CN111523807B - 一种基于时间序列和神经网络的电能替代潜力分析方法 - Google Patents
一种基于时间序列和神经网络的电能替代潜力分析方法 Download PDFInfo
- Publication number
- CN111523807B CN111523807B CN202010331963.5A CN202010331963A CN111523807B CN 111523807 B CN111523807 B CN 111523807B CN 202010331963 A CN202010331963 A CN 202010331963A CN 111523807 B CN111523807 B CN 111523807B
- Authority
- CN
- China
- Prior art keywords
- electric energy
- neural network
- sequence
- substitution
- energy substitution
- 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
Links
- 238000006467 substitution reaction Methods 0.000 title claims abstract description 78
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 48
- 238000004458 analytical method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 69
- 230000008569 process Effects 0.000 claims description 33
- 238000009499 grossing Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 16
- 238000009825 accumulation Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 5
- 238000012804 iterative process Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 abstract description 3
- 238000011002 quantification Methods 0.000 abstract description 3
- 238000010248 power generation Methods 0.000 abstract 1
- 230000009466 transformation Effects 0.000 abstract 1
- 238000005265 energy consumption Methods 0.000 description 16
- 210000002569 neuron Anatomy 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (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时间序列和神经网络的电能替代潜力分析方法,属于发电、变电或配电的技术领域。本发明包括以下步骤:1)建立电能替代潜力的量化模型,利用电能替代量对电能替代潜力进行量化;2)建立时间序列模型和神经网络电能替代量预测模型,对电能替代量进行预测。本发所提出的方法实现了对累计电能替代量的高精度预测,对支持电能替代的潜力分析具有一定的指导意义,为电能替代的发展提供参考。
Description
技术领域
本发明公开了一种基于时间序列和神经网络的电能替代潜力分析方法,涉及电能替代分析技术,属于计算、推算或计数的技术领域。
背景技术
随着社会的不断发展,能源的消耗不断地加剧。一些化石燃料消耗的同时所产生的污染对我们的生存环境也提出了很大的挑战。电能是二次能源,具有清洁、安全、高效、便捷等优势,我国开展了“以电代煤、以电代油”的电能替代工作,着重提高电能所占终端能源的使用比重,减少化石能源的消耗,从而减少对环境的压力,在发展经济的同时做好环境保护。统计显示,电能占终端能源使用比重每提高1个百分点,能源强度就下降3.7个百分点。
因此,对电能替代的潜力分析就显得尤为重要,掌握电能与终端能源消耗量的变化趋势有利于分析电能耗能情况,为指导电能替代工作提供数据支持与政策引导。目前国内外学者研究的重点主要集中在单种能源需求预测及潜力分析上,对于电能替代的潜力分析研究较少,而近年来电能替代的相关工作已经陆续开启,因此需要提出一种精确、有效的电能替代潜力分析方法来解决这一问题。
发明内容
本发明的发明目的是针对上述背景技术的不足,提供了一种基于时间序列和神经网络的电能替代潜力分析方法,实现了对累计电能替代量的高精度预测,解决了电能替代潜力预测及分析不精确的技术问题。
本发明为实现上述发明目的采用如下技术方案:
一种基于时间序列和神经网络的电能替代潜力分析方法,根据相邻两年电能使用量占比之差与后一年能源总使用量的乘积计算后一年的电能替代量,观测电能替代量后选取原始数据列,根据原始数据列生成二次型累加序列,建立基于三次指数平滑法的二次型累加序列预测模型,根据二次型累加序列预测模型的输出还原原始数据列的实际预测值,以电能替代量的历史数据为输入训练神经网络,训练过程中考虑学习相邻两次训练误差的变学习率因子以及相邻两次训练权重参数差值引起的变动量因子修正神经网络层之间的权重参数,以原始数据列的一组实际预测值为训练后神经网络的输入预测电能替代量。
进一步地,一种基于时间序列和神经网络的电能替代潜力分析方法,计算后一年的电能替代量的表达式为:De(t+1)为第t+1年的电能替代量,Ce(t)、Ce(t+1)为第t年、第t+1年的实际电能使用量,C(t)、C(t+1)为第t年、第t+1年的能源总使用量。
进一步地,一种基于时间序列和神经网络的电能替代潜力分析方法观测电能替代量后选取原始数据列的方法为:观测终端电能使用量占比序列EC (0)=(EC (0)(1),EC (0)(2),…,EC (0)(n)),在终端电能使用量占比序列所有时刻的级比均落在可容覆盖区间内时,以终端电能使用量占比序列为原始数据列,EC (0)为观测终端电能使用量占比序列,EC (0)(1)、EC (0)(2)、EC (0)(n)为1时刻、2时刻、n时刻的终端电能使用量占比,k时刻的级比为k=2,3,…n,EC (0)(k-1)、EC (0)(k)为k-1时刻、k时刻的终端电能使用量占比。
进一步地,一种基于时间序列和神经网络的电能替代潜力分析方法,基于三次指数平滑法的二次型累加序列预测模型为EC (1)(k+m)=ak+bkm+ckm2,EC (1)(k+m)为二次型累加序列k+m时刻的累加值,ak、bk、ck为根据二次型累加序列k时刻累加值的三次指数平滑值确定的常数项系数、一次项系数、二次项系数, 为二次型累加序列k时刻累加值的一次指数平滑值、二次指数平滑值和三次指数平滑值,α为计算平滑指数的参数,0<α<1。
更进一步地,一种基于时间序列和神经网络的电能替代潜力分析方法,根据二次型累加序列预测模型的输出还原原始数据列的实际预测值的表达式为:EC (0)(k+m)=EC (1)(k+m)-EC (1)(k),k=1,2,…,n-1,EC (0)(k+m)为原始数据列k+m时刻的预测值,EC (1)(k)为二次型累加序列k时刻的累加值。
进一步地,一种基于时间序列和神经网络的电能替代潜力分析方法,变学习率因子为η(t)、η(t-1)为第t次迭代过程、第t-1次迭代过程的变学习率因子,为2次循环学习之间误差超曲面的夹角,ω为比例系数,0.1<ω<0.2。
更进一步地,一种基于时间序列和神经网络的电能替代潜力分析方法,修正的神经网络层之间权重参数包括隐藏层和输出层之间的权重、输入层和隐藏层之间的权重,wkj(t+1)=wkj(t)+η(t)δj(t)bk+α(t)[wkj(t)-wkj(t-1)],vik(t+1)=vik(t)+η(t)δk(t)xi+α(t)[vik(t)-vik(t-1)],wkj(t+1)、wkj(t)、wkj(t-1)为第t+1次迭代过程、第t次迭代过程、第t-1次迭代过程中隐藏层和输出层之间的权重,vik(t+1)、vik(t)、vik(t-1)为第t+1次迭代过程、第t次迭代过程、第t-1次迭代过程中输入层和隐藏层之间的权重,bk为隐藏层输出,xi为输入层的输入数据。
本发明采用上述技术方案,具有以下有益效果:
(1)本申请提出了一种组合预测在电能替代潜力分析中的分析方法,对电能替代模式及其涉及的电能替代技术进行了分析,定义了电能替代量来量化电能替代潜力,将与电能替代量变换趋势相同的终端电能使用量占能源总使用量占比做为电能替代量的观测值,利用基于时间序列的灰色预测模型以及神经网络预测对电能替代量进行很合理分析和预测,为电能替代发展趋势及潜力分析提供了量化的理论支撑,能够更好的指导面向电能替代的电源、电网、产能规划,对推进我国能源互联网建设具有参考价值。
(2)采用引入变动量因子和变学习率参数更新方法对神经网络层与层之间的权重进行调整以适应相邻两次训练误差及相邻两次训练权重参数差值对预测精度的影响,克服了学习速度慢,容易陷入局部极小值,网络层数、神经元个数的选择没有相应理论指导的缺陷,将本申请训练的神经网络用于电能替代量预测能够有效提高预测精度。
附图说明
图1是时间序列预测结果与实际结果的对比图。
图2是神经网络的结构图。
图3是神经网络修正值、时间序列预测值、实际值的对比图。
图4是时间序列预测步骤的流程图。
图5是神经网络训练过程的流程图。
图6是基于时间序列预测和神经网络训练预测结果的流程图。
具体实施方式
下面结合附图对发明的技术方案进行详细说明。
本申请公开的电能替代潜力分析方法如图6所示,包括电能替代潜力量化及预测两大步骤。
步骤一:建立电能替代潜力的量化模型,利用电能替代量对电能替代潜力进行量化
为了实现对电能替代潜力的量化计算,定义电能替代量来表征电能替代潜力。设第t年实际电能使用量为Ce(t),能源总使用量为C(t),定义每一年的电能使用量占比为当年电能使用量占当年能源使用总量的比例。即:
式(1)中,De(t+1)为第t+1年的电能替代量;Ce(t+1)为第t+1年的实际电能使用量;C(t+1)为第t+1年的能源总使用量。
步骤二:建立时间序列模型和神经网络电能替代量预测模型,对电能替代量进行预测
1)基于三次指数平滑法的时间序列预测模型
一般说来历史数据对未来值的影响是随时间间隔的增长而递减的。所以,更切合实际的方法应是对各期观测值依时间顺序进行加权平均作为预测值。指数平滑法可满足这一要求,而且具有简单的递推形式。
指数平滑法根据平滑次数的不同,又分为一次指数平滑法、二次指数平滑法和三次指数平滑法。一次指数平滑法虽然克服了移动平均法的缺点,但当预测序列出现直线趋势时,用一次指数平滑法预测存在明显的滞后偏差。当预测序列的变动为二次曲线趋势时,三次指数平滑可以很好的解决滞后偏差的问题。根据电能替代量的原始数据,其中,电能使用量占比经过累加之后呈现二次指数形式,具体的预测过程如下。
Step1电能替代量原始数据的检验
根据国家统计局数据,计算2000年至2019年终端能源使用量以及终端电能使用量,并依据步骤一计算电能替代量。
首先,为了使得时间预测方法可行,需要对电能替代量的数据列作必要的检验处理。由于受环境影响,有的年份电能替代量为负值,而终端电能使用量占能源总使用量的比例同电能替代量有相同的变化趋势,且两者的差别只在于电能替代量为两年终端电能占比的差值乘以能源总使用量。因此采用终端电能使用量占比进行预测。设终端电能使用量占比的原始数据列为EC (0)=(EC (0)(1),EC (0)(2),…,EC (0)(n)),计算序列的级比:
如果所有的级比λ(k)都落在可容覆盖区间内,则终端电能使用量占比序列可以作为时间预测模型的数据进行预测,n为原始数据的时间序列标号,EC (0)(k-1)、EC (0)(k)为原始数据列中k-1时刻的终端电能使用量占比、k时刻的终端电能使用量占比。
Step2根据原始数据列生成二次型的累加序列
Step3建立基于三次指数平滑法的时间序列预测模型
三次指数平滑法的计算公式为:
式(4)中,分别为k时刻终端电能使用量占比的一次指数平滑值、二次指数平滑值和三次指数平滑值。对于α值的选取,若选取α=0,下期预测值就等于本期预测值,在预测过程中不考虑任何新信息;若选取α=1,下期预测值就等于本期观测值,完全不相信过去的信息。这两种极端情况很难做出正确的预测。因此,α值应根据时间序列的具体性质在0~1之间选择。具体如何选择,一般可遵循下列原则:①如果时间序列波动不大,比较平稳,则α应取小一点,如(0.1~0.5),以减少修正幅度,使预测模型能包含较长时间序列的信息;②如果时间序列具有迅速且明显的变动倾向,则α应取大一点,如(0.6~0.8),使预测模型灵敏度高一些,以便迅速跟上数据的变化。累加序列的预测值根据下式计算:
EC (1)(k+m)=ak+bkm+ckm2 (5),
其中,
得到累加序列的预测值后,按照下式进行还原得到实际预测值。
EC (0)(k+m)=EC (1)(k+m)-EC (1)(k),k=1,2,…,n-1,… (7),
式(7)中,m一般取1。
Step4预测预报
由时间序列预测模型得到2013-2019年终端电能使用量占比的预测值,由步骤一的表达式计算出对应年份的电能替代量,并于真实值进行对比,如图1所示。图1中2013、2014、2017年的预测值接近实际值,而在2015、2018等年份预测值较实际值有较大偏差,对于仅用时间序列预测的方法在某些年份存在预测精度不高的问题,需要进行修正。
电能替代量预测的过程如图4所示。
2)改进的BP神经网络算法
BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念,是一种按照误差逆向传播算法训练的多层前馈神经网络,是目前应用最广泛的神经网络,其基本网络结构如图2所示。图2中,x1,x2,…xd为输入层的神经元,d为输入层神经元个数;b1,b2,…,bq为隐藏层神经元,q为隐藏层神经元个数;y1,y2,…,yl为输出层神经元,l为输出层神经元个数;vik为输入层到隐藏层的权重系数;wkj为隐藏层到输出层的权重系数。
但是BP神经网络也有不足之处,比如学习速度慢,容易陷入局部极小值,网络层数、神经元个数的选择没有相应的理论指导等等。针对这些问题,给出一种变动量因子和变学习率的BP算法,改进的BP算法可以加快网络的学习速度,减少神经元个数选择对网络预测精度的影响。其步骤为:
Step1初始化权值vik、wkj和阈值θk、θj(i=1,2,…,d,k=1,2,…q,j=1,2,…l,d,q,l分别为输入层、隐藏层、输出层的神经元个数)。给权值和阈值设置在[-1,1]范围内的初值,将原始数据初始化。
Step2选择一组时间序列预测结果xi,i=1,2,…d以及对应的终端电能使用量占比实际值yj,j=1,2,…l。
其中,f(x)为隐藏层的激活函数,取:
计算输出层输出:
Step4修正权值
wkj(t+1)=wkj(t)+η(t)δj(t)bk+α(t)[wkj(t)-wkj(t-1)] (11),
vik(t+1)=vik(t)+η(t)δk(t)xi+α(t)[vik(t)-vik(t-1)] (12),
式(11)、式(12)中,t为迭代次数,η(t)、η(t-1)为第t次迭代过程、第t-1次迭代过程的变学习率;为2次循环学习之间误差超曲面的夹角;ω为比例系数,0.1 < ω<0.2;wkj(t)-wkj(t-1)、vik(t)-vik(t-1)为动量项,wkj(t)、wkj(t-1)为第t次迭代过程、第t-1次迭代过程中隐藏层和输出层之间的权重,vik(t)、vik(t-1)为第t次迭代过程、第t-1次迭代过程中输入层和隐藏层之间的权重;α(t)为第t次迭代过程变动量因子。其中,
δk(t)=bk(1-bk)δj(t)wkj (15),
式(13)至式子(15)中,δj(t)、δj(m)为第t次迭代过程、第m次迭代过程中输出层的传播误差,δk(t)为第t次迭代过程中隐藏层的传播误差。
Step5如果误差达到精度或者最大循环次数,则输出结果,否则转Step2。
神经网络的训练过程如图5所示。
3)基于时间序列和神经网络组合预测
仅仅使用时间序列预测模型对电能替代量进行预测来分析电能替代潜力的方法通常难以满足精度要求,而且受历史数据影响较大,预测的精确度难以得到保证。因此考虑在时间序列预测中,选取终端电能使用量占比序列中不同时段长度的数据列进行预测,得出对于未来几年终端电能使用量的不同预测结果。这些不同的结果在未来的每一个年份都可以形成一个序列,将此序列作为BP神经网络的输入,得到最后的输出作为预测值,能够大大提升预测精度,减小历史数据对模型的影响,能够提高组合模型的泛化能力和预测稳定性。具体步骤如下所示:
Step1将m种不同序列长度的终端电能使用量占比采用时间序列模型进行预测,得到在同一时刻t的预测结果分别为pt1,pt2,…,pti,…,ptm;
Step2使用终端电能使用量的历史数据训练神经网络模型,得到固定的权重与阈值;
Step3将Step1中的结果作为训练好的神经网络模型的输入,经过神经网络模型得到最后的输出预测值。
对于电能替代量利用时间序列预测和神经网络组合预测后的结果如图3所示。由图3可以看到,2013-2019年经过神经网络修正后的预测值波动程度较未修正前的小,并且在数值上更接近电能替代量的实际值。由这两点可以看出,经过神经网络修正后的组合预测方法在精确度和稳定性方面都高于仅使用时间序列的单个预测方法。
Claims (6)
1.一种基于时间序列和神经网络的电能替代潜力分析方法,其特征在于,根据相邻两年电能使用量占比之差与后一年能源总使用量的乘积计算后一年的电能替代量,观测电能替代量后选取原始数据列,根据原始数据列生成二次型累加序列,建立基于三次指数平滑法的二次型累加序列预测模型,根据二次型累加序列预测模型的输出还原原始数据列的实际预测值,以电能替代量的历史数据为输入训练神经网络,训练过程中考虑学习相邻两次训练误差的变学习率因子以及相邻两次训练权重参数差值引起的变动量因子修正神经网络层之间的权重参数,以原始数据列的一组实际预测值为训练后神经网络的输入预测电能替代量;
5.根据权利要求4所述一种基于时间序列和神经网络的电能替代潜力分析方法,其特征在于,根据二次型累加序列预测模型的输出还原原始数据列的实际预测值的表达式为:EC (0)(k+m)=EC (1)(k+m)-EC (1)(k),k=1,2,…,n-1,EC (0)(k+m)为原始数据列k+m时刻的预测值,EC (1)(k)为二次型累加序列k时刻的累加值。
6.根据权利要求1所述一种基于时间序列和神经网络的电能替代潜力分析方法,其特征在于,修正的神经网络层之间权重参数包括隐藏层和输出层之间的权重、输入层和隐藏层之间的权重,
wkj(t+1)=wkj(t)+η(t)δj(t)bk+α(t)[wkj(t)-wkj(t-1)],
vik(t+1)=vik(t)+η(t)δk(t)xi+α(t)[vik(t)-vik(t-1)],wkj(t+1)、wkj(t)、wkj(t-1)为第t+1次迭代过程、第t次迭代过程、第t-1次迭代过程中隐藏层和输出层之间的权重,vik(t+1)、vik(t)、vik(t-1)为第t+1次迭代过程、第t次迭代过程、第t-1次迭代过程中输入层和隐藏层之间的权重,bk为隐藏层输出,xi为输入层的输入数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010331963.5A CN111523807B (zh) | 2020-04-24 | 2020-04-24 | 一种基于时间序列和神经网络的电能替代潜力分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010331963.5A CN111523807B (zh) | 2020-04-24 | 2020-04-24 | 一种基于时间序列和神经网络的电能替代潜力分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523807A CN111523807A (zh) | 2020-08-11 |
CN111523807B true CN111523807B (zh) | 2023-04-28 |
Family
ID=71910575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010331963.5A Active CN111523807B (zh) | 2020-04-24 | 2020-04-24 | 一种基于时间序列和神经网络的电能替代潜力分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523807B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182026A (zh) * | 2020-09-10 | 2021-01-05 | 广西电网有限责任公司崇左供电局 | 一种考虑流形排序算法的电网截面数据检索方法 |
CN113935517B (zh) * | 2021-09-14 | 2024-06-07 | 广西电网有限责任公司电力科学研究院 | 一种基于粒子群和滚动修正的电能替代潜力灰色分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243454A (zh) * | 2015-11-06 | 2016-01-13 | 广州威沃电子有限公司 | 基于大数据的用电负荷预测系统 |
CN108090563A (zh) * | 2017-12-15 | 2018-05-29 | 烟台港股份有限公司 | 一种基于bp神经网络的电能量预测方法 |
CN108596404A (zh) * | 2018-05-09 | 2018-09-28 | 国网山东省电力公司青岛供电公司 | 一种用于电能替代潜力预测的测算方法 |
CN110309949A (zh) * | 2019-05-14 | 2019-10-08 | 中国电力科学研究院有限公司 | 一种区域电能替代潜力预测方法及系统 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2223260A2 (en) * | 2007-11-07 | 2010-09-01 | EDSA Micro Corporation | Systems and methods for real-time forecasting and predicting of electrical peaks and managing the energy, health, reliability, and performance of electrical power systems based on an artificial adaptive neural network |
CN102395135B (zh) * | 2011-10-25 | 2014-02-19 | 江苏省邮电规划设计院有限责任公司 | 一种基于灰色系统模型神经网络的vlr用户数预测方法 |
ES2644528T3 (es) * | 2011-12-21 | 2017-11-29 | Siemens Aktiengesellschaft | Método para la determinación asistida por ordenador del uso de energía eléctrica producida por una central de generación de energía, particularmente una central de generación de energía renovable |
CN102880915A (zh) * | 2012-09-06 | 2013-01-16 | 中山大学 | 一种基于对热点事件进行关联挖掘的电量预测方法 |
CN102930354B (zh) * | 2012-11-06 | 2016-08-10 | 北京国电通网络技术有限公司 | 一种小区用电预测方法及装置 |
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
CN105678407A (zh) * | 2015-12-31 | 2016-06-15 | 国网上海市电力公司 | 一种基于人工神经网络的日用电量预测方法 |
CN105913150A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 一种基于遗传算法的bp神经网络光伏电站发电量预测方法 |
CN106295877B (zh) * | 2016-08-09 | 2020-04-14 | 四川大学 | 一种智能电网电能使用量预测方法 |
TWI623890B (zh) * | 2017-07-04 | 2018-05-11 | 台灣電力股份有限公司 | 由多個類神經網路組成的發電量預測系統與其方法 |
CN107994570B (zh) * | 2017-12-04 | 2022-03-25 | 华北电力大学(保定) | 一种基于神经网络的状态估计方法及系统 |
CN109461025B (zh) * | 2018-10-23 | 2020-11-27 | 国网湖南省电力公司节能管理分公司 | 一种基于机器学习的电能替代潜在客户预测方法 |
CN109308551A (zh) * | 2018-10-25 | 2019-02-05 | 云南电网有限责任公司 | 一种基于gm灰色预测的某区域电能替代潜力分析方法 |
CN110163410B (zh) * | 2019-04-08 | 2021-08-24 | 国网信通亿力科技有限责任公司 | 一种基于神经网络-时间序列的线损电量预测方法 |
-
2020
- 2020-04-24 CN CN202010331963.5A patent/CN111523807B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243454A (zh) * | 2015-11-06 | 2016-01-13 | 广州威沃电子有限公司 | 基于大数据的用电负荷预测系统 |
CN108090563A (zh) * | 2017-12-15 | 2018-05-29 | 烟台港股份有限公司 | 一种基于bp神经网络的电能量预测方法 |
CN108596404A (zh) * | 2018-05-09 | 2018-09-28 | 国网山东省电力公司青岛供电公司 | 一种用于电能替代潜力预测的测算方法 |
CN110309949A (zh) * | 2019-05-14 | 2019-10-08 | 中国电力科学研究院有限公司 | 一种区域电能替代潜力预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111523807A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Short-term wind speed prediction model based on GA-ANN improved by VMD | |
Xu et al. | Forecasting Chinese greenhouse gas emissions from energy consumption using a novel grey rolling model | |
Wu et al. | Application of the novel fractional grey model FAGMO (1, 1, k) to predict China's nuclear energy consumption | |
Xia et al. | Application of a new information priority accumulated grey model with time power to predict short-term wind turbine capacity | |
Behrang et al. | Forecasting future oil demand in Iran using GSA (Gravitational Search Algorithm) | |
Luo et al. | A novel Riccati equation grey model and its application in forecasting clean energy | |
CN112149879B (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
Zeng et al. | A novel multivariate grey model for forecasting the sequence of ternary interval numbers | |
Xia et al. | Drivers analysis and empirical mode decomposition based forecasting of energy consumption structure | |
Xiong et al. | Forecast of natural gas consumption in the Asia-Pacific region using a fractional-order incomplete gamma grey model | |
Wang et al. | Forecasting the seasonal natural gas consumption in the US using a gray model with dummy variables | |
CN111523807B (zh) | 一种基于时间序列和神经网络的电能替代潜力分析方法 | |
Zhou et al. | Reinforcement learning-based scheduling strategy for energy storage in microgrid | |
CN111625947B (zh) | 一种分布式能源发展规模预测方法、设备及介质 | |
Zhou et al. | An optimized nonlinear time-varying grey Bernoulli model and its application in forecasting the stock and sales of electric vehicles | |
He et al. | Optimizing energy consumption structure in Chongqing of China to achieve low-carbon and sustainable development based on compositional data | |
Ye et al. | A nonlinear interactive grey multivariable model based on dynamic compensation for forecasting the economy-energy-environment system | |
Dang et al. | A novel multivariate grey model for forecasting periodic oscillation time series | |
Wang et al. | Multi-criteria comprehensive study on predictive algorithm of heating energy consumption of district heating station based on timeseries processing | |
Qian et al. | A novel adaptive discrete grey prediction model for forecasting development in energy consumption structure—from the perspective of compositional data | |
Duan et al. | A novel grey prediction model with system structure based on energy background: a case study of Chinese electricity | |
Zhang et al. | A novel grey Lotka–Volterra model driven by the mechanism of competition and cooperation for energy consumption forecasting | |
Tong et al. | Natural gas consumption forecasting using an optimized Grey Bernoulli model: The case of the world’s top three natural gas consumers | |
Boamah | Forecasting the demand of oil in Ghana: a statistical approach | |
Li et al. | A combined thermal power plant investment decision-making model based on intelligent fuzzy grey model and ito stochastic process and its application |
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 |