CN111105321A - 一种基于eemd二次分解的电力负荷预测方法 - Google Patents

一种基于eemd二次分解的电力负荷预测方法 Download PDF

Info

Publication number
CN111105321A
CN111105321A CN201911220767.4A CN201911220767A CN111105321A CN 111105321 A CN111105321 A CN 111105321A CN 201911220767 A CN201911220767 A CN 201911220767A CN 111105321 A CN111105321 A CN 111105321A
Authority
CN
China
Prior art keywords
sequence
subsequences
time
decomposition
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.)
Withdrawn
Application number
CN201911220767.4A
Other languages
English (en)
Inventor
谭貌
钟婷
苏永新
李辉
李帅虎
段斌
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.)
Xiangtan University
Original Assignee
Xiangtan University
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 Xiangtan University filed Critical Xiangtan University
Priority to CN201911220767.4A priority Critical patent/CN111105321A/zh
Publication of CN111105321A publication Critical patent/CN111105321A/zh
Withdrawn legal-status Critical Current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
    • 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
    • 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"

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

本发明公布了一种基于EEMD二次分解的电力负荷预测方法，包括以下步骤：构建负荷时间序列；数据预处理；进行一次信号分解；对高频信号进行二次信号分解；进行时间序列组合预测；负荷预测结果输出。本发明采用多层长短期记忆网络对电力负荷时间序列数据进行挖掘，通过信号分解方式将非平稳非线性原始时间序列转化为若干个子序列，并对分解出来的高频子序列进行二次分解，从而获取数据隐含的深层特征，有效提高了负荷预测的精度。

Description

一种基于EEMD二次分解的电力负荷预测方法
技术领域
本发明涉及电力负荷预测技术领域，特别涉及一种基于EEMD二次分解的电力负荷预测方法。
背景技术
电力负荷预测是实施电力系统供需平衡和运行优化的基础。利用电力市场政策，电力用户可以基于负荷预测对用电模式实施“削峰填谷”等调节措施，节约生产开销，实现不同紧急程度的负荷控制策略。事实上，短期或超短期负荷的预测对于电力系统运行优化具有重要意义，它是系统分配电量、预防性控制和紧急状态处理的基础。
对于一些集中型大电力用户，例如高耗能工业用户，其能源结构复杂且需求受多种因素影响，电力负荷往往呈现非平稳和非线性特征。经验模态分解(Empirical ModeDecomposition，EMD)是由美国的Huang等人于1998年提出的一种针对非线性、非平稳信号的自适应信号分解算法。虽然EMD在信号分析中有自适应的优势，但同时也存在无可避免的边缘效应和尺度混乱等问题。EEMD是对EMD的改进，它通过加入白噪声扰动进行集合平均，解决了EMD尺度混乱的问题。
EEMD分解后的子序列分为高频子序列、低频子序列和残差序列，其中低频子序列周期较长且有规律，易于训练学习，而高频子序列波动幅度较大且无规律，一般的神经网络也难以对其中的特征模式进行高效提取和学习。
发明内容
为了解决上述技术问题，本发明提供一种算法简单、预测精度高的基于EEMD二次分解的电力负荷预测方法。
本发明解决上述问题的技术方案是：一种基于EEMD二次分解的电力负荷预测方法，包括以下步骤：
步骤一，构建负荷时间序列：收集历史负荷数据构建时间序列；
步骤二，数据预处理：对时间序列中的数据进行归一化；
步骤三，一次信号分解：提取时间序列的信号特征，利用EEMD信号分解算法将原始时间序列分解成若干个固有模态函数子序列和残差序列，其中将固有模态函数子序列按频率分为高频子序列、低频子序列，即根据频率对子序列进行从大到小排序，前一半子序列为高频子序列，后一半子序列为低频子序列；
步骤四，二次信号分解：对步骤三中一次信号分解的高频子序列相加求和合成新的序列，归一化后利用EEMD信号分解算法对新的序列再次分解，得到分解后的若干个固有模态函数子序列和残差序列；
步骤五，进行时间序列组合预测：对步骤三中一次信号分解后的低频子序列和残差序列，以及步骤四中二次信号分解后的子序列分别进行时间序列预测，并对预测结果进行组合，将该结果作为最终预测结果。
上述基于EEMD二次分解的电力负荷预测方法，所述步骤二中数据归一化方法为：
Figure BDA0002300781180000021
其中
Figure BDA0002300781180000022
表示归一化的时刻i的负荷值，xi表示时刻i的负荷值，xmin和xmax分别表示时间序列中的最小负荷值和最大负荷值。
上述基于EEMD二次分解的电力负荷预测方法，所述步骤三和步骤四中EEMD信号分解算法的流程为：
1)在时间序列中加入给定振幅的噪声序列；
2)将加入噪声后的时间序列进行EMD分解得到该时间序列的固有模态函数子序列；
3)按设定迭代次数重复1)和2)操作；
4)将所有迭代次数中得到的固有模态函数子序列求集合平均，作为最终的固有模态函数子序列分解结果；
5)将原始时间序列减去所有最终的固有模态函数子序列之和，得到残差序列。
上述基于EEMD二次分解的电力负荷预测方法，所述步骤四中，二次信号分解具体步骤为：
4-1)对高频子序列进行求和，高频子序列之和为
Figure BDA0002300781180000031
其中imfi为一次信号分解得到的第i个高频子序列，h为一次信号分解得到的高频子序列个数；
4-2)对H归一化后再次进行EEMD分解，得到二次信号分解后的固有模态函数子序列集合IMF_HF和残差序列r_HF。
上述基于EEMD二次分解的电力负荷预测方法，所述步骤五中，进行时间序列预测的具体步骤为：
5-1)对于时间序列，选选定输入时间步长为n，输出时间步长为m，即用n个历史数据，预测未来m个数据，构造数据集形如{(Px,Qy)}，其中n通过探查性数据分析方法或暴力搜索方法在[m,4m]范围内迭代产生，m根据实际生产需求确定；
其中对于时刻t，Px＝{xt-n,xt-n+1,…,xt}，Qy＝{xt+1,xt+2,…,xt+m}，其中Px是用来预测的序列，Qy是预测真实值序列，作为模型的标签；
5-2)对每个子序列建立神经网络模型，利用神经网络模型对Px进行预测得到模型预测结果序列
Figure BDA0002300781180000046
5-3)对二次信号分解后得到的所有子序列imfp,p＝1,2,...,l，imf_HFj,j＝1,2,…,h2，r，r_HF预测结果进行求和，得到最终预测结果
Figure BDA0002300781180000041
其中imfp为一次信号分解得到的第p个低频子序列，l为一次信号分解后低频子序列个数，imf_HFj为IMF_HF中第j个子序列，h2为IMF_HF中子序列的个数，
Figure BDA0002300781180000042
是子序列imfp的预测结果，
Figure BDA0002300781180000043
是子序列imf_HFj的预测结果，
Figure BDA0002300781180000044
是一次信号分解后残差序列r的预测结果，
Figure BDA0002300781180000045
是残差序列r_HF的预测结果。
上述基于EEMD二次分解的电力负荷预测方法，所述步骤5-2)中神经网络模型结构为：
第一层为输入层；第一层为输入层；第二层和第四层为长短期记忆网络层；第三层和第五层为Dropout层；第六层为全连接层，最后一层为输出层。
本发明有益效果在于：本发明提供了一种基于EEMD二次分解的电力负荷预测方法，采用多层长短期记忆网络对电力负荷时间序列数据进行挖掘，首先利用EEMD分解，提取时间序列信号特征，然后通过对高频子序列的二次信号分解，进一步提高预测精度，最后通过对信号分解子序列组合预测，实现对短期负荷的高精度预测，具有良好短期负荷预测能力。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明的流程图。
图2为本发明的时间序列预测神经网络结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
实施例1
本实施例1提供了一种基于EEMD二次分解的电力负荷预测方法，其步骤如下：
步骤一，构建负荷时间序列：收集某大型工业用户2018年5月4日到2018年6月11日、2018年6月13日到2018年6月18日、2018年6月21日到2018年7月15日三个时间段电力负荷采样数据，其数据按30s间隔采集，构建时间序列。
步骤二，数据预处理：对空值进行剔除，数据进行绝对化取值，并对历史负荷数据进行归一化，公式为：
Figure BDA0002300781180000051
其中
Figure BDA0002300781180000052
表示归一化的时刻i的负荷值，xi表示时刻i的负荷值，xmin和xmax分别表示时间序列中的最小负荷值和最大负荷值。
步骤三，一次信号分解：在时间序列中加入振幅为0.05的高斯噪声序列，然后将加入噪声后的时间序列进行EMD分解得到该时间序列的固有模态函数子序列，设定迭代次数为100次，按迭代次数重复以上两项操作，最后将所有迭代次数中得到的固有模态函数子序列求集合平均，作为最终的固有模态函数子序列分解结果，共16个固有模态函数子序列，并将固有模态函数子序列按频率分为高频子序列、低频子序列，其中8个高频子序列，8个低频子序列。将原始时间序列减去所有最终的固有模态函数子序列之和，得到残差序列。
步骤四，二次信号分解：具体步骤为
4-1)对高频子序列进行求和，高频子序列之和
Figure BDA0002300781180000061
其中imfi为一次信号分解得到的第i个高频子序列，h为一次信号分解得到的高频子序列个数；
4-2)对H归一化后再次进行EEMD分解，得到二次信号分解后的固有模态函数子序列集合IMF_HF和残差序列r_HF。
在模型训练阶段，使用2018年5月4日到2018年6月11日、2018年6月13日到2018年6月18日、2018年6月21日到2018年7月14日三个时间段数据对模型进行训练；在模型预测阶段，使用2018年7月15日数据进行预测。
模型训练阶段和预测阶段均采用相同方法获得其相应的固有模特函数子序列和残差序列。
步骤五，进行时间序列组合预测：对每个子序列分别进行时间序列预测，并对预测结果进行组合，具体步骤为：
5-1)因为收集的历史负荷数据时间不全连续，在三个时间段之间有间隔，故对子序列做相应处理：对于时间序列，选定输入时间步长为10，输出时间步长为5，即用10个历史数据，预测未来5个数据，构造数据集形如{(Px,Qy)}，其中输入时间步长通过暴力搜索方法产生，输出时间步长根据实际生产需求确定；探查性数据分析方法为对已有的数据通过绘图、制表、计算特征量等手段探索数据间的关系，例如时间序列的周期性、自相关性等；暴力搜索方法对数据取值范围内的各个取值进行穷举搜索；其中对于时刻t,Px＝{xt-10,xt-10+1,…,xt}，Qy＝{xt+1,xt+2,…,xt+5}，其中Px是用来预测的数据集，Qy是预测真实值，作为模型的标签；
假设原数据集共N个点，为N×1大小矩阵。此时数据集为(N-n-m+1)×(n+m)大小矩阵。
每个时间段序列分别有107458、14747、43351个时间点，对每个时间段序列进行如上处理后拼接，得到165469×15大小矩阵。
其中2018年7月15日数据作为模型预测阶段使用数据，其他为模型训练阶段使用数据。
5-2)对每个子序列建立神经网络模型。建立基于长短期记忆网络的多层神经网络，其网络结构如图2。第一层为Input输入层，输入形为164602×15的矩阵；第二层和第四层为LSTM长短期记忆网络层，输出维度分别设置为50、100；第三层和第五层为Dropout层，设置需要断开的神经元的比例为0.2，第六层为Dense全连接层，最后为Output预测结果输出层，采用线性激活函数f(x)＝x，最后输出形为164602×5矩阵。模型采用Adam优化器，使用训练集中5％的数据做为验证集，验证集不参与训练。
5-3)对二次信号分解后得到的所有子序列imfp,p＝1,2,...,l，imf_HFj,j＝1,2,…,h2，r，r_HF预测结果进行求和，得到最终预测结果
Figure BDA0002300781180000071
其中imfp为一次信号分解得到的第p个低频子序列，l为一次信号分解后低频子序列个数，imf_HFj为IMF_HF中第j个子序列，h2为IMF_HF中子序列的个数，
Figure BDA0002300781180000072
是子序列imfp的预测结果，
Figure BDA0002300781180000073
是子序列imf_HFj的预测结果，
Figure BDA0002300781180000074
是一次信号分解后残差序列r的预测结果，
Figure BDA0002300781180000075
是残差序列r_HF的预测结果。
本发明方法实施例的使用2018年7月15日负荷数据预测结果指标统计，及其与经典时序预测模型结果的对比如表1所示。整体预测误差评估指标包括每个时间步长的MAPE和五个时间步长预测的平均NRMSE和MAE，其中MAPE为平均绝对百分误差，NRMSE为标准均方根误差，MAE为均方误差。
表1
Methods(U) MAPE-1(％) MAPE-2(％) MAPE-3(％) MAPE-4(％) MAPE-5(％) NRMSE MAE
SVR 3.885 4.005 4.365 4.851 5.387 6.489 4.132
DBN 4.525 4.994 5.513 6.075 6.613 7.999 5.156
Seq2Seq 2.225 2.940 3.676 4.395 5.050 5.165 3.348
LSTM 1.968 2.757 3.544 4.310 5.002 5.000 3.220
RFR 1.964 2.842 3.685 4.491 5.221 5.140 3.321
GBRT 1.953 2.739 3.539 4.272 4.944 4.922 3.176
XGBoost 1.934 2.813 3.627 4.379 5.046 5.024 3.245
本发明方法 1.054 1.178 1.418 1.702 2.043 2.055 1.338
以上结果表明本发明方法有效提高了负荷预测的精度。

Claims (6)

1.一种基于EEMD二次分解的电力负荷预测方法，其特征在于，包括以下步骤：
步骤一，构建负荷时间序列：收集历史负荷数据构建时间序列；
步骤二，数据预处理：对时间序列中的数据进行归一化；
步骤三，一次信号分解：提取时间序列的信号特征，利用EEMD信号分解算法将原始时间序列分解成若干个固有模态函数子序列和残差序列，其中将固有模态函数子序列按频率分为高频子序列、低频子序列，即根据频率对子序列进行从大到小排序，前一半子序列为高频子序列，后一半子序列为低频子序列；
步骤四，二次信号分解：对步骤三中一次信号分解的高频子序列相加求和合成新的序列，归一化后利用EEMD信号分解算法对新的序列再次分解，得到分解后的若干个固有模态函数子序列和残差序列；
步骤五，进行时间序列组合预测：对步骤三中一次信号分解后的低频子序列和残差序列，以及步骤四中二次信号分解后的子序列分别进行时间序列预测，并对预测结果进行组合，将该结果作为最终预测结果。
2.根据权利要求1所述的基于EEMD二次分解的电力负荷预测方法，其特征在于，所述步骤二中数据归一化方法为：
Figure FDA0002300781170000011
其中
Figure FDA0002300781170000012
表示归一化的时刻i的负荷值，xi表示时刻i的负荷值，xmin和xmax分别表示时间序列中的最小负荷值和最大负荷值。
3.根据权利要求2所述基于EEMD二次分解的电力负荷预测方法，其特征在于，所述步骤三和步骤四中EEMD信号分解算法的流程为：
1)在时间序列中加入给定振幅的噪声序列；
2)将加入噪声后的时间序列进行EMD分解得到该时间序列的固有模态函数子序列；
3)按设定迭代次数重复1)和2)操作；
4)将所有迭代次数中得到的固有模态函数子序列求集合平均，作为最终的固有模态函数子序列分解结果；
5)将原始时间序列减去所有最终的固有模态函数子序列之和，得到残差序列。
4.根据权利要求3所述的基于EEMD二次分解的电力负荷预测方法，其特征在于，所述步骤四中，二次信号分解具体步骤为：
4-1)对高频子序列进行求和，高频子序列之和为
Figure FDA0002300781170000021
其中imfi为一次信号分解得到的第i个高频子序列，h为一次信号分解得到的高频子序列个数；
4-2)对H归一化后再次进行EEMD分解，得到二次信号分解后的固有模态函数子序列集合IMF_HF和残差序列r_HF。
5.根据权利要求4所述的基于EEMD二次分解的电力负荷预测方法，其特征在于，所述步骤五中，进行时间序列预测的具体步骤为：
5-1)对于时间序列，选定输入时间步长为n，输出时间步长为m，即用n个历史数据，预测未来m个数据，构造数据集形如{(Px,Qy)}，其中n通过探查性数据分析方法或暴力搜索方法在[m,4m]范围内迭代产生，m根据实际生产需求确定；
其中对于时刻t，Px＝{xt-n,xt-n+1,…,xt}，Qy＝{xt+1,xt+2,…,xt+m}，其中Px是用来预测的序列，Qy是预测真实值序列，作为模型的标签；
5-2)对每个子序列建立神经网络模型，利用神经网络模型对Px进行预测得到模型预测结果序列
Figure FDA0002300781170000031
5-3)对二次信号分解后得到的所有子序列imfp,p＝1,2,...,l，imf_HFj,j＝1,2,…,h2，r，r_HF预测结果进行求和，得到最终预测结果
Figure FDA0002300781170000032
其中imfp为一次信号分解得到的第p个低频子序列，l为一次信号分解后低频子序列个数，imf_HFj为IMF_HF中第j个子序列，h2为IMF_HF中子序列的个数，
Figure FDA0002300781170000033
是子序列imfp的预测结果，
Figure FDA0002300781170000034
是子序列imf_HFj的预测结果，
Figure FDA0002300781170000035
是一次信号分解后残差序列r的预测结果，
Figure FDA0002300781170000036
是残差序列r_HF的预测结果。
6.根据权利要求5所述的基于EEMD二次分解的电力负荷预测方法，其特征在于，所述步骤5-2)中神经网络模型结构为：
第一层为输入层；第一层为输入层；第二层和第四层为长短期记忆网络层；第三层和第五层为Dropout层；第六层为全连接层，最后一层为输出层。
CN201911220767.4A 2019-12-03 2019-12-03 一种基于eemd二次分解的电力负荷预测方法 Withdrawn CN111105321A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911220767.4A CN111105321A (zh) 2019-12-03 2019-12-03 一种基于eemd二次分解的电力负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911220767.4A CN111105321A (zh) 2019-12-03 2019-12-03 一种基于eemd二次分解的电力负荷预测方法

Publications (1)

Publication Number Publication Date
CN111105321A true CN111105321A (zh) 2020-05-05

Family

ID=70420958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911220767.4A Withdrawn CN111105321A (zh) 2019-12-03 2019-12-03 一种基于eemd二次分解的电力负荷预测方法

Country Status (1)

Country Link
CN (1) CN111105321A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709585A (zh) * 2020-06-19 2020-09-25 国网上海市电力公司 一种空调负荷预测方法、装置及存储介质
CN111815065A (zh) * 2020-07-21 2020-10-23 东北大学 基于长短时记忆神经网络的短期电力负荷预测方法
CN112736902A (zh) * 2020-12-24 2021-04-30 国网山西省电力公司 一种基于stl分解的时间序列短期电力负荷预测方法
CN113675844A (zh) * 2021-08-05 2021-11-19 湘潭大学 一种多节点电力负荷预测方法
CN113673846A (zh) * 2021-08-05 2021-11-19 湘潭大学 一种电力物联网架构下的需量态势感知方法
CN116842444A (zh) * 2023-07-03 2023-10-03 海南大学 一种基于eemd-ceemdan结合lstm的混合时间序列数据预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105404939A (zh) * 2015-12-04 2016-03-16 河南许继仪表有限公司 一种短期电力负荷预测方法
CN109299430A (zh) * 2018-09-30 2019-02-01 淮阴工学院 基于两阶段分解与极限学习机的短期风速预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105404939A (zh) * 2015-12-04 2016-03-16 河南许继仪表有限公司 一种短期电力负荷预测方法
CN109299430A (zh) * 2018-09-30 2019-02-01 淮阴工学院 基于两阶段分解与极限学习机的短期风速预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘畅: "基于发电权竞争的机组定制化风电场有功功率控制方法" *
马留洋等: "基于经验模态分解和小波包分解的组合风电功率预测模型分析" *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709585A (zh) * 2020-06-19 2020-09-25 国网上海市电力公司 一种空调负荷预测方法、装置及存储介质
CN111815065A (zh) * 2020-07-21 2020-10-23 东北大学 基于长短时记忆神经网络的短期电力负荷预测方法
CN111815065B (zh) * 2020-07-21 2023-08-29 东北大学 基于长短时记忆神经网络的短期电力负荷预测方法
CN112736902A (zh) * 2020-12-24 2021-04-30 国网山西省电力公司 一种基于stl分解的时间序列短期电力负荷预测方法
CN112736902B (zh) * 2020-12-24 2023-04-04 国网山西省电力公司 一种基于stl分解的时间序列短期电力负荷预测方法
CN113675844A (zh) * 2021-08-05 2021-11-19 湘潭大学 一种多节点电力负荷预测方法
CN113673846A (zh) * 2021-08-05 2021-11-19 湘潭大学 一种电力物联网架构下的需量态势感知方法
CN113675844B (zh) * 2021-08-05 2022-09-27 湘潭大学 一种多节点电力负荷预测方法
CN113673846B (zh) * 2021-08-05 2023-09-12 湘潭大学 一种电力物联网架构下的需量态势感知方法
CN116842444A (zh) * 2023-07-03 2023-10-03 海南大学 一种基于eemd-ceemdan结合lstm的混合时间序列数据预测方法

Similar Documents

Publication Publication Date Title
CN111105321A (zh) 一种基于eemd二次分解的电力负荷预测方法
Qu et al. Multi-step wind speed forecasting based on a hybrid decomposition technique and an improved back-propagation neural network
Hu et al. Forecasting energy consumption and wind power generation using deep echo state network
Tian et al. Multi-step short-term wind speed prediction based on integrated multi-model fusion
Wang et al. Techniques of applying wavelet de-noising into a combined model for short-term load forecasting
CN112949945A (zh) 一种改进双向长短期记忆网络的风电功率超短期预测方法
CN110309603A (zh) 一种基于风速特性的短期风速预测方法及系统
CN111027775A (zh) 基于长短期记忆网络的梯级水电站发电量预测方法
Pham et al. A novel short-term load forecasting method by combining the deep learning with singular spectrum analysis
CN109242212A (zh) 一种基于变模式分解与长短记忆网络的风电预测方法
CN112668611B (zh) 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法
Wang et al. Wind speed forecasting based on hybrid model with model selection and wind energy conversion
CN109559154A (zh) 基于Johnson-Copula模型的电力需求总量相关因素分析系统及方法
Fu et al. Multi-step-ahead significant wave height prediction using a hybrid model based on an innovative two-layer decomposition framework and LSTM
CN116757465A (zh) 一种基于双训练权重分配模型的线路风险评估方法及装置
Wang et al. A hybrid intelligent framework for forecasting short-term hourly wind speed based on machine learning
Zhan et al. Reliable long-term energy load trend prediction model for smart grid using hierarchical decomposition self-attention network
Li et al. Short-term wind power prediction based on modal reconstruction and CNN-BiLSTM
Liu et al. A hybrid deep learning model based on parallel architecture TCN-LSTM with Savitzky-Golay filter for wind power prediction
Sun et al. Short-term power load prediction based on VMD-SG-LSTM
CN110516792A (zh) 基于小波分解和浅层神经网络的非平稳时间序列预测方法
CN114021432A (zh) 一种应力腐蚀开裂裂纹扩展速率预测方法及系统
Xu et al. A novel hybrid wind speed interval prediction model based on mode decomposition and gated recursive neural network
Zhou et al. A two-stage method for ultra-short-term pv power forecasting based on data-driven
CN113537556A (zh) 一种基于状态频率记忆网络的家庭短期负荷预测方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200505