CN111325413B - 基于神经网络和比例系数法的短期负荷区间预测方法 - Google Patents

基于神经网络和比例系数法的短期负荷区间预测方法 Download PDF

Info

Publication number
CN111325413B
CN111325413B CN202010205690.XA CN202010205690A CN111325413B CN 111325413 B CN111325413 B CN 111325413B CN 202010205690 A CN202010205690 A CN 202010205690A CN 111325413 B CN111325413 B CN 111325413B
Authority
CN
China
Prior art keywords
prediction
neural network
interval
data
predicting
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.)
Active
Application number
CN202010205690.XA
Other languages
English (en)
Other versions
CN111325413A (zh
Inventor
李昌海
滕云龙
黄琦
刘影
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010205690.XA priority Critical patent/CN111325413B/zh
Publication of CN111325413A publication Critical patent/CN111325413A/zh
Application granted granted Critical
Publication of CN111325413B publication Critical patent/CN111325413B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (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)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于神经网络和比例系数法的短期负荷区间预测方法，包括以下步骤：S1、获取待预测地区的电力负荷数据以及温度、天气数据信息；S2、将获得的数据分成三组，分别用于训练、验证和预测；S3、用训练集数据训练神经网络；S4、利用神经网络模型对验证集进行预测；S5、建立最优化方程，并利用PSO算法去获取最优的比例系数a和b；S6、用神经网络对预测集进行预测，将得到的预测结果结合最优比例系数a和b构建负荷预测区间。本发明依赖神经网络点预测的结果，结合比例系数法和粒子群优化算法获取的最优的比例系数进行预测区间的构建，没有对数据分布做任何假设，不需要计算复杂的矩阵，比传统的区间预测方法更快速、更可靠。

Description

基于神经网络和比例系数法的短期负荷区间预测方法
技术领域
本发明属于电力系统负荷预测技术领域，特别涉及一种基于神经网络和比例系数法的短期负荷区间预测方法。
背景技术
短期电力负荷预测(Short-term Load Forecasting，STLF)是电力系统规划和运行决策的重要依据。准确的负荷预测不但为电力系统的安全、经济运行提供了保障，也为市场环境下编排调度计划、供电计划、交易计划提供了基础；同时，准确的负荷预测可以降低发电成本，提高经济效益。随着电力系统的发展和分布式能源的增多，电力系统的不确定性也显著增加，使得准确的负荷预测变得更加困难。由于传统的负荷点预测方法不能很好地处理电力系统运行中的不确定性，因此建立负荷的区间预测方法显得尤为重要。
关于处理负荷预测中不确定性的问题，目前有多种构建预测区间(PredictionIntervals，PIs)的方法，如Delta方法、Bayesian方法和Bootstrap方法等，但这些方法都有其自身的局限性。例如，Delta方法假设噪声分布为正态分布；Bayesian方法的计算量大，需要计算代价函数的海森矩阵；Bootstrap方法虽然可以快速地构建预测区间，但它的缺点是需要计算大型数据集。
发明内容
本发明的目的在于克服现有技术的不足，提供一种依赖神经网络点预测的结果，结合比例系数法和粒子群优化算法获取的最优的比例系数进行预测区间的构建短期负荷区间预测方法，本发明提出的方法没有对数据分布做任何假设，不需要计算复杂的矩阵，比传统的区间预测方法更简单、更快速、更可靠。
本发明的目的是通过以下技术方案来实现的：基于神经网络和比例系数法的短期负荷区间预测方法，包括以下步骤：
S1、获取待预测地区的电力负荷数据以及温度、天气数据信息；
S2、将获得的数据分成三组，分别用于训练、验证和预测；并将用于训练和验证的数据进行归一化处理；
S3、构建神经网络预测模型，并用训练集的数据去训练神经网络；
S4、利用训练好的神经网络模型对验证集进行预测，得到验证集的点预测结果；
S5、利用验证集的点预测结果，结合比例系数法和评价指标来建立最优化方程，并利用PSO算法去获取最优的比例系数a和b；
S6、用训练好的神经网络对预测集进行预测，将得到的预测结果结合最优比例系数a和b构建负荷预测区间。
进一步地，所述步骤S1中获取的温度、天气数据信息包括每日最高气温、最低气温、平均气温、相对湿度、降雨量和日期类型。
进一步地，所述步骤S2中，电力负荷数据、最高气温、最低气温、平均气温和相对湿度的归一化公式如下：
Figure BDA0002420974520000021
其中，Pmax为输入数据最大值，Pmin为输入数据最小值；Tmax为目标数据最大值，Tmin为目标数据最小值；Pn为经过归一化处理后的输入矩阵，Tn为经过归一化处理后的目标矩阵；P为输入训练的样本矩阵，T为目标的样本矩阵；
降雨量归一化公式如下：
Figure BDA0002420974520000022
其中，R为降雨量，Rn为归一化后的降雨量；
日期类型的归一化方法如下：
Figure BDA0002420974520000023
其中，D为日期类型；Rn为归一化后的日期类型。
进一步地，所述步骤S3中构建的神经网络预测模型输入层节点包括输入的负荷点、最高气温、最低气温、平均气温、相对湿度、降雨量和日期类型；输出层节点数为负荷点数量；根据经验公式
Figure BDA0002420974520000024
确定隐含层节点数，其中，m为隐含层节点数，n为输入层节点数，l为输出层节点数，α为1～10之间的常数；然后采用自适应BP算法训练神经网络。
进一步地，所述步骤S4中，通过神经网络模型对验证集进行预测得到的结果还需要进行反归一化处理，反归一化公式如下：
Figure BDA0002420974520000025
其中，Yn为神经网络预测得出的结果；
Figure BDA0002420974520000031
为最终的反归一化预测结果。
进一步地，所述步骤S5具体实现方法为：
区间预测的评价指标包括区间覆盖率PICP、平均区间宽度PIMWP和简化的区间满意度指标PISI；
区间覆盖率PICP的计算方法为：
Figure BDA0002420974520000032
其中，当构建的预测区间包含目标值时，ci＝1；当预测区间不包含目标值时，ci＝0；N为观测数量；
平均区间宽度PIMWP计算方法为：
Figure BDA0002420974520000033
其中，U(xi)和L(xi)分别为构建的预测区间的上界和下界；ti为第i个目标值，xi为神经网络得到的点预测结果；
简化的区间满意度指标PISI计算方法为：
PISI＝[1-PIMWP(1+e-η(PICP-μ))]×100％
其中，μ和η是用户自定义的参数，μ一般为置信水平(1-α)，η一般设置为50到100之间的值；
比例系数法定义：比例系数法是根据神经网络的输出结果，分别对预测结果放大a倍和缩小b倍，从而得到预测区间的上下界；具体计算公式为：
Figure BDA0002420974520000034
其中，yi为神经网络的预测输出；
利用PSO算法求解以下最优化问题，确定最优的a和b：
Figure BDA0002420974520000035
其中，amin、amax分别为预设的放大倍数a的最小值和最大值，bmin、bmax分别为预设的缩小倍数b的最小值和最大值。
进一步地，所述步骤S6具体实现方法为：利用神经网络的预测结果和步骤S5中最优比例系数a和b，通过公式
Figure BDA0002420974520000041
去构建负荷预测区间，其中，yi预测集数据，xi为神经网络得到的点预测结果。
本发明的有益效果是：本发明提出的基于神经网络和比例系数法的短期负荷区间预测方法，主要是依赖神经网络点预测的结果，结合比例系数法和粒子群优化算法(Particle Swarm Optimization，PSO)获取的最优的比例系数进行预测区间的构建。本发明提出的方法既解决了点预测方法不能处理负荷预测中不确定性的问题，又解决了传统区间预测方法存在的计算量大等问题。所提出的方法没有对数据分布做任何假设，不需要计算复杂的矩阵，比传统的区间预测方法更简单、更快速、更可靠。
附图说明
图1为本发明的基于神经网络和比例系数法的短期负荷区间预测方法的流程图；
图2为本实施例中神经网络对8月22日的点预测结果图；
图3为本实施例中神经网络对8月23日的点预测结果图；
图4为本实施例中构建的8月23日的负荷预测区间图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
如图1所示，本发明的一种基于神经网络和比例系数法的短期负荷区间预测方法，包括以下步骤：
S1、获取待预测地区的电力负荷数据以及温度、天气数据信息；获取的温度、天气数据信息包括每日最高气温、最低气温、平均气温、相对湿度、降雨量和日期类型。在本实施例中，选取某一地区8月1日至23日的电力负荷数据和相关的温度、天气等数据信息，其中电力负荷数据的采样间隔为15分钟，一天96个负荷点。
S2、将获得的数据分成三组，分别用于训练、验证和预测；并将用于训练和验证的数据进行归一化处理；电力负荷数据、最高气温、最低气温、平均气温和相对湿度的归一化公式如下：
Figure BDA0002420974520000042
其中，Pmax为输入数据最大值，Pmin为输入数据最小值；Tmax为目标数据最大值，Tmin为目标数据最小值；Pn为经过归一化处理后的输入矩阵，Tn为经过归一化处理后的目标矩阵；P为输入训练的样本矩阵，T为目标的样本矩阵；
降雨量归一化公式如下：
Figure BDA0002420974520000051
其中，R为降雨量，Rn为归一化后的降雨量；
日期类型的归一化方法如下：
Figure BDA0002420974520000052
其中，D为日期类型；Rn为归一化后的日期类型。
在本实施例中，将8月1日至22日的数据进行归一化处理；将8月1日至21日的数据用于神经网络的训练；利用8月21日的数据去预测8月22日的电力数据，用于获取最优的比例系数；利用8月22日的数据去预测8月23的电力数据，用于构建负荷预测区间。
S3、构建神经网络预测模型，并用训练集的数据去训练神经网络；本步骤构建的神经网络预测模型输入层节点包括输入的负荷点、最高气温、最低气温、平均气温、相对湿度、降雨量和日期类型；输出层节点数为负荷点数量；根据经验公式
Figure BDA0002420974520000053
确定隐含层节点数，其中，m为隐含层节点数，n为输入层节点数，l为输出层节点数，α为1～10之间的常数；然后采用自适应BP算法训练神经网络。在本实施例中，构建的神经网络预测模型输入层节点数为102个，包括输入的96个负荷点、最高气温、最低气温、平均气温、相对湿度、降雨量和日期类型；输出层节点数为96个，即神经网络预测输出的96个负荷点；根据数据特征和输入输出层节点数，确定隐含层节点数为24个；神经网络的训练算法选用自适应BP算法。将8月1日到21日的数据作为训练数据，利用前一天的数据去预测后一天的电力数据，得到训练好的神经网络模型。
S4、利用训练好的神经网络模型对验证集进行预测，得到验证集的点预测结果；通过神经网络模型对验证集进行预测得到的结果还需要进行反归一化处理，反归一化公式如下：
Figure BDA0002420974520000054
其中，Yn为神经网络预测得出的结果；
Figure BDA0002420974520000055
为最终的反归一化预测结果。
在本实施例中，利用8月21日的数据去预测8月22日的电力数据。图2为8月22日的点预测结果图。
S5、利用验证集的点预测结果，结合比例系数法和评价指标来建立最优化方程，并利用PSO算法去获取最优的比例系数a和b；具体实现方法为：
区间预测的评价指标包括区间覆盖率PICP、平均区间宽度PIMWP和简化的区间满意度指标PISI；
区间覆盖率PICP的计算方法为：
Figure BDA0002420974520000061
其中，当构建的预测区间包含目标值时，ci＝1；当预测区间不包含目标值时，ci＝0；N为观测数量；
平均区间宽度PIMWP计算方法为：
Figure BDA0002420974520000062
其中，U(xi)和L(xi)分别为构建的预测区间的上界和下界；ti为第i个目标值，xi为神经网络得到的点预测结果；
简化的区间满意度指标PISI计算方法为：
PISI＝[1-PIMWP(1+e-η(PICP-μ))]×100％ (7)
其中，μ和η是用户自定义的参数，μ一般为置信水平(1-α)，η一般设置为50到100之间的值；
比例系数法定义：比例系数法是根据神经网络的输出结果，分别对预测结果放大a倍和缩小b倍，从而得到预测区间的上下界；具体计算公式为：
Figure BDA0002420974520000063
其中，yi为神经网络的预测输出；
在本实施例中，利用8月22日的点预测结果，结合公式(5)、(6)、(7)和(8)建立最优化方程(9)；再利用PSO算法求解以下最优化问题，确定最优的a和b：
Figure BDA0002420974520000071
其中，amin、amax分别为预设的放大倍数a的最小值和最大值，bmin、bmax分别为预设的缩小倍数b的最小值和最大值。
S6、用训练好的神经网络对预测集进行预测，将得到的预测结果结合最优比例系数a和b构建负荷预测区间。具体实现方法为：利用神经网络的预测结果和步骤S5中最优比例系数a和b，通过公式
Figure BDA0002420974520000072
去构建负荷预测区间，其中，yi预测集数据，xi为神经网络得到的点预测结果。在本实施例中，利用8月22日的数据去预测8月23日的电力数据，得到8月23日的点预测结果如图3所示；然后利用得到的点预测结果结合步骤S5中得到的最优的比例系数a和b去构建预测集的负荷预测区间，图4为本发明方法构建的8月23日的负荷预测区间图。图4说明构建的负荷预测区间能够很好地覆盖目标值，说明了本发明方法的实用性。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (6)

1.基于神经网络和比例系数法的短期负荷区间预测方法，其特征在于，包括以下步骤：
S1、获取待预测地区的电力负荷数据以及温度、天气数据信息；
S2、将获得的数据分成三组，分别用于训练、验证和预测；并将用于训练和验证的数据进行归一化处理；
S3、构建神经网络预测模型，并用训练集的数据去训练神经网络；
S4、利用训练好的神经网络模型对验证集进行预测，得到验证集的点预测结果；
S5、利用验证集的点预测结果，结合比例系数法和评价指标来建立最优化方程，并利用PSO算法去获取最优的比例系数a和b；具体实现方法为：
区间预测的评价指标包括区间覆盖率PICP、平均区间宽度PIMWP和简化的区间满意度指标PISI；
区间覆盖率PICP的计算方法为：
Figure FDA0003509666380000011
其中，当构建的预测区间包含目标值时，ci＝1；当预测区间不包含目标值时，ci＝0；N为观测数量；
平均区间宽度PIMWP计算方法为：
Figure FDA0003509666380000012
其中，U(xi)和L(xi)分别为构建的预测区间的上界和下界；ti为第i个目标值，xi为神经网络得到的点预测结果；
简化的区间满意度指标PISI计算方法为：
Figure FDA0003509666380000013
其中，μ和η是用户自定义的参数；
比例系数法定义：比例系数法是根据神经网络的输出结果，分别对预测结果放大a倍和缩小b倍，从而得到预测区间的上下界；具体计算公式为：
Figure FDA0003509666380000014
其中，yi为神经网络的预测输出；
利用PSO算法求解以下最优化问题，确定最优的a和b：
Figure FDA0003509666380000021
其中，amin、amax分别为预设的放大倍数a的最小值和最大值，bmin、bmax分别为预设的缩小倍数b的最小值和最大值；
S6、用训练好的神经网络对预测集进行预测，将得到的预测结果结合最优比例系数a和b构建负荷预测区间。
2.根据权利要求1所述的基于神经网络和比例系数法的短期负荷区间预测方法，其特征在于，所述步骤S1中获取的温度、天气数据信息包括每日最高气温、最低气温、平均气温、相对湿度、降雨量和日期类型。
3.根据权利要求2所述的基于神经网络和比例系数法的短期负荷区间预测方法，其特征在于，所述步骤S1中，电力负荷数据、最高气温、最低气温、平均气温和相对湿度的归一化公式如下：
Figure FDA0003509666380000022
其中，Pmax为输入数据最大值，Pmin为输入数据最小值；Tmax为目标数据最大值，Tmin为目标数据最小值；Pn为经过归一化处理后的输入矩阵，Tn为经过归一化处理后的目标矩阵；P为输入训练的样本矩阵，T为目标的样本矩阵；
降雨量归一化公式如下：
Figure FDA0003509666380000023
其中，R为降雨量，Rn为归一化后的降雨量；
日期类型的归一化方法如下：
Figure FDA0003509666380000024
其中，D为日期类型；Rn为归一化后的日期类型。
4.根据权利要求1所述的基于神经网络和比例系数法的短期负荷区间预测方法，其特征在于，所述步骤S3中构建的神经网络预测模型的输入层节点包括输入的负荷点、最高气温、最低气温、平均气温、相对湿度、降雨量和日期类型；输出层节点数为负荷点数量；根据经验公式
Figure FDA0003509666380000031
确定隐含层节点数，其中，m为隐含层节点数，n为输入层节点数，l为输出层节点数，α为1～10之间的常数；然后采用自适应BP算法训练神经网络。
5.根据权利要求1所述的基于神经网络和比例系数法的短期负荷区间预测方法，其特征在于，所述步骤S4中，利用训练好的神经网络模型对验证集进行预测，得到验证集的点预测结果还需要进行反归一化处理，反归一化公式如下：
Figure FDA0003509666380000032
其中，Yn为神经网络预测得出的结果；
Figure FDA0003509666380000033
为最终的反归一化预测结果。
6.根据权利要求1所述的基于神经网络和比例系数法的短期负荷区间预测方法，其特征在于，所述步骤S6具体实现方法为：利用神经网络的预测结果和步骤S5中最优比例系数a和b，通过公式
Figure FDA0003509666380000034
去构建负荷预测区间，其中，yi预测集数据，xi为神经网络得到的点预测结果。
CN202010205690.XA 2020-03-23 2020-03-23 基于神经网络和比例系数法的短期负荷区间预测方法 Active CN111325413B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010205690.XA CN111325413B (zh) 2020-03-23 2020-03-23 基于神经网络和比例系数法的短期负荷区间预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010205690.XA CN111325413B (zh) 2020-03-23 2020-03-23 基于神经网络和比例系数法的短期负荷区间预测方法

Publications (2)

Publication Number Publication Date
CN111325413A CN111325413A (zh) 2020-06-23
CN111325413B true CN111325413B (zh) 2022-04-01

Family

ID=71163997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010205690.XA Active CN111325413B (zh) 2020-03-23 2020-03-23 基于神经网络和比例系数法的短期负荷区间预测方法

Country Status (1)

Country Link
CN (1) CN111325413B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593718A (zh) * 2013-11-26 2014-02-19 国家电网公司 一种负荷组合预测方法及装置
CN109309382A (zh) * 2018-09-13 2019-02-05 广东工业大学 一种短期电力负荷预测方法
CN110263866A (zh) * 2019-06-24 2019-09-20 苏州智睿新能信息科技有限公司 一种基于深度学习的电力用户负荷区间预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180253644A1 (en) * 2017-03-01 2018-09-06 Brite Things, Inc. Identifying electrical devices using artificial neural networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593718A (zh) * 2013-11-26 2014-02-19 国家电网公司 一种负荷组合预测方法及装置
CN109309382A (zh) * 2018-09-13 2019-02-05 广东工业大学 一种短期电力负荷预测方法
CN110263866A (zh) * 2019-06-24 2019-09-20 苏州智睿新能信息科技有限公司 一种基于深度学习的电力用户负荷区间预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于EEMD-GRU-MLR 的短期电力负荷预测";邓带雨 等;《电网技术》;20200229;第44卷(第2期);第593-602页 *

Also Published As

Publication number Publication date
CN111325413A (zh) 2020-06-23

Similar Documents

Publication Publication Date Title
Liu et al. Prediction of short-term PV power output and uncertainty analysis
Wei et al. Daily natural gas consumption forecasting via the application of a novel hybrid model
Kwon et al. Short-term load forecasting based on deep neural networks using LSTM layer
CN110705743B (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
CN108830487A (zh) 基于长短时神经网络的电力负荷预测方法
Jiang et al. Day-ahead price forecasting for electricity market using long-short term memory recurrent neural network
Xia et al. Short, medium and long term load forecasting model and virtual load forecaster based on radial basis function neural networks
Zhang et al. Application of SVR with chaotic GASA algorithm in cyclic electric load forecasting
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
Shayesteh et al. Multi-station equivalents for short-term hydropower scheduling
CN112488396A (zh) 基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法
CN110033134A (zh) 一种考虑气象因素的逐日分段短期负荷预测算法
Ajitha et al. Design and development of Residential Sector Load Prediction model during COVID-19 Pandemic using LSTM based RNN
CN115222106A (zh) 一种自适应模型的用户日前负荷预测方法
CN116526473A (zh) 基于粒子群优化lstm的电热负荷预测方法
Luthuli et al. Short term load forecasting using artificial intelligence
CN112613637A (zh) 充电负荷的处理方法和装置
Panahi et al. Prediction of groundwater level fluctuations under climate change based on machine learning algorithms in the Mashhad aquifer, Iran
Kareem et al. Removing seasonal effect on city based daily electricity load forecasting with linear regression
Taieb et al. Probabilistic time series forecasting with boosted additive models: an application to smart meter data
CN113112085A (zh) 一种基于bp神经网络的新能源场站发电负荷预测方法
CN111325413B (zh) 基于神经网络和比例系数法的短期负荷区间预测方法
CN110489893B (zh) 一种基于可变权值的母线负荷预测方法及系统
Suh et al. A water demand forecasting model using BPNN for residential building
CN113505913B (zh) 面向水生群落系统稳定性的水库优化调度决策方法和装置

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
GR01 Patent grant
GR01 Patent grant