CN111582542B - 一种基于异常修复的电力负荷预测方法及系统 - Google Patents
一种基于异常修复的电力负荷预测方法及系统 Download PDFInfo
- Publication number
- CN111582542B CN111582542B CN202010247463.3A CN202010247463A CN111582542B CN 111582542 B CN111582542 B CN 111582542B CN 202010247463 A CN202010247463 A CN 202010247463A CN 111582542 B CN111582542 B CN 111582542B
- Authority
- CN
- China
- Prior art keywords
- value
- load
- power load
- abnormal
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000008439 repair process Effects 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 43
- 230000005856 abnormality Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 2
- 238000005067 remediation Methods 0.000 claims 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002547 anomalous effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06N3/045—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及一种基于异常修复的电力负荷预测方法及系统，所述方法包括以下步骤：1)基于电力负荷样本数据训练获得一电力负荷预测模型；2)获取当前电力负荷数据，利用所述电力负荷预测模型预测获得t+1时刻预测值，t为当前时刻；3)获取t+1时刻实际值，比较所述t+1时刻预测值和t+1时刻实际值的差异，基于所述差异判断是否存在异常，若是，则对异常进行修复后返回步骤2)，若否，则直接返回步骤2)。与现有技术相比，本发明具有可实现异常修复、预测准确率高等优点。
Description
技术领域
本发明涉及一种电力负荷预测方法，尤其是涉及一种基于异常修复的电力负荷预测方法及系统。
背景技术
电力负荷预测是智能电网的一项重要功能。精准的短期电力负荷预测可以合理安排电力系统中的设备的维护方案，进而节省能源。由于电力负荷预测依赖于大量历史数据，原始负荷数据时间序列的可靠程度对任何方法的预报结果都有很大影响。在进行负荷预测的同时进行实时的异常检测和处理可以提高数据的可靠程度从而提高预测算法的准确性和稳定性。因此，研究负荷预测和异常修复算法对提高智能电网的性能有着重大意义。传统的电力负荷预测算法有移动平均线(MA)、指数平滑法(ES)、差分整合移动平均自回归模型(ARIMA)等，但是由于这些算法是在时间序列是线性相关的假设前提下进行预测的，不能准确捕捉到数据之间的相关性从而导致预测精度不高且不具备学习和自适应的功能。
近年来，随着大数据、人工智能、物联网等技术的不断突破，许多基于神经网络的电力负荷预测研究不断涌现，尤其是对序列的非线性特征进行学习时具有一定优势的长短期记忆网络(LSTM)的模型，如专利申请CN110659775A公开的一种基于LSTM改进的电力短时负荷预测算法。使用这种方法来进行短期电力负荷预测，充分考虑到了负荷数据的相关性，可以达到较高的精度和系统稳定性。然而，已有的基于LSTM的电力负荷预测技术只考虑了真实数据无异常的情况，而没有考虑到由于电力系统故障或其他突发情况下的异常数据，从而不具备检测异常数据和自适应地修复异常的能力。在数据出现异常时，会出现预测误差高、抗干扰能力差的问题，因此无法在实际电力系统中运用。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷而提供一种准确率高的基于异常修复的电力负荷预测方法及系统。
本发明的目的可以通过以下技术方案来实现：
一种基于异常修复的电力负荷预测方法，包括以下步骤：
1)基于电力负荷样本数据训练获得一电力负荷预测模型；
2)获取当前电力负荷数据，利用所述电力负荷预测模型预测获得t+1时刻预测值，t为当前时刻；
3)获取t+1时刻实际值，比较所述t+1时刻预测值和t+1时刻实际值的差异，基于所述差异判断是否存在异常，若是，则对异常进行修复后返回步骤2)，若否，则直接返回步骤2)。
进一步地，所述电力负荷预测模型为基于长短期记忆网络的预测模型。
进一步地，所述基于长短期记忆网络的预测模型包括一层输入层、二层LSTM隐藏层和一层输出层，且每一层的神经元数量由交叉验证获得。
进一步地，基于所述差异判断是否存在异常具体为：
31)判断t+1时刻预测值Ypred和t+1时刻实际值Ytrue的绝对差是否满足|Ytrue-Ypred|≤T1，T1为第一设定阈值，若是，则判定当前实际负荷值无异常，若否，则执行步骤32)；
32)判断t时刻实际值Ytruepre和t+1时刻实际值Ytrue的绝对差是否满足|Ytrue-Ytruepre|≤T2，T2为第二设定阈值，若是，则判定当前实际负荷值无异常，电力负荷预测模型存在误差，若否，则判定当前实际负荷值存在异常。
进一步地，所述对异常进行修复具体为：
在当前实际负荷值存在异常时，以t+1时刻预测值替代t+1时刻实际值进行下一次预测；
在电力负荷预测模型存在误差时，对电力负荷预测模型进行调整后再进行下一次预测。
进一步地，所述第一设定阈值通过以下步骤确定：
311)获取历史负荷异常数据，包括异常负荷值和其对应的时间点；
312)假设异常负荷值对应的时间点的值未知，使用所述电力负荷预测模型预测该时间点的负荷预测值；
313)计算所有异常负荷值与负荷预测值之间的绝对差并求平均值，即：
其中，是负荷预测值，Y’是异常负荷值，m是总异常样本数，Avg1表示求得的平均值；
314)对该平均值向上取整并设为第一设定阈值T1＝「Avg1]。
进一步地，所述第二设定阈值通过以下步骤确定：
321)计算所有标准样本数据的前后时刻负荷值的绝对差并求平均值，即：
其中，Xi是i时刻的标准样本负荷值，Xi-1是i-1时刻的标准样本负荷，n是总样本数，Avg2表示求得的平均值；
322)对该平均值向上取整并设为阈值
进一步地，训练所述电力负荷预测模型时，对电力负荷样本数据进行0均值预处理。
本发明还提供一种基于异常修复的电力负荷预测系统，包括：
存储部，用于存储当前电力负荷数据、电力负荷预测模型和计算机程序；
处理部，调用所述计算机程序执行如所述电力负荷预测方法的步骤。
与现有技术相比，本发明具有如下有益效果：
1、本发明在预测过程中对预测值及实际值进行比较，预测过程中实时判定是否存在异常，及时对异常进行处理，提高预测准确性。
2、本发明对异常情况进行全面考虑，包括实际值异常或预测模型误差，进一步提高准确性。
3、本发明基于历史数据设定异常判定阈值，更为符合实际情况，提高异常检测准确性。
附图说明
图1为本发明实施例中使用的电力负荷数据按时间的分布图；
图2为本发明的基本流程图；
图3为本发明方法中使用的LSTM模型整体结构图；
图4为本发明实施例中数据异常情况下的预测和修复结果，其中，(a)、(b)是对完全缺失数据不加修复和修复后的预测结果，(c)、(d)是对极大极小值数据不加修复和修复后的预测结果。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
如图2所示，本实施例提供一种基于异常修复的电力负荷预测方法，包括：
步骤1：基于电力负荷样本数据训练获得一电力负荷预测模型。
本实施例采用的训练样本为某预测地区半年内每小时的电力负荷值，电力负荷数据按时间的分布如图1所示。由于训练样本中的数据全部为标准数据，没有异常样本。因为在实际实施中，人为引入异常样本。异常样本的具体构造方法分为两种，完全缺失数据的构造和极大极小值数据的构造。对完全缺失数据，可以在测试数据中随机将一段时间的负荷值设为0。本实施例将数据中的随机连续5个时间序列设置为0，其他不变。对于极大极小值，同样在测试数据中随机取一个时间点，将该时间点的前一时刻设为极大值，该时间点的后一时刻设为极小值即可。
本实施例的电力负荷预测模型为基于长短期记忆网络(LSTM)的预测模型，其结构如图3所示，包括一层输入层、二层LSTM隐藏层和一层输出层，且每一层的神经元数量由交叉验证获得。本实施例中，通过交叉验证将第一层隐藏层设置100个神经元，第二层隐藏层设置50个神经元。两个隐藏层的丢弃率设为0.2。采用样本的95％为训练数据用于LSTM模型的训练，5％为测试数据用于交叉验证。
在模型训练前，对训练数据进行预处理，具体方式为：
其中，为预处理后的训练数据，X为原始负荷数据，n为训练样本总数。处理后的数据具有0均值的特点。
训练过程中，使用前22小时的数据预测第23小时的负荷值，即将每个样本数据的前22个负荷值作为神经网络的输入，将该样本数据作为神经网络的输出。此时，神经网络输入的维度为n×22，输出的维度是n×1，n为训练样本总数。采用MSE作为损失函数计算LSTM的输出和真实值之间的均方差，并计算平均百分比误差MAPE，对模型进行评价。对LSTM模型的训练设置100个回合，每个回合设置512个批次，每个批次采用RMSProp算法不断优化损失函数MSE中的模型参数，即：权重和偏差，直至收敛。最终输出训练完的最优模型。
MSE和MAPE的计算方法如下：
步骤2：获取当前电力负荷数据，包括当前时刻及之前一段时间的负荷数据，利用所述电力负荷预测模型预测获得t+1时刻预测值，t为当前时刻。
步骤3：获取t+1时刻实际值，比较所述t+1时刻预测值和t+1时刻实际值的差异，基于所述差异判断是否存在异常，若是，则对异常进行修复后返回步骤2)，若否，则直接返回步骤2，进行下一轮的预测。
基于所述差异判断是否存在异常具体为：
31)判断t+1时刻预测值Ypred和t+1时刻实际值Ytrue的绝对差是否满足|Ytrue-Ypred|≤T1，T1为第一设定阈值，若是，则判定当前实际负荷值无异常，若否，则执行步骤32)；
32)判断t时刻实际值Ytruepre和t+1时刻实际值Ytrue的绝对差是否满足|Ytrue-Ytruepre|≤T2，T2为第二设定阈值，若是，则判定当前实际负荷值无异常，电力负荷预测模型存在误差，若否，则判定当前实际负荷值存在异常。
所述对异常进行修复具体为：
在当前实际负荷值存在异常时，以t+1时刻预测值替代t+1时刻实际值，更新数据库后，进行下一次预测；
在电力负荷预测模型存在误差时，对电力负荷预测模型进行调整后再进行下一次预测。
第一设定阈值T1通过以下步骤确定：
311)获取历史负荷异常数据，包括异常负荷值和其对应的时间点；
312)假设异常负荷值对应的时间点的值未知，使用所述电力负荷预测模型预测该时间点的负荷预测值；
313)计算所有异常负荷值与负荷预测值之间的绝对差并求平均值，即：
其中，是负荷预测值，Y’是异常负荷值，m是总异常样本数，Avg1表示求得的平均值；
314)对该平均值向上取整并设为第一设定阈值
第二设定阈值t2通过以下步骤确定：
321)计算所有标准样本数据的前后时刻负荷值的绝对差并求平均值，即：
其中，Xi是i时刻的标准样本负荷值，Xi-1是i-1时刻的标准样本负荷，n是总样本数，Avg2表示求得的平均值；
322)对该平均值向上取整并设为阈值
图4是对异常数据不加修复和修复后的预测结果对比图，其中(a)、(b)是对完全缺失数据不加修复和修复后的预测结果，(c)、(d)是对极大极小值数据不加修复和修复后的预测结果。可以直观地看到修复前，完全缺失值对这部分时间的预测结果造成了较大的影响，而对完全缺失值之后的预测结果影响较小，且离开异常数据越远，对修复的影响越小，这也说明了算法具有一定的抗干扰能力。当数据修复后，可以看到修复后的数据和真实数据之间的差很小，且预测的结果比不加修复的结果更加精确，尤其是在有异常数据的时间段的预测，比之前有了明显的精度提高。
计算预测的结果和标准值的均方差MSE和平均百分比误差MAPE发现修复后的数据相比修复前有较小的MSE和MAPE，且算法的收敛时间短。
实施例2
本实施例提供一种基于异常修复的电力负荷预测系统，包括存储部和处理部，存储部用于存储当前电力负荷数据、电力负荷预测模型和计算机程序；处理部调用所述计算机程序执行如实施例1所述电力负荷预测方法的步骤。
本实施例的电力负荷预测系统可与电力系统中安全监控设备、维修服务器、电源规划服务器等设备通信。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由本发明所确定的保护范围内。
Claims (5)
1.一种基于异常修复的电力负荷预测方法，其特征在于，包括以下步骤：
1)基于电力负荷样本数据训练获得一电力负荷预测模型；
2)获取当前电力负荷数据，利用所述电力负荷预测模型预测获得t+1时刻预测值，t为当前时刻；
3)获取t+1时刻实际值，比较所述t+1时刻预测值和t+1时刻实际值的差异，基于所述差异判断是否存在异常，若是，则对异常进行修复后返回步骤2)，若否，则直接返回步骤2)；
基于所述差异判断是否存在异常具体为：
31)判断t+1时刻预测值Ypred和t+1时刻实际值Ytrue的绝对差是否满足|Ytrue-Ypred|≤T1，T1为第一设定阈值，若是，则判定当前实际负荷值无异常，若否，则执行步骤32)；
32)判断t时刻实际值Ytruepre和t+1时刻实际值Ytrue的绝对差是否满足|Ytrue-Ytruepre|≤T2，T2为第二设定阈值，若是，则判定当前实际负荷值无异常，电力负荷预测模型存在误差，若否，则判定当前实际负荷值存在异常；
所述对异常进行修复具体为：
在当前实际负荷值存在异常时，以t+1时刻预测值替代t+1时刻实际值进行下一次预测；
在电力负荷预测模型存在误差时，对电力负荷预测模型进行调整后再进行下一次预测；
所述第一设定阈值通过以下步骤确定：
311)获取历史负荷异常数据，包括异常负荷值和其对应的时间点；
312)假设异常负荷值对应的时间点的值未知，使用所述电力负荷预测模型预测该时间点的负荷预测值；
313)计算所有异常负荷值与负荷预测值之间的绝对差并求平均值，即：
其中，是负荷预测值，Y’是异常负荷值，m是总异常样本数，Avg1表示求得的平均值；
314)对该平均值向上取整并设为第一设定阈值
所述第二设定阈值通过以下步骤确定：
321)计算所有标准样本数据的前后时刻负荷值的绝对差并求平均值，即：
其中，Xi是i时刻的标准样本负荷值，Xi-1是i-1时刻的标准样本负荷，n是总样本数，Avg2表示求得的平均值；
322)对该平均值向上取整并设为阈值
2.根据权利要求1所述的基于异常修复的电力负荷预测方法，其特征在于，所述电力负荷预测模型为基于长短期记忆网络的预测模型。
3.根据权利要求2所述的基于异常修复的电力负荷预测方法，其特征在于，所述基于长短期记忆网络的预测模型包括一层输入层、二层LSTM隐藏层和一层输出层，且每一层的神经元数量由交叉验证获得。
4.根据权利要求1所述的基于异常修复的电力负荷预测方法，其特征在于，训练所述电力负荷预测模型时，对电力负荷样本数据进行0均值预处理。
5.一种基于异常修复的电力负荷预测系统，其特征在于，包括：
存储部，用于存储当前电力负荷数据、电力负荷预测模型和计算机程序；
处理部，调用所述计算机程序执行如权利要求1所述电力负荷预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010247463.3A CN111582542B (zh) | 2020-03-31 | 2020-03-31 | 一种基于异常修复的电力负荷预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010247463.3A CN111582542B (zh) | 2020-03-31 | 2020-03-31 | 一种基于异常修复的电力负荷预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111582542A CN111582542A (zh) | 2020-08-25 |
| CN111582542B true CN111582542B (zh) | 2023-10-03 |
Family
ID=72113562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010247463.3A Active CN111582542B (zh) | 2020-03-31 | 2020-03-31 | 一种基于异常修复的电力负荷预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111582542B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113792906A (zh) * | 2021-08-05 | 2021-12-14 | 交控科技股份有限公司 | 列车长时间窗运行轨迹预测方法、装置、设备及存储介质 |
| CN116151129A (zh) * | 2023-04-18 | 2023-05-23 | 石家庄科林电气股份有限公司 | 一种基于极限学习机的电力调度系统故障诊断方法 |
| CN116777305B (zh) * | 2023-08-18 | 2023-11-10 | 河北思极科技有限公司 | 电力数据质量提升方法、装置、电子设备及存储介质 |
| CN117405975B (zh) * | 2023-12-14 | 2024-03-22 | 深圳鹏城新能科技有限公司 | 一种pv面板绝缘电阻检测方法、系统及介质 |
Citations (14)
| 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 |
| CN103279810A (zh) * | 2013-06-09 | 2013-09-04 | 重庆大学 | 基于预测误差收敛性检验和轨迹修正的短期负荷预测方法 |
| CN103295081A (zh) * | 2013-07-02 | 2013-09-11 | 上海电机学院 | 基于bp神经网络的电力系统负荷预测方法 |
| CN104463445A (zh) * | 2014-11-27 | 2015-03-25 | 国网浙江省电力公司嘉兴供电公司 | 一种基于经验日局部校正多点外推算法的负荷预测方法 |
| CN105243461A (zh) * | 2015-11-20 | 2016-01-13 | 江苏省电力公司 | 一种基于人工神经网络改进训练策略的短期负荷预测方法 |
| CN108416695A (zh) * | 2018-02-24 | 2018-08-17 | 合肥工业大学 | 基于深度学习的电力负荷概率密度预测方法和系统、介质 |
| CN109242236A (zh) * | 2018-07-05 | 2019-01-18 | 西安图迹信息科技有限公司 | 基于关联全连接神经网络和lstm的pmu一次调频负荷预测方法 |
| CN109842140A (zh) * | 2019-03-04 | 2019-06-04 | 曹麾 | 高压配网峰谷负荷平衡智能管控方法 |
| CN109948845A (zh) * | 2019-03-15 | 2019-06-28 | 国网江苏省电力有限公司经济技术研究院 | 一种配电网负荷长短期记忆神经网络预测方法 |
| CN110110930A (zh) * | 2019-05-08 | 2019-08-09 | 西南交通大学 | 一种改进鲸鱼算法的循环神经网络短期电力负荷预测方法 |
| CN110222882A (zh) * | 2019-05-21 | 2019-09-10 | 国家电网公司西南分部 | 一种电力系统中长期负荷的预测方法和装置 |
| CN110222883A (zh) * | 2019-05-22 | 2019-09-10 | 镇江市高等专科学校 | 基于风驱动优化bp神经网络的电力系统负荷预测方法 |
| 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 |
| CN110334726A (zh) * | 2019-04-24 | 2019-10-15 | 华北电力大学 | 一种基于密度聚类和lstm的电力负荷异常数据的识别与修复方法 |
-
2020
- 2020-03-31 CN CN202010247463.3A patent/CN111582542B/zh active Active
Patent Citations (14)
| 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 |
| CN103279810A (zh) * | 2013-06-09 | 2013-09-04 | 重庆大学 | 基于预测误差收敛性检验和轨迹修正的短期负荷预测方法 |
| CN103295081A (zh) * | 2013-07-02 | 2013-09-11 | 上海电机学院 | 基于bp神经网络的电力系统负荷预测方法 |
| CN104463445A (zh) * | 2014-11-27 | 2015-03-25 | 国网浙江省电力公司嘉兴供电公司 | 一种基于经验日局部校正多点外推算法的负荷预测方法 |
| CN105243461A (zh) * | 2015-11-20 | 2016-01-13 | 江苏省电力公司 | 一种基于人工神经网络改进训练策略的短期负荷预测方法 |
| CN108416695A (zh) * | 2018-02-24 | 2018-08-17 | 合肥工业大学 | 基于深度学习的电力负荷概率密度预测方法和系统、介质 |
| CN109242236A (zh) * | 2018-07-05 | 2019-01-18 | 西安图迹信息科技有限公司 | 基于关联全连接神经网络和lstm的pmu一次调频负荷预测方法 |
| CN109842140A (zh) * | 2019-03-04 | 2019-06-04 | 曹麾 | 高压配网峰谷负荷平衡智能管控方法 |
| CN109948845A (zh) * | 2019-03-15 | 2019-06-28 | 国网江苏省电力有限公司经济技术研究院 | 一种配电网负荷长短期记忆神经网络预测方法 |
| CN110334726A (zh) * | 2019-04-24 | 2019-10-15 | 华北电力大学 | 一种基于密度聚类和lstm的电力负荷异常数据的识别与修复方法 |
| CN110110930A (zh) * | 2019-05-08 | 2019-08-09 | 西南交通大学 | 一种改进鲸鱼算法的循环神经网络短期电力负荷预测方法 |
| CN110222882A (zh) * | 2019-05-21 | 2019-09-10 | 国家电网公司西南分部 | 一种电力系统中长期负荷的预测方法和装置 |
| CN110222883A (zh) * | 2019-05-22 | 2019-09-10 | 镇江市高等专科学校 | 基于风驱动优化bp神经网络的电力系统负荷预测方法 |
| 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)
| Title |
|---|
| 基于LSTM-RNN的配电变压器负荷预测模型研究;孙朝辉;徐蕊;冯靖;;机电信息(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111582542A (zh) | 2020-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111582542B (zh) | 一种基于异常修复的电力负荷预测方法及系统 | |
| CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
| CN111652496B (zh) | 基于网络安全态势感知系统的运行风险评估方法及装置 | |
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| CN111783845B (zh) | 一种基于局部线性嵌入和极限学习机的隐匿虚假数据注入攻击检测方法 | |
| CN111879349A (zh) | 一种传感器数据偏差自适应修正方法 | |
| CN116050665B (zh) | 供热设备故障预测方法 | |
| Wang et al. | An accurate false data detection in smart grid based on residual recurrent neural network and adaptive threshold | |
| CN116383773A (zh) | 基于自适应预测区间的数据中心能效异常检测方法、系统和介质 | |
| Liu et al. | Grey-based approach for estimating software reliability under nonhomogeneous Poisson process | |
| CN114189047B (zh) | 面向有源配电网状态估计的虚假数据检测与修正方法 | |
| Zhu et al. | Long Short Term Memory Networks Based Anomaly Detection for KPIs. | |
| CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
| CN115577851A (zh) | 能源消耗预测方法、装置、设备及存储介质 | |
| CN113758652B (zh) | 换流变压器漏油检测方法、装置、计算机设备和存储介质 | |
| CN114841076A (zh) | 基于时空图模型的动力电池生产工艺波动异常检测方法 | |
| CN117077870B (zh) | 一种基于人工智能的水资源数字化管理方法 | |
| CN111898799B (zh) | 一种基于BFA-Elman的电力负荷预测方法 | |
| CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
| CN117407665A (zh) | 一种基于生成对抗网络的退役电池时序数据缺失值填充方法 | |
| CN117273440A (zh) | 基于深度学习的工程施工物联网监测管理系统及方法 | |
| CN113887119A (zh) | 一种基于sarima-lstm的河流水质预测方法 | |
| CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
| CN114692738A (zh) | 一种轻量级实时时间序列异常检测方法 | |
| CN114565051A (zh) | 基于神经元影响程度的产品分类模型的测试方法 |
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 |