CN111815035B - 一种融合形态聚类及TCN-Attention的短期负荷预测方法 - Google Patents
一种融合形态聚类及TCN-Attention的短期负荷预测方法 Download PDFInfo
- Publication number
- CN111815035B CN111815035B CN202010571442.7A CN202010571442A CN111815035B CN 111815035 B CN111815035 B CN 111815035B CN 202010571442 A CN202010571442 A CN 202010571442A CN 111815035 B CN111815035 B CN 111815035B
- Authority
- CN
- China
- Prior art keywords
- load
- day
- tcn
- layer
- attention
- 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 39
- 230000004927 fusion Effects 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 22
- 230000000877 morphologic effect Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 33
- 230000004913 activation Effects 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000002789 length control Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (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
本发明涉及一种融合形态聚类及TCN‑Attention的短期负荷预测方法，包括以下步骤：S1：对负荷历史日数据进行形态聚类，形成多个负荷相似日簇；S2：对影响负荷预测的数据进行预处理，获取待预测日负荷预测的影响因素数据；S3：根据各负荷相似日簇与影响因素数据的相似性为待预测日选择对应的相似日簇训练子集；S4：将待预测日对应的相似日簇训练子集输入到预测模型进行训练；S5：输入待预测日的影响因素数据至训练完成的预测模型，输出短期负荷预测值；所述的预测模型包括依次连接的输入层、TCN残差模块、Attention机制模块和输出层，与现有技术相比，本发明具有预测速度快且预测准确性高等优点。
Description
技术领域
本发明涉及电力系统负荷预测技术领域，尤其是涉及一种融合形态聚类及TCN-Attention的短期负荷预测方法。
背景技术
随着“新基建”时代的到来，大规模光伏、风电并网发电在电网中的占比不断增长，大规模储能系统持续投入以及产业升级所带来的负荷需求增长均为电力系统的安全稳定运行和电能质量带来严重挑战。因此，如何根据负荷需求合理安排生产调度计划已成为电力系统亟待解决的难题。而负荷预测技术的进步为该难题提供了有效的解决方案。
目前，负荷预测方法主要分为三类：经典方法、统计学方法和人工智能方法。经典方法有专家系统法、趋势外推法等，此类方法对预测人员的主观经验有所依赖，故鲁棒性较低，预测效果不稳定。统计学方法主要采用多元线性回归、时间序列和序列分解等方法对大量历史负荷数据进行统计和建模预测，该方法未能考虑到外界因素对负荷的影响，预测精度通常不高。人工智能方法主要有支持向量机和神经网络等，可以直接从气象、历史负荷数据和天气预报数据中挖掘出变化规律进行预测，是目前负荷预测的主要方法和研究热点。但是现有的预测方法难以满足电网对数字化、智能化的发展需求，无法大规模并行处理数据，预测速度慢，预测精度低已成为当前面临的主要问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种融合形态聚类及TCN-Attention的短期负荷预测方法，能够针对不同的相似日类型进行精准的负荷预测，并且该方法可以进行并行计算，具有较高的计算效率。
本发明的目的可以通过以下技术方案来实现：
一种融合形态聚类及TCN-Attention的短期负荷预测方法，包括以下步骤：
S1：对负荷历史日数据进行形态聚类，形成多个负荷相似日簇；
S2：对影响负荷预测的数据进行预处理，获取待预测日负荷预测的影响因素数据；
S3：根据各负荷相似日簇与影响因素数据的相似性为待预测日选择对应的相似日簇训练子集；
S4：将待预测日对应的相似日簇训练子集输入到预测模型进行训练；
S5：输入待预测日的影响因素数据至训练完成的预测模型，输出短期负荷预测值；
所述的预测模型包括依次连接的输入层、TCN残差模块、Attention机制模块和输出层。
进一步地，所述的步骤S1具体包括：
S11：随机选择k条负荷历史日数据序列，作为起始聚类中心；
S12：计算每条负荷历史日数据序列到k条聚类中心的距离；
S13：将每条负荷历史日数据序列划分至距离最近的聚类中心所在簇；
S14：更新每个簇的聚类中心；
S15：重复步骤S12-S14，直至每个簇的聚类中心不再发生变化；
S16：得到k个负荷相似日簇。
基于负荷历史日数据序列形态特征的聚类模块，可以将所有的日负荷曲线根据形态特征的差异划分为多个相似日簇，各簇之间负荷具有较大差异，簇内负荷较为相似。
进一步地，所述的步骤S2具体包括：
S21：将具有周期性的时间特征采用周期性编码方法，将一维数值变量扩展为二维的正弦值和余弦值；
S22：从数据库中获取负荷历史特征、当前时刻气象因素以及当天社会因素；
S23：将周期性编码后的时间特征以及获取的负荷历史特征、当前时刻气象因素和当天社会因素共同组合成影响因素数据。
进一步地，所述的步骤S3具体包括：
S31：获取待预测日与各相似日簇聚类中心的对应气象因素数据之间的相关性系数；
S32：将各对应气象因素数据相关性系数之和最大的聚类中心所在簇作为待预测日的训练子集。
进一步地，所述的TCN残差模块包括的TCN卷积层、WeightNorm层、激活函数和Dropout层，所述的TCN卷积层设置两层，所述的WeightNorm层、激活函数和Dropout层分别依次设置于每个TCN卷积层后。输入经过两层TCN卷积层后可以增加输入的直接映射，WeightNorm层能有效加快计算速度，Dropout层使神经元随机失活防止模型出现过拟合现象，添加输入的直接映射构建残差连接使模型能够进行更深层次的训练。
进一步优选地，所述的TCN残差模块设置多个，所述的TCN残差模块的输入端与输出端之间还通过1×1卷积相互连接。设置多个TCN残差模块可以让模型训练更加充分，并通过加入一个1×1卷积，解决残差模块输入输出数据可能具有不同维度的问题。
进一步地，所述的Attention机制模块包括Permute层、Dense层和Multiply层，所述的Permute层将输入的维度按照给定模式进行重排，所述的Multiply层将Permute层的输出与TCN残差模块的输出完成位与位相乘，作为Attention机制模块的输出向量，实现了对隐层单元的动态加权过程，从而突出关键特征对负荷的影响。
进一步地，所述的输出层为全连接层，用于接受来自Attention机制模块的输出向量，并进行处理后输出短期负荷预测值。
优选地，所述的负荷历史特征包括前一天同一时刻负荷值、前一天上一时刻负荷值和前两天同一时刻负荷值，选取不同历史时刻的负荷数据，能够提高形态聚类形成的相似日簇的可靠性，提高预测精度。
进一步优选地，所述的时间特征包括月份、日期、小时和星期，所述的当前时刻气象因素包括气温、湿度、风速，所述的当天社会因素包括节假日与否，考虑到时间、气象因素和社会因素，全面考虑影响用电的因素，提高预测精度。
进一步地，所述的输入向量通过预测模型的输入层输入TCN残差模块进行处理，所述的Attention机制模块依据TCN残差模块输出的向量计算注意力权重向量，并将两者合并得到输出向量，所述的输出向量输入到全连接层中，最终得到短期负荷预测值。
与现有技术相比，本发明具有以下优点：
1)本发明的融合形态聚类及TCN-Attention的短期负荷预测方法能在考虑负荷曲线形态特征和气象相似性的情况下选取负荷相似日，针对特定的负荷相似日簇建立模型进行特征学习，使预测模型的训练更具有针对性，提高预测精度；
2)本发明在预测过程中采用可并行计算的时序卷积网络对数据进行大规模学习，大大提高预测速度；
3)本发明通过引入Attention机制为隐藏层中不同特征设置不同的权重，以加强关键特征对负荷预测的影响，提高负荷预测精度；
4)本发明充分考虑影响用电的因素，包括时间、气象因素、社会因素等，同时选取不同历史时刻的负荷数据作为负荷历史特征，符合实际用电特点，能进一步提高预测准确度。
附图说明
图1为本发明流程示意图；
图2为预测模型结构示意图。
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。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
如图1所示，针对负荷预测问题，本发明将形态聚类算法与引入Attention机制的TCN网络模型相结合，提出一种基于形态聚类及TCN-Attention的组合预测模型，本发明提供一种融合形态聚类及TCN-Attention的短期负荷预测方法，该方法包括：
1.基于负荷序列形态特征的聚类模块，该模块旨在将所有的日负荷曲线根据形态特征的差异划分为多个相似日簇，且各簇之间负荷具有较大差异，簇内负荷较为相似。同时针对特定的相似日簇建立预测模型进行特征学习，提高预测模型训练的针对性。
2.数据预处理模块，该模块将负荷所对应的时间特征(月份、日期、小时和星期)进行周期性特征编码，然后与负荷历史特征(前一天同一时刻负荷值、前一天上一时刻负荷值、前两天同一时刻负荷值等)和气象因素(气温、湿度、风速等)以及社会因素(节假日等)共同组合成预测模型的输入向量。
3.相似日簇训练子集选择模块，该模块通过获取待预测日与各相似日簇聚类中心的对应气象数据之间的相关性系数，得到气象影响因素的相似性，并将相关性最高的聚类中心所在簇作为待预测日的训练子集，具体为：将各对应气象数据相关性系数之和最大的聚类中心所在簇作为待预测日的训练子集。
4.TCN-Attention预测模块，该模块融合了时序卷积网络与Attention机制：
1)时序卷积网络，时序卷积网络是一种序列建模结构，融合了一维全卷积网络、因果卷积和扩张卷积，有效地避免了循环神经网络面临的梯度消失或者梯度爆炸问题，具有并行计算、低内存消耗、通过改变感受野来控制序列记忆长短等优势。
2)Attention机制，该机制是对人脑分配注意力形式的一种模拟，其本质是改变隐藏层中特征的权重。Attention机制能够从大量特征中合理地筛选出少量关键特征，并对他们赋予更多的权重，减少非关键特征的权重从而突出关键特征的影响。将Attention机制与TCN进行融合可以更好地突出影响负荷的关键特征、提高预测精度。
实施例1
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
参见图1，本实施例的一种融合形态聚类及TCN-Attention的短期负荷预测方法，步骤流程如下：
实施步骤和主要做法包括：①负荷历史日数据的形态聚类；②数据预处理；③选择相似日簇训练子集；④TCN-Attention预测。
1、负荷历史日数据的形态聚类包括以下步骤：
101)随机选择k条负荷历史日序列作为起始聚类中心；
102)计算每条负荷历史日序列到k条聚类中心的距离；
103)将每条负荷历史日序列划分至距离最近的聚类中心所在簇；
104)更新每个簇的聚类中心；
105)重复步骤102)到104)，直到聚类中心不再发生变化；
106)得到k个负荷相似日簇。
2、数据预处理模块首先对具有周期性的时间特征(月份、日期、小时和星期)采用周期性编码方法将其对应的一维数值变量扩展为二维的正弦值和余弦值，然后从数据库中读取负荷所对应的前一天同一时刻负荷值、前一天上一时刻负荷值、前两天同一时刻负荷值和当前时刻的气象因素(气温、湿度、风速等)以及当天的社会因素(节假日与否)，共同组合形成影响因素数据，作为预测模型的输入向量。
3.相似日簇训练子集选择模块首先利用相关性系数得到待预测日与各相似日簇聚类中心的对应气象数据之间的相关性，然后将各对应气象数据相关性系数之和最大的聚类中心所在簇作为待预测日的训练子集。
4.TCN-Attention预测模块如图2所示，该模块由输入层、TCN残差模块、Attention机制、输出层组成。模块中每层描述如下：
(1)输入层输入各负荷相似日簇及其对应的影响因素数据。
(2)如图2所示，TCN残差模块在TCN卷积层的基础上加入了WeightNorm层、激活函数和Dropout层，并在输入经过两层TCN卷积层后增加输入的直接映射。WeightNorm层能有效加快计算速度，Dropout层使神经元随机失活防止模型出现过拟合现象。添加输入的直接映射构建残差连接使模型能够进行更深层次的训练。为了让模型训练充分，本发明的模型包含了多个TCN残差模块，并通过加入一个1×1卷积，解决残差模块输入输出数据可能具有不同维度的问题。
(3)Attention机制为深层特征自动计算相应的权重分配并与其合并为新的向量。该层输入为TCN残差模块的输出向量，包括Multiply层、Permute层和Dense层，Permute层将输入的维度按照给定模式进行重排，Multiply层将Attention的输出与TCN残差模块的输出完成位与位相乘输出，实现了对隐层单元的动态加权过程，从而突出关键特征对负荷的影响。
(4)输出层为全连接层，接受来自Attention机制加权处理后的输出向量，将其处理为负荷预测值。
输入向量从输入层开始，经过多个TCN残差模块处理后进入Attention机制。Attention机制会依据当前输入的向量计算注意力权重向量，并将两者合并得到新的向量，输入到全连接层中输出预测值。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种融合形态聚类及TCN-Attention的短期负荷预测方法，其特征在于，包括以下步骤：
S1：对负荷历史日数据进行形态聚类，形成多个负荷相似日簇；
S2：对影响负荷预测的数据进行预处理，获取待预测日负荷预测的影响因素数据；
S3：根据各负荷相似日簇与影响因素数据的相似性为待预测日选择对应的相似日簇训练子集；
S4：将待预测日对应的相似日簇训练子集输入到预测模型进行训练；
S5：输入待预测日的影响因素数据至训练完成的预测模型，输出短期负荷预测值；
所述的预测模型包括依次连接的输入层、TCN残差模块、Attention机制模块和输出层；
所述的步骤S3具体包括：
S31：获取待预测日与各相似日簇聚类中心的对应气象因素数据之间的相关性系数；
S32：将各对应气象因素数据相关性系数之和最大的聚类中心所在簇作为待预测日的训练子集。
2.根据权利要求1所述的一种融合形态聚类及TCN-Attention的短期负荷预测方法，其特征在于，所述的步骤S1具体包括：
S11：随机选择k条负荷历史日数据序列，作为起始聚类中心；
S12：计算每条负荷历史日数据序列到k条聚类中心的距离；
S13：将每条负荷历史日数据序列划分至距离最近的聚类中心所在簇；
S14：更新每个簇的聚类中心；
S15：重复步骤S12-S14，直至每个簇的聚类中心不再发生变化；
S16：得到k个负荷相似日簇。
3.根据权利要求1所述的一种融合形态聚类及TCN-Attention的短期负荷预测方法，其特征在于，所述的步骤S2具体包括：
S21：将具有周期性的时间特征采用周期性编码方法，将一维数值变量扩展为二维的正弦值和余弦值；
S22：从数据库中获取负荷历史特征、当前时刻的气象因素以及当天社会因素；
S23：将周期性编码后的时间特征以及获取的负荷历史特征、当前时刻的气象因素和当天社会因素共同组合成影响因素数据。
4.根据权利要求1所述的一种融合形态聚类及TCN-Attention的短期负荷预测方法，其特征在于，所述的TCN残差模块包括的TCN卷积层、WeightNorm层、激活函数和Dropout层，所述的TCN卷积层设置两层，所述的WeightNorm层、激活函数和Dropout层分别依次设置于每个TCN卷积层后。
5.根据权利要求4所述的一种融合形态聚类及TCN-Attention的短期负荷预测方法，其特征在于，所述的TCN残差模块设置多个，所述的TCN残差模块的输入端与输出端之间还通过1×1卷积相互连接。
6.根据权利要求4或5所述的一种融合形态聚类及TCN-Attention的短期负荷预测方法，其特征在于，所述的Attention机制模块包括Permute层、Dense层和Multiply层，所述的Permute层将输入的维度按照给定模式进行重排，所述的Multiply层将Permute层的输出与TCN残差模块的输出完成位与位相乘，作为Attention机制模块的输出向量。
7.根据权利要求6所述的一种融合形态聚类及TCN-Attention的短期负荷预测方法，其特征在于，所述的输出层为全连接层，用于接受来自Attention机制模块的输出向量，并进行处理后输出短期负荷预测值。
8.根据权利要求3所述的一种融合形态聚类及TCN-Attention的短期负荷预测方法，其特征在于，所述的负荷历史特征包括前一天同一时刻负荷值、前一天上一时刻负荷值和前两天同一时刻负荷值，所述的时间特征包括月份、日期、小时和星期，所述的气象因素包括气温、湿度、风速，所述的当天社会因素包括节假日与否。
9.根据权利要求7所述的一种融合形态聚类及TCN-Attention的短期负荷预测方法，其特征在于，输入向量通过预测模型的输入层输入TCN残差模块进行处理，所述的Attention机制模块依据TCN残差模块输出的向量计算注意力权重向量，并将两者合并得到输出向量，所述的输出向量输入到全连接层中，最终得到短期负荷预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010571442.7A CN111815035B (zh) | 2020-06-22 | 2020-06-22 | 一种融合形态聚类及TCN-Attention的短期负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010571442.7A CN111815035B (zh) | 2020-06-22 | 2020-06-22 | 一种融合形态聚类及TCN-Attention的短期负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111815035A CN111815035A (zh) | 2020-10-23 |
| CN111815035B true CN111815035B (zh) | 2024-01-30 |
Family
ID=72846338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010571442.7A Active CN111815035B (zh) | 2020-06-22 | 2020-06-22 | 一种融合形态聚类及TCN-Attention的短期负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111815035B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113077122A (zh) * | 2021-03-12 | 2021-07-06 | 上海电力大学 | 一种基于电动汽车的时空分布充电负荷评估方法 |
| CN113178073A (zh) * | 2021-04-25 | 2021-07-27 | 南京工业大学 | 一种基于时间卷积网络的车流量短期预测优化应用方法 |
| CN113505534B (zh) * | 2021-07-07 | 2023-09-15 | 南京工程学院 | 一种考虑需求响应的负荷预测方法 |
| CN113780640A (zh) * | 2021-08-27 | 2021-12-10 | 河北工业大学 | 一种基于TCN-Attention的太阳能辐射预测方法 |
| CN113988373B (zh) * | 2021-09-27 | 2022-09-30 | 河海大学 | 基于多通道卷积神经网络的多任务海量用户负荷预测方法 |
| CN114399101A (zh) * | 2021-12-30 | 2022-04-26 | 华中科技大学无锡研究院 | 基于tcn-bigru的燃气负荷预测方法和装置 |
| CN115114395B (zh) * | 2022-04-15 | 2024-03-19 | 腾讯科技（深圳）有限公司 | 内容检索及模型训练方法、装置、电子设备和存储介质 |
| CN114841208B (zh) * | 2022-05-14 | 2024-11-01 | 哈尔滨理工大学 | 基于SAE与TCN-Attention模型的滚动轴承性能衰退预测方法及装置 |
| CN115544890A (zh) * | 2022-10-19 | 2022-12-30 | 重庆工商大学 | 一种短期电力负荷预测方法及系统 |
| CN118137492B (zh) * | 2024-04-30 | 2024-08-02 | 国网山东省电力公司泗水县供电公司 | 一种短期电力负荷预测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1080062A (ja) * | 1996-09-05 | 1998-03-24 | Fuji Electric Co Ltd | 日負荷曲線予測方法 |
| CN104820876A (zh) * | 2015-05-21 | 2015-08-05 | 国家电网公司 | 一种短期负荷预测方法和系统 |
| CN109583645A (zh) * | 2018-11-28 | 2019-04-05 | 上海电力学院 | 一种公共楼宇短期负荷预测方法 |
| CN109636063A (zh) * | 2018-12-26 | 2019-04-16 | 武汉理工大学 | 一种短期负荷预测的方法 |
| CN110535149A (zh) * | 2019-08-19 | 2019-12-03 | 国网冀北电力有限公司运营监测（控）中心 | 一种公变台区电力负荷三相不平衡预测方法 |
-
2020
- 2020-06-22 CN CN202010571442.7A patent/CN111815035B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1080062A (ja) * | 1996-09-05 | 1998-03-24 | Fuji Electric Co Ltd | 日負荷曲線予測方法 |
| CN104820876A (zh) * | 2015-05-21 | 2015-08-05 | 国家电网公司 | 一种短期负荷预测方法和系统 |
| CN109583645A (zh) * | 2018-11-28 | 2019-04-05 | 上海电力学院 | 一种公共楼宇短期负荷预测方法 |
| CN109636063A (zh) * | 2018-12-26 | 2019-04-16 | 武汉理工大学 | 一种短期负荷预测的方法 |
| CN110535149A (zh) * | 2019-08-19 | 2019-12-03 | 国网冀北电力有限公司运营监测（控）中心 | 一种公变台区电力负荷三相不平衡预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究;李鹏辉;崔承刚;杨宁;陈辉;;上海电力学院学报(第06期);全文 * |
| 基于D-S证据理论的相似日支持向量机短期负荷预测;李鑫滨;张娟;张岩;卢志刚;;电网技术(第07期);全文 * |
| 基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测;吴云;雷建文;鲍丽山;李春哲;;电力系统自动化(第20期);全文 * |
| 基于最优交集相似日选取的短期母线负荷综合预测;孙谦;姚建刚;赵俊;金敏;毛李帆;毛田;;中国电机工程学报(第04期);全文 * |
| 基于灰色关联分析与随机森林回归模型的短期负荷预测;张冰;周步祥;石敏;魏金萧;;水电能源科学(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111815035A (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111815035B (zh) | 一种融合形态聚类及TCN-Attention的短期负荷预测方法 | |
| CN110298138B (zh) | 一种综合能源系统优化方法、装置、设备及可读存储介质 | |
| CN114154558B (zh) | 基于图神经网络的分布式能源发电负荷预测系统及方法 | |
| CN112736902B (zh) | 一种基于stl分解的时间序列短期电力负荷预测方法 | |
| CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
| CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
| Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
| CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
| CN116777039A (zh) | 基于训练集分段和误差修正的双层神经网络风速预测方法 | |
| CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
| CN114153828A (zh) | 光伏发电系统智能数据清洗方法与装置 | |
| Zhen et al. | Simultaneous prediction for multiple source–loads based sliding time window and convolutional neural network | |
| CN117708710A (zh) | 一种面向配电台区的短期轻量级负荷预测方法 | |
| CN117239735A (zh) | 一种基于时空卷积的风电功率预测方法 | |
| CN116485139A (zh) | 一种基于多特征融合的短期光伏发电量预测方法 | |
| CN114004393B (zh) | 配电网-天然气联合系统双层多时间尺度运行优化方法 | |
| Deng et al. | Hybrid short-term load forecasting using the Hadoop MapReduce framework | |
| CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
| CN113222216B (zh) | 冷热电负荷预测方法、装置及系统 | |
| Zuo et al. | Short-term load forecasting for community battery systems based on temporal convolutional networks | |
| CN114513012A (zh) | 一种考虑时空相关性的新能源出力场景构建方法及系统 | |
| CN118568571B (zh) | 基于qtcn和随机lstm光伏功率预测方法和装置 | |
| CN118312737B (zh) | 一种质子交换膜燃料电池性能退化区间预测方法 | |
| CN113128064B (zh) | 用于仿真的热电数据聚合方法、系统、装置及存储介质 | |
| CN116526582B (zh) | 基于人工智能联合驱动的电力机组组合调度方法与系统 |
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 |