，可以添加到单元状态，从而成为备选的用来更新的内容。计算公式如(3)所示。
其中，bu为该层的偏置向量。
更新门层结合这二者来创建状态的更新，即新细胞状态＝旧细胞状态×忘记门结果+要更新的新信息。公式(4)用来与更新门乘得到要增加的信息。
其中，
为记忆状态，bc是该层的偏置向量。
最终该循环单元的c＜t＞，用来保存历史信息的输出，计算公式如(5)。
最后输出门层决定要输出的内容，这个输出将基于细胞状态，但是一个过滤版本。通过双曲线将单元格状态的值推到-1和1之间，并将其乘以S形门的输出，以便只输出决定的部分。
输出门层对神经网络训练的结果进行输出，该门用来计算，然后用来计算该单元输出的a＜t＞。计算公式如(6)和(7)所示。
其中，tanh是双曲正切函数，其计算公式如(8)所示。
LSTM神经网络的参数及其含义如表1所示。
表1 LSTM电能预测模型中其他参数含义及其设置
本发明提出了一种基于LSTM神经网络的电能量预测方法，运用LSTM电能预测模型，多个网络层的线性堆叠，避免梯度消失，具有联想记忆的功能，提高了预测模型的准确度；LSTM模型对噪声神经有较强的鲁棒性和容错能力，能充分逼近复杂的非线性关系，无需利用差分方法对季节性数据进行处理，而是自动发现非平稳数据中的趋势性和异方差性，提高了预测模型的准确度；LSTM层数和迭代次数可以根据实际的数据集进行灵活调整，提高了预测的灵活度。
LSTM电能预测模型中回看数据点数量是48个点。在数据量较小且不足48个数据点时，可以利用待预测数据的前6或12个点的数据作为预测函数所使用的数据集，输出得到的预测值作为新的数据集输入到下一次所使用的预测函数中去。这样动态的迭代预测，提高了电能量数据预测的灵活性。在数据量较为充足的情况下，可以直接利用要预测点的前48个点对该点进行预测。
Claims (5)
1.一种基于LSTM神经网络的电能量预测方法，其特征在于：包括如下步骤：
(1)获取电力系统电能量历史数据，并对历史数据进行标准化处理，并构造标准数据格式；
(2)建立线性堆叠式的LSTM电能预测模型，所述LSTM电能预测模型中包括堆叠的网络层和链接输入信息和隐藏状态的LSTM层、链接隐藏状态和输出信息的全连接层；
(3)通过基于LSTM预测模型对异常的正向有功总电量PAP和反向有功总电量RAP数据进行预测和修复。
2.根据权利要求1所述的基于LSTM神经网络的电能量预测方法，其特征在于：步骤(1)所述的历史数据包括电力系统运行异常数据和原始数据，所述的标准化处理包括归一化处理、时间序列转换和数据分割，标准格式为[D,T,N]，其中D为样本数，T为时间步，N为特征变量数。
3.根据权利要求1所述的基于LSTM神经网络的电能量预测方法，其特征在于：步骤(2)所述的LSTM电能预测模型中LSTM循环单元包括忘记门层、输入门层、更新门层和输出门层，所述忘记门层、输入门层、更新门层和输出门层之间相互交互。
4.根据权利要求1或3所述的基于LSTM神经网络的电能量预测方法，其特征在于：所述的LSTM电能预测模型包含48个神经元。
5.根据权利要求1所述的基于LSTM神经网络的电能量预测方法，其特征在于：步骤(3)所述的LSTM预测模型包括计算平均绝对百分比MAPE值进行精度检验，其计算表达式如下：
其中，t1为电能量数据的实际值，t2为电能量数据的预测值，n为预测天数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911093125.2A CN111061708A (zh) | 2019-11-11 | 2019-11-11 | 一种基于lstm神经网络的电能量预测与修复方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911093125.2A CN111061708A (zh) | 2019-11-11 | 2019-11-11 | 一种基于lstm神经网络的电能量预测与修复方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111061708A true CN111061708A (zh) | 2020-04-24 |
Family
ID=70298585
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911093125.2A Pending CN111061708A (zh) | 2019-11-11 | 2019-11-11 | 一种基于lstm神经网络的电能量预测与修复方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111061708A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113469346A (zh) * | 2021-08-31 | 2021-10-01 | 盛隆电气集团有限公司 | 一种预测短时区域用电情况监督方法及其装置 |
| CN117633528A (zh) * | 2023-11-21 | 2024-03-01 | 元始智能科技(南通)有限公司 | 一种基于小样本数据修复与增强的制造车间能耗预测技术 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101876A (zh) * | 2018-06-28 | 2018-12-28 | 东北电力大学 | 基于长短时记忆网络的人体行为识别方法 |
| 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
- 2019-11-11 CN CN201911093125.2A patent/CN111061708A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101876A (zh) * | 2018-06-28 | 2018-12-28 | 东北电力大学 | 基于长短时记忆网络的人体行为识别方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 杨学良等: "基于随机森林及时间序列模型的电能量异常数据检测及修复方法" * |
| 杨学良等: "基于随机森林及时间序列模型的电能量异常数据检测及修复方法", 《第三届智能电网会议论文集计算机工程与应用》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113469346A (zh) * | 2021-08-31 | 2021-10-01 | 盛隆电气集团有限公司 | 一种预测短时区域用电情况监督方法及其装置 |
| CN117633528A (zh) * | 2023-11-21 | 2024-03-01 | 元始智能科技(南通)有限公司 | 一种基于小样本数据修复与增强的制造车间能耗预测技术 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
| CN109842373B (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
| CN110245801A (zh) | 一种基于组合挖掘模型的电力负荷预测方法及系统 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN113702895B (zh) | 一种电压互感器误差状态在线定量评估方法 | |
| CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
| CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
| CN109088407B (zh) | 基于深度信念网络伪量测建模的配电网状态估计方法 | |
| CN104239982A (zh) | 一种基于时间序列和神经网络的建筑节假日能耗预测方法 | |
| CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
| Xie et al. | Residual life prediction of lithium-ion batteries based on data preprocessing and a priori knowledge-assisted CNN-LSTM | |
| CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN115907131B (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
| CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
| CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
| CN113868938A (zh) | 基于分位数回归的短期负荷概率密度预测方法、装置及系统 | |
| CN114583767B (zh) | 一种数据驱动的风电场调频响应特性建模方法及系统 | |
| CN110880044B (zh) | 一种基于马尔科夫链的负荷预测方法 | |
| CN116819423A (zh) | 关口电能计量装置运行状态异常检测方法及系统 | |
| CN111311026A (zh) | 一种顾及数据特征、模型和校正的径流非线性预测方法 | |
| CN114997566A (zh) | 考虑节点连通度损失的电网阻塞风险评估方法及系统 | |
| CN110991741A (zh) | 一种基于深度学习的断面约束概率预警方法及系统 | |
| CN110490378A (zh) | 基于云scada大数据的电网状态估计精度的计算方法 | |
| CN113988415A (zh) | 一种中长期电力负荷预测方法 |
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: 20200424 |