CN111563615A - 一种基于特征分析与组合学习的负荷预测方法 - Google Patents
一种基于特征分析与组合学习的负荷预测方法 Download PDFInfo
- Publication number
- CN111563615A CN111563615A CN202010304031.1A CN202010304031A CN111563615A CN 111563615 A CN111563615 A CN 111563615A CN 202010304031 A CN202010304031 A CN 202010304031A CN 111563615 A CN111563615 A CN 111563615A
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- lasso
- learning
- establishing
- 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 35
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 16
- 239000010410 layer Substances 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000003696 structure analysis method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation 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
- G06Q10/04—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
-
- 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)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (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
一种基于特征分析与组合学习的负荷预测方法,包括以下步骤:Step1.建立核函数极限学习机模型;Step2.建立Adaboost模型;Step3.建立Lasso回归方法模型;Step4.建立负荷预测预测模型;该预测方法将特征排序算法与机器学习模型结合的负荷预测模型。针对各区域负荷差异性较大的现状,随机森林算法对预测目标影响较大因素进行排序,选择特征贡献度较高的特征属性,将极限学习机、Adaboost和神经网络模型的预测结果进行动态组合,并通过Lasso算法在一定周期内对权值进行更新,获得预测结果,提高了训练模型效率和预测精度。
Description
技术领域
本发明涉及电网调度技术领域,涉及一种电力负荷负荷预测方法,尤其是一种基于特征分析与组合学习的负荷预测方法。
背景技术
随着电力体制市场化改革平稳有序的推进,电力中长期交易规模不断扩大,通过预测合理的供需关系发现电力商品价格,形成市场化的电力电量平衡机制,将充分发挥市场在电力资源配置中的决定性作用,针对区域系统负荷和者母线负荷以及工业园区等小区域的负荷预测将在能源系统中扮演越来越重要的角色。目前,我国电力体制改革已进入转型的关键时期。
2016年11月27日,国家发展改革委办公厅、国家能源局综合司联合发布《规范开展增量配电业务改革试点的通知》,文件表明加快构建有效竞争的市场结构和市场体系,是深化电力体制改革的核心目标。依托于高精度负荷预测结果的安全高效的电力生产和合理的调度是电力体制改革中重要的环节。
在预测技术方面,随着现代计算技术的不断发展,神经网络、支持向量机、灰色模型等预测方法不断被科研工作者们运用到电力负荷预测工作中来。目前,深度学习技术已在电力系统中获得了广泛应用。
发明内容
本发明的目的在于克服现有技术的不足之处,提供一种基于特征分析与组合学习的负荷预测方法,该预测方法有效利用特征分析与组合学习方法来预测电网系统的电力承载负荷,有效提高了训练模型效率和预测精度。
一种基于特征分析与组合学习的负荷预测方法,包括以下步骤:
Step1.建立核函数极限学习机模型
核函数极限学习机属于单层前馈神经网络算法,表达形式如下:
f(x)=h(x)β (1)
式中,h(x)表示隐藏层的计算所得输出;β=[β1,…,βL]T为隐藏层与输出层之间的连接权重;
极限学习机的误差表达式如下:
式中:L表示神经元的数目,fo(x)为真实标记
并且,核函数为高斯核函数ΩELM,N为输入层维度;高斯核函数极限学习机的表达式如下所示:
ΩELM=K(xi,xj)=exp(-γ||xi,xj||)2 (4)
式中,T为预测目标值,H为神经网络隐藏层矩阵,h(x)HT表示隐藏层的计算所得输出,1/C为常数;
Step2.建立Adaboost模型
Adaboost(Adaptive Boosting)属于叠加集成模型,它训练了多个弱拟合模型,然后将各个弱拟合模型组合起来,构成一个强预测模型;总体思路是对于正确样本赋予较低权值,错误样本给与较高权值,通过不断加权组合,提高预测模型性能;
Step3.建立Lasso回归方法模型
Lasso回归方法是一种同时进行特征选择和正则化的线性回归分析方法,其基本思想是在回归系数绝对值之和小于一个阈值的条件下,使残差平方和最小化;在原Lasso回归模型中加入了惩罚项L1,得到Lasso估计,其模型可表示为:
式中,Y为最终Lasso回归方法模型的负荷预测值,β=(β1,β2,…βd)T为回归系数,λ为调节系数,为最终各个子模型的预测值所对应的动态权重,在模型训练过程中需要求解权重,当权值计算完成即代表负荷预测模型建立完成;
Step4.建立负荷预测预测模型
采用模型组合的方式提高预测算法的的可靠性;将ELM、Adaboost与ANN(Artificial neural network)的预测结果采用Lasso线性组合的方式进一步学习,学习各个组合模型的优点;同时为了更确保Lasso算法中参数的实时性,采用动态更新的方式改变Lasso算法中的参数,从而获得时序滚动的负荷预测模型,保证当前模型与数据的相互匹配。
而且,步骤Step2还包括以下子步骤:
(1)从样本中选取n组训练数据,初始化数据的分布权值;
D1(i)=1/n (6)
(2)计算第t个弱学习器的误差et;
et=D1(i) (7)
(3)计算弱学习模型的权重αt
(4)根据弱学习器调整下一轮训练样本的权重,更新公式如下:
式中,i=1,2,...,n,Bt为归一化因子
(5)由T组弱学习器组合得到一个强学习器h(x),公式如下:
式中,f(gt,αt)为归一化因子训练T轮后,得到的T组弱学习器。
本发明的优点和技术效果是:
本发明的一种基于特征分析与组合学习的负荷预测方法,将特征排序算法与机器学习模型结合的负荷预测模型。针对各区域负荷差异性较大的现状,随机森林算法对预测目标影响较大因素进行排序,选择特征贡献度较高的特征属性,将极限学习机、Adaboost和神经网络模型的预测结果进行动态组合,并通过Lasso算法在一定周期内对权值进行更新,获得预测结果,提高了训练模型效率和预测精度,是一种具有较高创造性的负荷结构解析方法。
附图说明
图1为本发明核函数极限学习机的基本架构图;
图2为本发明时序滚动的负荷预测模式示意图;
图3为本发明的基于特征排序与模型组合的负荷功率预测方法流程图;
图4为本发明的输入特征排序示意图;
图5为本发明的时序变化的Lasso模型权值示意图;
图6为本发明的6月第一周的预测情况示意图。
具体实施方式
为能进一步了解本发明的内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。需要说明的是,本实施例是描述性的,不是限定性的,不能由此限定本发明的保护范围。
Step1.建立核函数极限学习机模型
核函数极限学习机属于单层前馈神经网络算法,表达形式如下:
f(x)=h(x)β (1)
式中,h(x)表示隐藏层的计算所得输出。β=[β1,…,βL]T为隐藏层与输出层之间的连接权重。其基本架构如图1所示。
极限学习机的误差表达式如下:
式中:L表示神经元的数目,fo(x)为真实标记
本发明采用的核函数为高斯核函数ΩELM,N为输入层维度。高斯核函数极限学习机的表达式如下所示:
ΩELM=K(xi,xj)=exp(-γ||xi,xj||)2 (4)
式中,T为预测目标值,H为神经网络隐藏层矩阵,h(x)HT表示隐藏层的计算所得输出,1/C为常数。
Step2.建立Adaboost模型
Adaboost(Adaptive Boosting)属于叠加集成模型,它训练了多个弱拟合模型,然后将各个弱拟合模型组合起来,构成一个强预测模型。总体思路是对于正确样本赋予较低权值,错误样本给与较高权值,通过不断加权组合,提高预测模型性能。其步骤如下:
(1)从样本中选取n组训练数据,初始化数据的分布权值。
D1(i)=1/n (5)
(2)计算第t个弱学习器的误差et。
et=D1(i) (6)
(3)计算弱学习模型的权重αt
(4)根据弱学习器调整下一轮训练样本的权重,更新公式如下:
式中,i=1,2,...,n,Bt为归一化因子
(5)由T组弱学习器组合得到一个强学习器h(x),公式如下:
式中,f(gt,αt)为归一化因子训练T轮后,得到的T组弱学习器。
Step3.建立Lasso回归方法模型
Lasso回归方法是一种同时进行特征选择和正则化的线性回归分析方法,其基本思想是在回归系数绝对值之和小于一个阈值的条件下,使残差平方和最小化。本发明在原Lasso回归模型中加入了惩罚项L1,得到Lasso估计,其模型可表示为:
式中,Y为最终Lasso回归方法模型的负荷预测值,β=(β1,β2,…βd)T为回归系数,λ为调节系数,为最终各个子模型的预测值所对应的动态权重,在模型训练过程中需要求解权重,当权值计算完成即代表负荷预测模型建立完成。
Step4.建立负荷预测预测模型
本发明采用模型组合的方式提高预测算法的的可靠性。将ELM、Adaboost与ANN(Artificial neural network)的预测结果采用Lasso线性组合的方式进一步学习,学习各个组合模型的优点。同时为了更确保Lasso算法中参数的实时性,采用动态更新的方式改变Lasso 算法中的参数,从而获得时序滚动的负荷预测模型,保证当前模型与数据的相互匹配。
其流程如下:
首先,采用随机森林算法对输入数据进行排序。针对填充后的完整数据,输入到Adaboost 模型、ANN模型与ELM模型中,分别对三个模型进行训练,最后将各模型的预测结果与原始数据输入到Lasso线性模型中得到最终负荷功率预测结果,同时,在一定时间阈值内,或者误差达到一定阈值时,对Lasso模型中的相关参数实时更新。
为了更清楚地描述本发明的具体实施方式,下面提供一种实施例:
选用某地区电网实际运行数据进行验证,为了更好的分析本发明算法的应用场景,天气信息来自于数值天气预报(Numerical weather prediction,NWP)。预测目标为下一小时的负荷结果。其中,2017年全年数据为训练数据,2018年1月份数据为测试数据。算例采用的误差指标包含平均相对误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)。
式中,n为样本数量,fi和ti分别为i时刻的母线的实际负荷和预测负荷。
(1)特征排序分析
本发明使用随机森林算法对负荷预测特征的重要度进行排序分析,选择多类属性数据进行排序分析,结果如图4所示,由分析结果可知,节假日对负荷预测影响最大、温度特征的评分排名第二。
(2)权值模型
本发明预测模型包含了多种预测算法,Lasso算法在动态的学习各个算法预测结果的权重,分析各个子模型预测对应权值的动态趋势,得到合理的权重。分析结果如图5所示。
针对不同的时段,不同子模型可能表现出不同的优势,Lasso算法能够充分学习到各个子模型优点,进一步提升预测效果。
(3)预测结果验证
表1考虑多个模型的负荷预测误差评价
由表1与图6可知,使用组合学习模型相较于其他算法都能够较好跟踪负荷出力的变化趋势。
本发明以区域母线负荷为分析对象,采用核函数极限学习机和Lasso回归方法对并对分析对象进行特征提取,对多种方法进行组合,提出一种于特征分析与组合学习的负荷预测方法。通过算例测试表明本发明适用于区域母线负荷预测场景,而且与传统预测方法相比,预测精度提升。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (2)
1.一种基于特征分析与组合学习的负荷预测方法,其特征在于,包括以下步骤:
Step1.建立核函数极限学习机模型
核函数极限学习机属于单层前馈神经网络算法,表达形式如下:
f(x)=h(x)β (1)
式中,h(x)表示隐藏层的计算所得输出;β=[β1,…,βL]T为隐藏层与输出层之间的连接权重;
极限学习机的误差表达式如下:
式中:L表示神经元的数目,fo(x)为真实标记
并且,核函数为高斯核函数ΩELM,N为输入层维度;高斯核函数极限学习机的表达式如下所示:
ΩELM=K(xi,xj)=exp(-γ||xi,xj||)2 (4)
式中,T为预测目标值,H为神经网络隐藏层矩阵,h(x)HT表示隐藏层的计算所得输出,1/C为常数;
Step2.建立Adaboost模型
Adaboost(Adaptive Boosting)属于叠加集成模型,它训练了多个弱拟合模型,然后将各个弱拟合模型组合起来,构成一个强预测模型;总体思路是对于正确样本赋予较低权值,错误样本给与较高权值,通过不断加权组合,提高预测模型性能;
Step3.建立Lasso回归方法模型
Lasso回归方法是一种同时进行特征选择和正则化的线性回归分析方法,其基本思想是在回归系数绝对值之和小于一个阈值的条件下,使残差平方和最小化;在原Lasso回归模型中加入了惩罚项L1,得到Lasso估计,其模型可表示为:
式中,Y为最终Lasso回归方法模型的负荷预测值,β=(β1,β2,…βd)T为回归系数,λ为调节系数,为最终各个子模型的预测值所对应的动态权重,在模型训练过程中需要求解权重,当权值计算完成即代表负荷预测模型建立完成;
Step4.建立负荷预测预测模型
本专利采用模型组合的方式提高预测算法的的可靠性;将ELM、Adaboost与ANN(Artificial neural network)的预测结果采用Lasso线性组合的方式进一步学习,学习各个组合模型的优点;同时为了更确保Lasso算法中参数的实时性,采用动态更新的方式改变Lasso算法中的参数,从而获得时序滚动的负荷预测模型,保证当前模型与数据的相互匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010304031.1A CN111563615A (zh) | 2020-04-17 | 2020-04-17 | 一种基于特征分析与组合学习的负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010304031.1A CN111563615A (zh) | 2020-04-17 | 2020-04-17 | 一种基于特征分析与组合学习的负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111563615A true CN111563615A (zh) | 2020-08-21 |
Family
ID=72073173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010304031.1A Pending CN111563615A (zh) | 2020-04-17 | 2020-04-17 | 一种基于特征分析与组合学习的负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563615A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508224A (zh) * | 2020-10-15 | 2021-03-16 | 国网江苏省电力有限公司电力科学研究院 | 微电网多模型负荷预测自适应选择方法、系统及存储介质 |
CN113128612A (zh) * | 2021-04-26 | 2021-07-16 | 国网河北省电力有限公司营销服务中心 | 电力数据中异常值的处理方法及终端设备 |
CN116245563A (zh) * | 2023-05-11 | 2023-06-09 | 中国石油大学(华东) | 基于AdaBoost算法构建的商品销量融合预测模型 |
-
2020
- 2020-04-17 CN CN202010304031.1A patent/CN111563615A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508224A (zh) * | 2020-10-15 | 2021-03-16 | 国网江苏省电力有限公司电力科学研究院 | 微电网多模型负荷预测自适应选择方法、系统及存储介质 |
CN112508224B (zh) * | 2020-10-15 | 2022-09-06 | 国网江苏省电力有限公司电力科学研究院 | 微电网多模型负荷预测自适应选择方法、系统及存储介质 |
CN113128612A (zh) * | 2021-04-26 | 2021-07-16 | 国网河北省电力有限公司营销服务中心 | 电力数据中异常值的处理方法及终端设备 |
CN116245563A (zh) * | 2023-05-11 | 2023-06-09 | 中国石油大学(华东) | 基于AdaBoost算法构建的商品销量融合预测模型 |
CN116245563B (zh) * | 2023-05-11 | 2023-10-27 | 中国石油大学(华东) | 基于AdaBoost算法构建的商品销量融合预测模型 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563615A (zh) | 一种基于特征分析与组合学习的负荷预测方法 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
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 | |
CN109325624A (zh) | 一种基于深度学习的月度电力需求预测方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN112116144A (zh) | 一种区域配电网短期负荷预测方法 | |
CN110807554A (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
CN112836884A (zh) | 基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
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 | |
CN112163689A (zh) | 基于深度Attention-LSTM的短期负荷分位点概率预测方法 | |
CN113762387A (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
Chen et al. | Short-term wind power forecasting using mixed input feature-based cascade-connected artificial neural networks | |
CN113344279B (zh) | 基于lstm-sam模型和池化的居民负荷预测方法 | |
CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
CN111178605A (zh) | 一种基于特征选择的配网工程项目工期预测方法 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN111506868A (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
CN116826745B (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
CN112686693A (zh) | 电力现货市场边际电价预测方法、系统、设备及存储介质 | |
CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
CN113435595A (zh) | 基于自然进化策略的极限学习机网络参数两阶段优化方法 | |
CN112330051A (zh) | 一种基于Kmeans与FR-DBN的短期负荷预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200821 |
|
RJ01 | Rejection of invention patent application after publication |