CN111461462A - 基于TrellisNet-LSTM的日负荷预测方法 - Google Patents
基于TrellisNet-LSTM的日负荷预测方法 Download PDFInfo
- Publication number
- CN111461462A CN111461462A CN202010360137.3A CN202010360137A CN111461462A CN 111461462 A CN111461462 A CN 111461462A CN 202010360137 A CN202010360137 A CN 202010360137A CN 111461462 A CN111461462 A CN 111461462A
- Authority
- CN
- China
- Prior art keywords
- day
- load
- data
- training
- stm
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000013213 extrapolation Methods 0.000 claims abstract description 4
- 230000002354 daily effect Effects 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine 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
- 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
- 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)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (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
本发明公开了一种基于TrellisNet‑LSTM的日负荷预测方法,包括如下步骤:采集负荷数据以及与负荷有关的特征数据;通过趋势外推法修正负荷坏数据;构造数据样本;建立TrellisNet‑LSTM神经网络预测模型,将训练日的日特征向量、训练日前一天的日特征向量及训练日前一天的日负荷向量作为输入,训练日的日负荷向量作为输出构成训练集数据,进行训练;将待预测日的日特征向量、待预测日前一天的日特征向量及待预测日前一天的负荷向量作为输入,用训练后的TrellisNet‑LSTM神经网络预测模型进行负荷预测,得到待预测日的负荷向量。本发明可以准确预测负荷,降低计算量且提高模型收敛速度。
Description
技术领域
本发明属于电力负荷预测领域,特别涉及一种基于TrellisNet-LSTM的日负荷预测方法。
背景技术
电力负荷预测是一个非线性的时间序列预测问题。影响电力负荷的主要因素有历史负荷数据,温度和星期类型,其中历史负荷数据和温度数据是具有时序关系的数据,但是像一些反向传播神经网络、灰色投影和随机森林算法、深度信念网络预测多核支持向量机算法还有专家系统法预测等问题在于缺少对时序数据时间相关性的考虑,需要人为添加时间特征来保证预测的结果。
对于序列建模,首先最容易想到的是循环神经网络,比如LSTM,GRU,虽然循环神经网络能够很自然的应用到序列建模,但是它的计算代价大,无法很好的并行;另一种思路是对CNN进行改进的针对序列的模型TCN。CMU和Intel的研究人员Shaojie Bai、J.ZicoKolter、VladlenKoltun在2018年提出了一种新的结构,称为trellisnetworks,一方面,这种结构与TCN有些类似,TrellisNet本质上是一种特殊的时序卷积网络,时序网络有两个重要的特征:a)因果卷积,满足因果性,即时刻t的结果只与t时刻之前的状态有关,不存在t时刻之后的信息泄露;b)逐层堆叠以逐渐增大感知野,建模长期依赖关系,这两个特性都可以在TrellisNet中得到满足。但是不同于TCN,TrellisNet有两个显著的不同:a)在所有层之间进行权值共享;b)输入序列作为每层输入的一部分,但是在权值共享机制和隐层状态计算过程上有所不同。另一方面,Shaojie Bai严格证明了这种结构与某种特殊的截断循环神经网络之间是等价的。这个发现的意义在于证明trellisnetwork同时吸取了两种结构的优势,可以某种程度上解释它的优越性能,并可以增加将TCN和RNN的一些改进融入到这个结构中,从而在多项序列建模问题上战胜了当前最先进的TCN、RNN、自注意力模型。
发明内容
发明目的:针对现有技术中存在的问题,本发明公开了一种基于TrellisNet-LSTM的日负荷预测方法,可以准确预测第二天的负荷,降低计算量且提高模型收敛速度。
技术方案:本发明采用如下技术方案:一种基于TrellisNet-LSTM的日负荷预测方法,其特征在于,包括如下步骤:
步骤A、采集负荷数据以及与负荷有关的特征数据;
步骤B、拟合负荷数据的变化曲线,通过趋势外推法估计负荷数据的预测值,修正负荷坏数据;
步骤C、将特征数据分别映射为不同的数值,并分别进行归一化处理,构造数据样本,并将数据样本分为训练样本和测试样本;
步骤D、建立TrellisNet-LSTM神经网络预测模型,将训练日的日特征向量、训练日前一天的日特征向量及训练日前一天的日负荷向量作为输入,训练日的日负荷向量作为输出构成训练集数据,对TrellisNet-LSTM神经网络预测模型进行训练;
步骤E、将待预测日的日特征向量、待预测日前一天的日特征向量及待预测日前一天的负荷向量作为输入,用不在D中训练好的TrellisNet-LSTM神经网络预测模型进行负荷预测,得到待预测日的的负荷向量。
优选的,所述步骤A中,特征数据包括日类型、最高气温、平均气温、相对湿度、风力和降水。
优选的,所述步骤A中,以15分钟为时间间隔,每天设置96个采样节点,在每个采样节点采集负荷数据以及特征数据。
优选的,所述步骤B中,负荷数据的预测值为W*(t2)=W(t1)+ΔW1
ΔW1=W(t1)-W(t0)
其中,t2为当前需要修正的时刻;t0和t1分别为t2前的两个时刻;W*(t2)表示t2时刻的预测负荷数据;W(t0)、W(t1)分别表示t0和t1时刻的负荷数据;
优选的,所述步骤C中,将周一至周日分别映射为1~7;将工作日与节假日分别映射为1和2;将晴、多云、阴、小雨和雪分别映射为1、0.9、0.8、0.7和0.2,中雨和阵雨映射为0.6,大雨和暴雨映射为0.5;将0~1级、1~2级、2~3级、3~4级和4~5级风分别映射为0.75、1.80、3.50、5.60和8.10。
优选的,所述步骤D中,日特征向量包括当天采集的所有特征数据经过归一化后的值。
优选的,所述步骤D中,当TrellisNet-LSTM神经网络预测模型训练至预设次数或输出的日负荷向量与训练日实际的日负荷向量的误差小于预设值时,TrellisNet-LSTM神经网络预测模型停止训练。
有益效果:本发明具有如下有益效果:
1、本发明公开了一种基于TrellisNet-LSTM的日负荷预测方法,可以准确预测第二天的负荷,降低计算量且提高模型收敛速度;
2、本发明采用了TrellisNet训练模型,与RNN和CNN都有紧密的联系,因此一些RNN和TCN的技巧都可以直接迁移过来使用,比如CNN的大卷积核,dilated convolution等;
3、本发明采用了TrellisNet训练模型,不仅表现优于当前最先进的基于自注意力机制的RMC模型(提升约4%),而且收敛速度比RMC要快很多:TrellisNet在22个epoch内收敛,而RMC需要90个epoch。
附图说明
图1为模型TrellisNet-LSTM神经网络单元结构;
图2为模型TrellisNet-LSTM神经网络序列平铺图;
图3为符合本发明优选预测方法的逻辑示意图;
图4为符合本发明优选预测方法的流程示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本发明公开了一种基于TrellisNet-LSTM的日负荷预测方法,如图3、图4所示,包括如下步骤:
步骤A、每天设置96个采样节点,时间间隔为15分钟,采集负荷数据以及其他的特征数据,特征包括:日类型、最高气温、平均气温、相对湿度、风力和降水。
过去几年时间,国家电网公司在经营范围内更换智能电表4.5亿只,安装数据采集终端超过4000万台,覆盖了超过99%的用电客户,通过数据采集终端,我们可以直接得到每一个变压器的实时数据,数据上传间隔15分钟,充分利用96个采样节点,对第二天进行预测。
步骤B、通过趋势外推法修正历史负荷坏数据:
根据负荷数据来拟合其变化曲线,然后根据该曲线推测出需要修正时刻对应的预测负荷数据。具体公式为:
W*(t2)=W(t1)+ΔW1
ΔW1=W(t1)-W(t0)
式中,t2为当前需要修正的时刻;t0和t1分别为t2前的两个时刻;W*(t2)表示t2时刻的预测负荷数据;W(t0)、W(t1)分别表示t0和t1时刻的负荷数据。
步骤C、构造数据样本:
用数字1~7表示周一至周日,将工作日与节假日分别用1和2表示,如作为工作日的周一则记为11,作为节假日的周一则记为12;
针对天气情况,将晴、多云、阴、小雨分别映射到1、0.9、0.8和0.7,中雨和阵雨映射到0.6,大雨和暴雨映射到0.5,雪映射到0.2;
针对风力情况,根据风力等级与风速标准对照表,将0~1级、1~2级、2~3级、3~4级和4~5级风分别映射到0.75、1.80、3.50、5.60和8.10。
构造数据样本xt=[a1,a2,…,ap],样本中包含采样节点t的负荷数据、日类型、最高气温、平均气温、相对湿度、风力和降水的特征数据,每个样本是一个1×P的矩阵,输入T个样本,即输入T×1×P的三维数据。
将归一化处理后的数据样本分为训练样本和测试样本,训练样本用于训练预测模型,测试样本用于检验预测模型。
步骤D、建立TrellisNet-LSTM神经网络预测模型,在训练样本中随机选择训练日,将训练日的日特征向量、训练日前一天的日特征向量及训练日前一天的日负荷向量作为输入,训练日的日负荷向量作为输出构成训练集数据,对TrellisNet-LSTM神经网络预测模型进行训练。
其中,日特征向量包括当天所有采样节点采集的特征序列,特征序列中包括当前采样节点采集的日类型、最高气温、平均气温、相对湿度、风力和降水经过归一化后的数据值,在本发明中,日特征向量包括96个特征序列;日负荷向量包括当天采集的96个负荷数据的归一化后的值。
如图1、图2所示,TrellisNet-LSTM神经网络的特征在于:输入一个时间步的特征长度为T的序列x1:T=x1,x2,…,xT,其中序列xt∈Rp,因此x1:T∈RT×p;表示第i层时刻t的隐层状态,它每一层的线性变换产生一个预激活特征其中,
这里省略了偏置,W1和W2是权值,它们的维度是r×(p+q);
由于每一层计算隐层状态级联了输入,这部分可以提前计算输入序列的线性变换:
对隐层状态序列进行卷积得到
其中,卷积核W∈Rr×q;TrellisNet便用LSTM的门控函数作为激活,在一个LSTM单元中有三个信息控制门和一个单元状态,在每个步骤中都使用门激活的结果进行更新,每个时间步长中的LSTM计算如下:
ft=σ(Wfxt+Ufht-1)
it=σ(Wixt+Uiht-1)
gt=σ(Wgxt+Ught-1)
ot=σ(Woxt+Uoht-1)
其中,ft、it、ot、gt分别是遗忘门、输入门、输出门和单元状态;○表示向量中元素按位相乘;σ表示sigmoid函数变化;Wf、Wi、Wg、Wo分别为遗忘门、输入门、输出门和单元状态与输入xt相乘的矩阵权重;Uf、Ui、Ug、Uo分别为遗忘门、输入门、输出门和单元状态与中间输出ht-1相乘的矩阵权重。
基于ct和ht的同步更新,隐藏单元21:T由两部分组成:z1:T,1通过门控激活(类似于LSTM单元状态)直接更新,而z1:T,2由参数卷积处理(类似于LSTM隐藏状态);
将所有训练样本带入TrellisNet-LSTM神经网络预测模型中训练,当训练至预设次数或模型输出的日负荷向量与训练日实际的日负荷向量的误差小于预设值时,训练结束,得到最终训练完成的TrellisNet-LSTM神经网络预测模型。
步骤E、在测试样本中随机选择待预测日,将待预测日的日特征向量、待预测日前一天的日特征向量及待预测日前一天的负荷向量作为输入,用步骤D中训练好的TrellisNet-LSTM神经网络预测模型进行待预测日的负荷预测。
以下为用该本发明方法进行实验的一个实施例:
数据集:江苏省某市2016年电力负荷数据和特征数据14万多条;
实验框架:基于Keras深度学习工具的Tensorflow框架;
实验工具集:Python开源工具箱;
评价标准:平均对百分比误差yMAPE、根均方误差yRMSE和预测精度yFA;
实验结果:随机对2016年5月21号进行预测,预测结果如下表1所示。
表1
通过该比较结果,可以发现本发明提出的TrellisNet-LSTM神经网络预测模型相对于其他模型来说,在预测结果的准确度、稳定性上可以获得非常好的效果。
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 (7)
1.一种基于TrellisNet-LSTM的日负荷预测方法,其特征在于,包括如下步骤:
步骤A、采集负荷数据以及与负荷有关的特征数据;
步骤B、拟合负荷数据的变化曲线,通过趋势外推法估计负荷数据的预测值,修正负荷坏数据;
步骤C、将特征数据分别映射为不同的数值,并分别进行归一化处理,构造数据样本,并将数据样本分为训练样本和测试样本;
步骤D、建立TrellisNet-LSTM神经网络预测模型,将训练日的日特征向量、训练日前一天的日特征向量及训练日前一天的日负荷向量作为输入,训练日的日负荷向量作为输出构成训练集数据,对TrellisNet-LSTM神经网络预测模型进行训练;
步骤E、将待预测日的日特征向量、待预测日前一天的日特征向量及待预测日前一天的负荷向量作为输入,用不在D中训练好的TrellisNet-LSTM神经网络预测模型进行负荷预测,得到待预测日的的负荷向量。
2.根据权利要求1所述的一种基于TrellisNet-LSTM的日负荷预测方法,其特征在于,所述步骤A中,特征数据包括日类型、最高气温、平均气温、相对湿度、风力和降水。
3.根据权利要求1所述的一种基于TrellisNet-LSTM的日负荷预测方法,其特征在于,所述步骤A中,以15分钟为时间间隔,每天设置96个采样节点,在每个采样节点采集负荷数据以及特征数据。
5.根据权利要求1所述的一种基于TrellisNet-LSTM的日负荷预测方法,其特征在于,所述步骤C中,将周一至周日分别映射为1~7;将工作日与节假日分别映射为1和2;将晴、多云、阴、小雨和雪分别映射为1、0.9、0.8、0.7和0.2,中雨和阵雨映射为0.6,大雨和暴雨映射为0.5;将0~1级、1~2级、2~3级、3~4级和4~5级风分别映射为0.75、1.80、3.50、5.60和8.10。
6.根据权利要求1所述的一种基于TrellisNet-LSTM的日负荷预测方法,其特征在于,所述步骤D中,日特征向量包括当天采集的所有特征数据经过归一化后的值。
7.根据权利要求1所述的一种基于TrellisNet-LSTM的日负荷预测方法,其特征在于,所述步骤D中,当TrellisNet-LSTM神经网络预测模型训练至预设次数或输出的日负荷向量与训练日实际的日负荷向量的误差小于预设值时,TrellisNet-LSTM神经网络预测模型停止训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010360137.3A CN111461462B (zh) | 2020-04-29 | 2020-04-29 | 基于TrellisNet-LSTM的日负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010360137.3A CN111461462B (zh) | 2020-04-29 | 2020-04-29 | 基于TrellisNet-LSTM的日负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461462A true CN111461462A (zh) | 2020-07-28 |
CN111461462B CN111461462B (zh) | 2023-11-21 |
Family
ID=71684786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010360137.3A Active CN111461462B (zh) | 2020-04-29 | 2020-04-29 | 基于TrellisNet-LSTM的日负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461462B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613641A (zh) * | 2020-12-07 | 2021-04-06 | 河北工业大学 | 一种基于特征分解的短期电负荷组合预测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831488A (zh) * | 2012-08-17 | 2012-12-19 | 华北电力大学 | 基于改进的灰色预测法的电力负荷预测方法 |
CN105825040A (zh) * | 2015-12-29 | 2016-08-03 | 海南电力技术研究院 | 短期电力负荷预测方法 |
CN106779179A (zh) * | 2016-11-28 | 2017-05-31 | 新奥泛能网络科技股份有限公司 | 一种空调机组的负荷预测方法及设备 |
CN107622329A (zh) * | 2017-09-22 | 2018-01-23 | 深圳市景程信息科技有限公司 | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 |
WO2018161723A1 (zh) * | 2017-03-08 | 2018-09-13 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测系统 |
CN108830487A (zh) * | 2018-06-21 | 2018-11-16 | 王芊霖 | 基于长短时神经网络的电力负荷预测方法 |
CN108985514A (zh) * | 2018-07-17 | 2018-12-11 | 广东工业大学 | 基于eemd和lstm的负荷预测方法、装置及设备 |
CN109934375A (zh) * | 2018-11-27 | 2019-06-25 | 电子科技大学中山学院 | 一种电力负荷预测方法 |
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 |
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 |
CN110991722A (zh) * | 2019-11-26 | 2020-04-10 | 广东电网有限责任公司 | 一种电力负荷预测方法 |
CN111489036A (zh) * | 2020-04-14 | 2020-08-04 | 天津相和电气科技有限公司 | 基于电器负荷特性和深度学习的居民负荷预测方法、装置 |
-
2020
- 2020-04-29 CN CN202010360137.3A patent/CN111461462B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831488A (zh) * | 2012-08-17 | 2012-12-19 | 华北电力大学 | 基于改进的灰色预测法的电力负荷预测方法 |
CN105825040A (zh) * | 2015-12-29 | 2016-08-03 | 海南电力技术研究院 | 短期电力负荷预测方法 |
CN106779179A (zh) * | 2016-11-28 | 2017-05-31 | 新奥泛能网络科技股份有限公司 | 一种空调机组的负荷预测方法及设备 |
WO2018161723A1 (zh) * | 2017-03-08 | 2018-09-13 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测系统 |
CN107622329A (zh) * | 2017-09-22 | 2018-01-23 | 深圳市景程信息科技有限公司 | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 |
CN108830487A (zh) * | 2018-06-21 | 2018-11-16 | 王芊霖 | 基于长短时神经网络的电力负荷预测方法 |
CN108985514A (zh) * | 2018-07-17 | 2018-12-11 | 广东工业大学 | 基于eemd和lstm的负荷预测方法、装置及设备 |
CN109934375A (zh) * | 2018-11-27 | 2019-06-25 | 电子科技大学中山学院 | 一种电力负荷预测方法 |
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 |
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 |
CN110991722A (zh) * | 2019-11-26 | 2020-04-10 | 广东电网有限责任公司 | 一种电力负荷预测方法 |
CN111489036A (zh) * | 2020-04-14 | 2020-08-04 | 天津相和电气科技有限公司 | 基于电器负荷特性和深度学习的居民负荷预测方法、装置 |
Non-Patent Citations (1)
Title |
---|
王金睿: "《基于电力市场的短期市场负荷预测研究与应用》", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613641A (zh) * | 2020-12-07 | 2021-04-06 | 河北工业大学 | 一种基于特征分解的短期电负荷组合预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111461462B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Day-ahead power forecasting in a large-scale photovoltaic plant based on weather classification using LSTM | |
CN111222698B (zh) | 面向物联网的基于长短时记忆网络的积水水位预测方法 | |
CN110298501B (zh) | 基于长短时记忆神经网络的电负荷预测方法 | |
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 | |
CN110348624B (zh) | 一种基于Stacking集成策略的沙尘暴等级预测方法 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN113205226B (zh) | 一种结合注意力机制以及误差修正的光伏功率预测方法 | |
CN112101669B (zh) | 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN110503251A (zh) | 一种基于Stacking算法的非节假日负荷预测方法 | |
Ashraf et al. | Artificial neural network based models for forecasting electricity generation of grid connected solar PV power plant | |
CN113537582B (zh) | 一种基于短波辐射修正的光伏功率超短期预测方法 | |
CN113516271A (zh) | 一种基于时空神经网络的风电集群功率日前预测方法 | |
CN114742283A (zh) | 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 | |
CN112215428A (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 | |
CN107977728A (zh) | 一种基于bp人工神经网络的中长期逐小时气温预测方法 | |
CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
CN116341613A (zh) | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 | |
He et al. | Similar day selecting based neural network model and its application in short-term load forecasting | |
CN104915727A (zh) | 多维度同构异质bp神经网络光功率超短期预测方法 | |
Meng et al. | A new PV generation power prediction model based on GA-BP neural network with artificial classification of history day | |
Zhang et al. | A deep learning based real-time load forecasting method in electricity spot market | |
CN111461462A (zh) | 基于TrellisNet-LSTM的日负荷预测方法 | |
CN115860797B (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
CN112734073A (zh) | 一种基于长短期记忆网络的光伏发电功率短期预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |