CN111950794A - 园区能耗预测方法，系统、设备和存储介质 - Google Patents

园区能耗预测方法，系统、设备和存储介质 Download PDF

Info

Publication number
CN111950794A
CN111950794A CN202010832124.1A CN202010832124A CN111950794A CN 111950794 A CN111950794 A CN 111950794A CN 202010832124 A CN202010832124 A CN 202010832124A CN 111950794 A CN111950794 A CN 111950794A
Authority
CN
China
Prior art keywords
model
energy consumption
peak power
correlation
prediction
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
Application number
CN202010832124.1A
Other languages
English (en)
Inventor
孙成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inesa R&d Center
Original Assignee
Inesa R&d Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Inesa R&d Center filed Critical Inesa R&d Center
Priority to CN202010832124.1A priority Critical patent/CN111950794A/zh
Publication of CN111950794A publication Critical patent/CN111950794A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/045—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—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

本发明提供一种园区能耗预测方法，系统、设备和存储介质，通过集成节假日属性和天气属性的相关性分析结果，建立多维度时序数据预测模型能够实现园区每日能耗高峰功率及其发生时段的精准预测，从而指导园区精细控制能耗使用和储能设备，达到降本增效的作用。

Description

园区能耗预测方法，系统、设备和存储介质
技术领域
本发明涉及机器学习技术领域，具体涉及一种园区能耗预测方法，系统、设备和存储介质。
背景技术
在能源供应日益紧张、环境污染日益严重的国内外环境下，进行以节能减耗为目的的能耗预测系统的研究，具有重要的意义。2018年3月28日，国家发改委发布了《国家发改委关于降低一般工商业电价有关事项的通知》，通知中明确了两部制电价计费方式在原有的按变压器容量和按合同最大需量两种方式上，增加了第三种方式，即实际最大需量方式，以切实减轻企业电费负担。两部制电价有助于形成经济杠杆，优化供电企业电源结构、提高效率。
尤其是在智慧园区各类管理中，物联网和大数据首先可以赋能能效管理，达到智慧园区能源管控。在当前两部制电价政策中，园区用电成本包括基于峰值功率测算的基础电费和基于实际用电量的分时电费。在其中，如何精确的预测和控制峰值功率，成为了影响园区用电基础电费成本的重要技术。
发明内容
本发明的目的是提供一种园区能耗预测方法、系统、设备和存储介质，以对园区每日能耗功率进行精细化的预测。
为了达到上述目的，本发明一方面提供一种园区能耗预测方法，包括以下步骤：
缺失值检查，获取园区能耗历史数据，检查漏传、缺项专利，并采用差值补全；
异常值处理，删除明显超出测量范围的错误数据；
统计每天峰值功率最大值，根据预处理后的园区能耗历史数据统计每天峰值功率最大值；
建立单维度时序数据预测模型，建立基于LSTM的预测模型，所述预测模型对未来2-3天的峰值功率和每天出现峰值的时段进行预测；
添加节假日属性进行相关性分析，基于Pearson算法计算节假日与峰值功率的相关性；
添加天气属性进行相关性分析，基于Pearson算法计算天气与峰值功率的相关性；
建立多维度时序数据预测模型，集成节假日相关性和天气相关性建立基于LSTM的预测模型对未来2-3天的峰值功率和每天出现峰值的时段进行预测。
进一步的，在所述单维度时序数据预测模型的建立过程中，包括以下步骤：
在每个循环周期结束以后，根据当前模型对训练样本的预测值计算出训练样本的权重；
将训练样本根据权重输入模型进行下一个循环周期的模型训练。
进一步的，在所述单维度时序数据预测模型的建立过程中，包括以下步骤：
集成多个循环周期训练的模型验证集的输出结果；
将集成后的输出结果与队友的样本标签重组为一个新的训练集；
将新组成的训练集输入模型进行训练得到最终输出结果。
进一步的，所述模型循环训练的公式为：
Figure BDA0002638374100000031
其中，α(t)为循环训练模型，α0为初始模型，T为模型的epoch数(时期)，M为模型的循环周期数。
进一步的，所述权重的计算公式为：
Figure BDA0002638374100000032
Figure BDA0002638374100000033
其中，设训练集D＝{(x1,y1),(x2,y2),…,(xm,ym)}，pi为模型对样本预测的准确情况，β为样本数，C为超参数，
Figure BDA0002638374100000034
为下一个循环周期对样本的权重。
另一方面，本发明还提供一种园区能耗预测系统，包括：
数据预处理模块，用以获取园区能耗历史数据，进行缺失值检查和异常值处理；
功率统计模块，用以根据预处理后的园区能耗历史数据统计每天峰值功率最大值；
单维度预测模型模块，建立基于LSTM的预测模型，所述预测模型对未来2-3天的峰值功率和每天出现峰值的时段进行预测；
相关性分析模块，基于Pearson算法计算节假日与峰值功率、天气与峰值功率的相关性；
多维度预测模型，集成节假日相关性和天气相关性建立基于LSTM的预测模型对未来2-3天的峰值功率和每天出现峰值的时段进行预测。
另一方面，本发明还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述方法的步骤。
另一方面，本发明还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如上述方法的步骤。
本发明提供一种园区能耗预测方法，系统、设备和存储介质，通过集成节假日属性和天气属性的相关性分析结果，建立多维度时序数据预测模型能够实现园区每日能耗高峰功率及其发生时段的精准预测，从而指导园区精细控制能耗使用和储能设备，达到降本增效的作用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的园区能耗预测方法的方法流程图。
图2是本发明一个实施例的园区能耗预测系统的系统架构图。
图3是本发明一个实施例的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
图1是本发明一个实施例的园区能耗预测方法的方法流程图，如图1所示，本发明的园区能耗预测方法包括以下步骤：
S101缺失值检查，获取园区能耗历史数据，检查漏传、缺项专利，并采用差值补全.
S102异常值处理，删除明显超出测量范围的错误数据。
S103统计每天峰值功率最大值，根据预处理后的园区能耗历史数据统计每天峰值功率最大值。
S104建立单维度时序数据预测模型，建立基于LSTM的预测模型，所述预测模型对未来2-3天的峰值功率和每天出现峰值的时段进行预测。
S105添加节假日属性进行相关性分析，基于Pearson算法计算节假日与峰值功率的相关性。
S106添加天气属性进行相关性分析，基于Pearson算法计算天气与峰值功率的相关性。
S107建立多维度时序数据预测模型，集成节假日相关性和天气相关性建立基于LSTM的预测模型对未来2-3天的峰值功率和每天出现峰值的时段进行预测。
具体的，本实施例采用集成snapshot方法的LSTM模型对历史数据进行训练和建模，包括以下步骤：
S201在每个循环周期结束以后，根据当前模型对训练样本的预测值计算出训练样本的权重。
S202将训练样本根据权重输入模型进行下一个循环周期的模型训练。
S203集成多个循环周期训练的模型验证集的输出结果。
S204将集成后的输出结果与队友的样本标签重组为一个新的训练集。
S205将新组成的训练集输入模型进行训练得到最终输出结果。
具体的，模型循环训练的公式为：
Figure BDA0002638374100000061
其中，α(t)为循环训练模型，α0为初始模型，T为模型的epoch数(时期)，M为模型的循环周期数。
具体的，权重的计算公式为：
Figure BDA0002638374100000062
Figure BDA0002638374100000063
其中，设训练集D＝{(x1,y1),(x2,y2),…,(xm,ym)}，pi为模型对样本预测的准确情况，wi为样本权重，β为样本数，C为超参数，
Figure BDA0002638374100000064
为下一个循环周期对样本的权重。
由上述公式可知，当样本xi标签为1是，模型输出的预测概率值
Figure BDA0002638374100000065
越接近1，及
Figure BDA0002638374100000066
越大，
Figure BDA0002638374100000067
越小，说明模型对样本xi预测的越好；当样本标签xi为0时，模型输出的预测概率值
Figure BDA0002638374100000068
越接近0，即
Figure BDA0002638374100000069
越小，说明模型对样本xi预测的越好。β＝q(c)，pi>β的样本是当前模型测得不够好的样本，需要加大这部分样本的权重，使得下一个训练循环周期关注这些样本，设置权重为
Figure BDA0002638374100000071
对于pi≤β的样本是当前模型已经预测足够好的样本，保持这部分的样本权重为1。
可以理解的是，上述方法中训练样本设置权重有两个好处：一是在不同的循环周期中，可以让模型对不同样本的关注度不同，使得一些难分类的样本有机会被分得更准确，提高了单个子模型的分类效果；二是增加了各个子模型之间的差异性，有利于最终结果的集成输出。
在本发明的实施例中，假设训练集Dt＝{(x1，y1)，(x2，y2)，…，(xm，ym)}，验证集Dv＝{(x1，y1)，(x2，y2)，…，(xn，yn)}，LSTM模型初始为f0，模型训练总的epoch数为T，循环周期数为M，初始学习为α0，训练集样本初始权重为W0＝1，逻辑回归模型为h。训练集成LSTM的详细步骤为：
a)for k＝1to M。
b)设置D的样本权重为Wk－1，按照式如下对应的循环学习率策略，在fk－1的基础上使用带权重的训练集D继续训练T/M个epoch后得fk。
c)for i＝，1to m。
d)xi∈D，得到样本xi的权重wi。
e)将w0，w1，…，wm组织成Wk。
f)设置逻辑回归所用训练集D'
g)for i＝1to n；
h)for k＝1to M；
i)oik＝fk(xi)，xi∈Dv
j)D'＝D'∪((oi1，oi2，…，oiM)，yi)，yi∈Dv
k)在D'上训练逻辑回归模型h。
l)模型训练完毕，得到逻辑回归模型h以及M个LSTM子模型f1，f2…，fM。
在测试阶段，利用上述训练完毕的M个模型f1，f2…，fM对测试集进行预测，并生成新的测试集，具体步骤与上述训练步骤的第f)步到第j)步类似。然后用训练完毕的逻辑回归模型h对新的测试集进行预测得到最终预测结果。
图2是本发明一个实施例的园区能耗预测系统的系统架构图。如图2所示，本发明的园区能耗预测系统，该系统实现园区能耗预测的步骤如上述方法所示，包括：
数据预处理模块1，用以获取园区能耗历史数据，进行缺失值检查和异常值处理。
功率统计模块2，用以根据预处理后的园区能耗历史数据统计每天峰值功率最大值。
单维度预测模型模块3，建立基于LSTM的预测模型，所述预测模型对未来2-3天的峰值功率和每天出现峰值的时段进行预测。
相关性分析模块4，基于Pearson算法计算节假日与峰值功率、天气与峰值功率的相关性。
多维度预测模型5，集成节假日相关性和天气相关性建立基于LSTM的预测模型对未来2-3天的峰值功率和每天出现峰值的时段进行预测。
图3是本发明一个实施例的一种电子设备的结构示意图。如图3所示，本发明一个实施例的一种电子设备包括一个或多个输入设备1000、一个或多个输出设备1000、一个或多个处理器3000和存储器4000。
在本发明一个实施例中，处理器1000、输入设备2000、输出设备3000和存储器4000可以通过总线或其它方式连接。输入设备2000、输出设备3000可以是标准的有线或无线通信接口。
处理器1000可以是中央处理模块(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器4000可以是高速RAM存储器，也可为非不稳定的存储器，例如磁盘存储器。存储器4000用于存储一组计算机程序，输入设备2000、输出设备3000和处理器1000可以调用存储器4000中存储的程序代码。
存储器4000存储的计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如上述实施例中所述专利价值评估方法的步骤。
本发明的一个实施例还提供一种计算机可读存储介质。该计算机可读存储介质可以是高速RAM存储器，也可为非不稳定的存储器，例如磁盘存储器。该计算机可读存储介质可通过外部计算设备或网络进行连接，以读取该计算机可读存储介质所存储的一组计算机程序。该计算机可读存储介质存储的计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如上述实施例中所述方法的步骤。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.园区能耗预测方法，其特征在于，包括以下步骤：
缺失值检查，获取园区能耗历史数据，检查漏传、缺项专利，并采用差值补全；
异常值处理，删除明显超出测量范围的错误数据；
统计每天峰值功率最大值，根据预处理后的园区能耗历史数据统计每天峰值功率最大值；
建立单维度时序数据预测模型，建立基于LSTM的预测模型，所述预测模型对未来2-3天的峰值功率和每天出现峰值的时段进行预测；
添加节假日属性进行相关性分析，基于Pearson算法计算节假日与峰值功率的相关性；
添加天气属性进行相关性分析，基于Pearson算法计算天气与峰值功率的相关性；
建立多维度时序数据预测模型，集成节假日相关性和天气相关性建立基于LSTM的预测模型对未来2-3天的峰值功率和每天出现峰值的时段进行预测。
2.如权利要求1所述的园区能耗预测方法，其特征在于，在所述单维度时序数据预测模型的建立过程中，包括以下步骤：
在每个循环周期结束以后，根据当前模型对训练样本的预测值计算出训练样本的权重；
将训练样本根据权重输入模型进行下一个循环周期的模型训练。
3.如权利要求2所述的园区能耗预测方法，其特征在于，在所述单维度时序数据预测模型的建立过程中，包括以下步骤：
集成多个循环周期训练的模型验证集的输出结果；
将集成后的输出结果与队友的样本标签重组为一个新的训练集；
将新组成的训练集输入模型进行训练得到最终输出结果。
4.如权利要求3所述的园区能耗预测方法，其特征在于，所述模型循环训练的公式为：
Figure FDA0002638374090000021
其中，α(t)为循环训练模型，α0为初始模型，T为模型的epoch数(时期)，M为模型的循环周期数。
5.权利要求3所述的园区能耗预测方法，其特征在于，所述权重的计算公式为：
Figure FDA0002638374090000022
Figure FDA0002638374090000023
其中，设训练集D＝{(x1,y1),(x2,y2),…,(xm,ym)}，pi为模型对样本预测的准确情况，wi为样本权重，β为样本数，C为超参数，
Figure FDA0002638374090000024
为下一个循环周期对样本的权重。
6.园区能耗预测系统，其特征在于，包括：
数据预处理模块，用以获取园区能耗历史数据，进行缺失值检查和异常值处理；
功率统计模块，用以根据预处理后的园区能耗历史数据统计每天峰值功率最大值；
单维度预测模型模块，建立基于LSTM的预测模型，所述预测模型对未来2-3天的峰值功率和每天出现峰值的时段进行预测；
相关性分析模块，基于Pearson算法计算节假日与峰值功率、天气与峰值功率的相关性；
多维度预测模型，集成节假日相关性和天气相关性建立基于LSTM的预测模型对未来2-3天的峰值功率和每天出现峰值的时段进行预测。
7.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1至5中任一项所述方法的步骤。
CN202010832124.1A 2020-08-18 2020-08-18 园区能耗预测方法，系统、设备和存储介质 Pending CN111950794A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010832124.1A CN111950794A (zh) 2020-08-18 2020-08-18 园区能耗预测方法，系统、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010832124.1A CN111950794A (zh) 2020-08-18 2020-08-18 园区能耗预测方法，系统、设备和存储介质

Publications (1)

Publication Number Publication Date
CN111950794A true CN111950794A (zh) 2020-11-17

Family

ID=73343063

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010832124.1A Pending CN111950794A (zh) 2020-08-18 2020-08-18 园区能耗预测方法，系统、设备和存储介质

Country Status (1)

Country Link
CN (1) CN111950794A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381673A (zh) * 2021-01-07 2021-02-19 武汉中原电子信息有限公司 一种基于数字孪生的园区用电信息分析方法及装置
CN113205202A (zh) * 2021-03-23 2021-08-03 苏州易助能源管理有限公司 一种基于产业园电力大数据的用电峰值预测方法及设备
WO2023028842A1 (zh) * 2021-08-31 2023-03-09 西门子股份公司 工厂运营的预测方法、装置及计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107967542A (zh) * 2017-12-21 2018-04-27 国网浙江省电力公司丽水供电公司 一种基于长短期记忆网络的售电量预测方法
CN108734331A (zh) * 2018-03-23 2018-11-02 武汉理工大学 基于lstm的短期光伏发电功率预测方法及系统
CN109829587A (zh) * 2019-02-12 2019-05-31 国网山东省电力公司电力科学研究院 基于深度lstm网络的小区域级超短期负荷预测及可视化方法
CN111191841A (zh) * 2019-12-30 2020-05-22 润联软件系统(深圳)有限公司 一种电力负荷预测方法、装置、计算机设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107967542A (zh) * 2017-12-21 2018-04-27 国网浙江省电力公司丽水供电公司 一种基于长短期记忆网络的售电量预测方法
CN108734331A (zh) * 2018-03-23 2018-11-02 武汉理工大学 基于lstm的短期光伏发电功率预测方法及系统
CN109829587A (zh) * 2019-02-12 2019-05-31 国网山东省电力公司电力科学研究院 基于深度lstm网络的小区域级超短期负荷预测及可视化方法
CN111191841A (zh) * 2019-12-30 2020-05-22 润联软件系统(深圳)有限公司 一种电力负荷预测方法、装置、计算机设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周捷: "基于时序数据的音乐流媒体用户流失预测" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381673A (zh) * 2021-01-07 2021-02-19 武汉中原电子信息有限公司 一种基于数字孪生的园区用电信息分析方法及装置
CN112381673B (zh) * 2021-01-07 2021-04-20 武汉中原电子信息有限公司 一种基于数字孪生的园区用电信息分析方法及装置
CN113205202A (zh) * 2021-03-23 2021-08-03 苏州易助能源管理有限公司 一种基于产业园电力大数据的用电峰值预测方法及设备
WO2023028842A1 (zh) * 2021-08-31 2023-03-09 西门子股份公司 工厂运营的预测方法、装置及计算机可读存储介质

Similar Documents

Publication Publication Date Title
Li et al. Photovoltaic power forecasting with a hybrid deep learning approach
CN111950794A (zh) 园区能耗预测方法，系统、设备和存储介质
CN109726865A (zh) 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质
Gong et al. Bottom-up load forecasting with Markov-based error reduction method for aggregated domestic electric water heaters
CN116632838B (zh) 应用于发电企业的电能供给分析的方法及装置
Zhang et al. Transfer learning featured short-term combining forecasting model for residential loads with small sample sets
CN114330934A (zh) 一种模型参数自适应的gru新能源短期发电功率预测方法
Tao et al. Reserve evaluation and energy management of micro-grids in joint electricity markets based on non-intrusive load monitoring
Yoon et al. Deep learning-based method for the robust and efficient fault diagnosis in the electric power system
Bhatt et al. Machine learning‐based approach for useful capacity prediction of second‐life batteries employing appropriate input selection
Phan et al. An approach using transformer-based model for short-term PV generation forecasting
Wang et al. An approach for day-ahead interval forecasting of photovoltaic power: A novel DCGAN and LSTM based quantile regression modeling method
CN109636276A (zh) 评估配送资源能力、订单分配、配送资源调度方法及装置
Zhang et al. Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering
Fışkın et al. Forecasting domestic shipping demand of cement: comparison of SARIMAX, ANN and hybrid SARIMAX-ANN
CN117529732A (zh) 用于发现目标设备存在的经训练的模型
Maalej et al. Sensor data augmentation strategy for load forecasting in smart grid context
Deng et al. Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network
Trong et al. Deterministic and probabilistic wind speed forecasting employing a hybrid deep learning model and quantile regression
Liu et al. A Self-Data-Driven Method for Lifetime Prediction of PV Arrays Considering the Uncertainty and Volatility
Swide et al. Energy Demand Prediction Based on Deep Learning Techniques
Zou et al. Mid-term Forecast of Electricity Consumption of Enterprises Based on Bi-Directional LSTM and Nonpooling CNN
CN113256018B (zh) 一种基于条件分位数回归模型的风电功率超短期概率预测方法
Zheng et al. Short-Term Load Forecast Based on Feature Reconstruction and Bidirectional LSTM
Hu et al. A Predictive Analytics Approach Based on Grey-Markov for Digital Economy

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