CN111950805B - 中长期电力负荷预测方法、装置、计算机设备及存储介质 - Google Patents
中长期电力负荷预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111950805B CN111950805B CN202010863334.7A CN202010863334A CN111950805B CN 111950805 B CN111950805 B CN 111950805B CN 202010863334 A CN202010863334 A CN 202010863334A CN 111950805 B CN111950805 B CN 111950805B
- Authority
- CN
- China
- Prior art keywords
- component
- approximate
- prediction
- detail
- data
- 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 40
- 238000003066 decision tree Methods 0.000 claims abstract description 41
- 230000005611 electricity Effects 0.000 claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 230000007774 longterm Effects 0.000 claims abstract description 23
- 239000000654 additive Substances 0.000 claims abstract description 17
- 230000000996 additive effect Effects 0.000 claims abstract description 17
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000000737 periodic effect Effects 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 29
- 230000001364 causal effect Effects 0.000 claims description 18
- 230000010339 dilation Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013519 translation Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
本发明公开了一种中长期电力负荷预测方法、装置、计算机设备及存储介质,所述方法包括:对历史日用电量数据进行小波变换预处理得到对应的近似分量和细节分量;对近似分量和所述细节分量进行特征提取,得到特征数据;将近似分量的特征数据输入至基于加性模型的时间序列预测模型进行学习,得到预测结果;将细节分量的特征数据输入至基于时间的卷积神经网络模型进行学习,得到输出结果;将输出结果作为目标特征,并利用轻量梯度提升决策树模型对目标特征进行学习,得到预测结果;对近似分量的预测结果和细节分量的预测结果进行汇总,得到最终的用电量预测结果,从而构建关于中长期电力负荷的预测模型。本发明可有效提高中长期电力负荷预测精度。
Description
技术领域
本发明涉及电力预测领域,特别涉及中长期电力负荷预测方法、装置、计算机设备及存储介质。
背景技术
目前,市场上针对电力负荷的主流预测大都是短时预测,其以日为计时单位。而中长期预测通常以周、旬或月为计时单位,现大多发电厂需提前一周甚至一月进行电量预测,从而合理控制电网运输电力,这直接关系电厂的经济效益和电网的用电安全。但是中长期预测涉及时间范围长,温度、天气等变量预测不确定性高,而导致这类变量无法被使用,预测难度大。
传统的中长期预测方法更多依托于专家经验,专家团队利用丰富的业务积累、专业的技术经验支撑起能源负荷预测任务,往往可以考虑十分全面,但打造这样一个专家团队需要巨大的人力成本和维护成本,可复制性、稳定性也不能有保障。而其他的像回归法、ARIMA(差分整合移动平均自回归模型)时间序列法和人工神经网络等,因为变量的局限性,难以捕捉其复杂的数据特征,并缺少对时序数据时间相关性的考虑,想要寻找一个合适的模型来拟合这种多变量的非线性关系是十分困难的,因此预测精度十分有限。
发明内容
本发明实施例提供了一种中长期电力负荷预测方法、装置、计算机设备及存储介质,旨在解决现有技术对于中长期电力负荷预测精度不足的问题。
第一方面,本发明实施例提供了一种中长期电力负荷预测方法,包括:
获取历史日用电量数据,并对所述历史日用电量数据进行小波变换预处理,得到对应的近似分量和细节分量;
对所述近似分量和所述细节分量分别进行特征提取,得到所述近似分量的特征数据和所述细节分量的特征数据;
将所述近似分量的特征数据输入至基于加性模型的时间序列预测模型进行训练学习,得到所述近似分量的预测结果;
将所述细节分量的特征数据输入至基于时间的卷积神经网络模型进行训练学习,得到所述细节分量对应的输出结果;
将所述细节分量对应的输出结果作为所述细节分量的目标特征,并利用轻量梯度提升决策树模型对所述目标特征进行训练学习,从而得到所述细节分量的预测结果;
对所述近似分量的预测结果和所述细节分量的预测结果进行累加汇总,得到最终的用电量预测结果,从而构建关于中长期电力负荷的预测模型;
利用所述预测模型对指定时间的用电量数据进行预测。
进一步的,所述获取历史日用电量数据,并对所述历史日用电量数据进行小波变换预处理,得到对应的近似分量和细节分量,包括:
获取历史日用电量数据,利用小波变换对所述历史日用电量数据进行分解,并对分解后的历史日用电量数据进行还原,得到低频子序列和高频子序列,然后将所述低频子序列作为近似分量,将所述高频子序列作为细节分量。
进一步的,所述对所述近似分量和所述细节分量分别进行特征提取,得到所述近似分量的特征数据和所述细节分量的特征数据,包括:
对所述近似分量进行特征提取,得到所述近似分量的特征数据;
设置周期性日期的时间窗口和非周期性日期的时间窗口;
根据周期性日期的时间窗口和非周期性日期的时间窗口,利用指数模型对各日期形成矩阵Z(t),其中,Z(t)=[1(t∈D1),1(t∈D2),···,1(t∈DL)],t为待预测的日期,D为对应的时间窗口;
对每一非周期性日期分配一用于表示变化的参数κ,κ~Normal(0,ν2),式中,参数κ服从正态分布,v2为参数κ的标准差,从而得到表示周期性日期和非周期性日期的模型:h(t)=Z(t)κ;
根据所述表示周期性日期和非周期性日期的模型对所述近似分量的特征数据进行划分,作为所述近似分量的特征数据。
进一步的,所述对所述近似分量和所述细节分量分别进行特征处理,得到所述近似分量的特征数据和所述细节分量的特征数据,还包括:
对所述细节分量按照每日数据进行切分,并将切分后的每日数据汇总为以周、旬或月为单位的用电量数据,然后根据以周、旬或月为单位的用电量数据生成所述细节分量的特征数据。
进一步的,所述将所述近似分量的特征数据输入至基于加性模型的时间序列预测模型进行训练学习,得到所述近似分量的预测结果,包括:
利用下述公式计算得到所述近似分量的日预测结果:
Y(t)=g(t)+s(t)+ε(t)
式中,Y(t)为日预测结果,g(t)为非周期性日期的特征数数据的拟合函数,s(t)为周期性日期的特征数据的表示函数,ε(t)为噪声函数;
对所述日预测结果以周、旬或月为单位进行切分或汇总,从而得到所述近似分量的预测结果。
进一步的,所述将所述细节分量的特征数据输入至基于时间的卷积神经网络模型进行训练学习,并得到所述细节分量对应的输出结果,包括:
将所述细节分量的特征数据输入基于时间的卷积神经网络模型中,得到对应的目标序列;
通过膨胀因果卷积对所述目标序列进行计算,计算公式如下:
式中,f(i)表示第i个滤波器,d为膨胀因子,d={1,2,..,2n},n为隐藏层层数,i=0,……,k-1,k为滤波器的个数,x为输入,t为时间,F(x)为膨胀因果卷积后的结果;
通过残差模块将输入x与膨胀因果卷积后的结果F(x)相加,再通过RELU函数后得到输出结果,计算公式如下:
o=RELU(x+F(x))
式中,o为输出结果。
进一步的,所述将所述细节分量对应的输出结果作为所述细节分量的目标特征,并利用轻量梯度提升决策树模型对所述目标特征进行训练学习,从而得到所述细节分量的预测结果,包括:
采用损失函数的负梯度作为决策树的残差近似值,拟合得到目标决策树;
将所述目标特征输入至所述目标决策树,并由所述目标决策树输出拟合结果,并将所述拟合结果作为所述细节分量的预测结果。
第二方面,本发明实施例提供了一种中长期电力负荷预测装置,包括:
预处理单元,用于获取历史日用电量数据,并对所述历史日用电量数据进行小波变换预处理,得到对应的近似分量和细节分量;
第一提取单元,用于对所述近似分量和所述细节分量分别进行特征提取,得到所述近似分量的特征数据和所述细节分量的特征数据;
第一学习单元,用于将所述近似分量的特征数据输入至基于加性模型的时间序列预测模型进行训练学习,得到所述近似分量的预测结果;
第二学习单元,用于将所述细节分量的特征数据输入至基于时间的卷积神经网络模型进行训练学习,得到所述细节分量对应的输出结果;
第三学习单元,用于将所述细节分量对应的输出结果作为所述细节分量的目标特征,并利用轻量梯度提升决策树模型对所述目标特征进行训练学习,从而得到所述细节分量的预测结果;
汇总单元,用于对所述近似分量的预测结果和所述细节分量的预测结果进行累加汇总,得到最终的用电量预测结果,从而构建关于中长期电力负荷的预测模型;
预测单元,用于利用所述预测模型对未来用电量数据进行预测。
第三方面,本发明实施例提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的中长期电力负荷预测方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的中长期电力负荷预测方法。
本发明实施例提供了一种中长期电力负荷预测方法、装置、计算机设备及存储介质,所述方法包括:获取历史日用电量数据,并对所述历史日用电量数据进行小波变换预处理,得到对应的近似分量和细节分量;对所述近似分量和所述细节分量分别进行特征提取,得到所述近似分量的特征数据和所述细节分量的特征数据;将所述近似分量的特征数据输入至基于加性模型的时间序列预测模型进行训练学习,得到所述近似分量的预测结果;将所述细节分量的特征数据输入至基于时间的卷积神经网络模型进行训练学习,得到所述细节分量对应的输出结果;将所述细节分量对应的输出结果作为所述细节分量的目标特征,并利用轻量梯度提升决策树模型对所述目标特征进行训练学习,从而得到所述细节分量的预测结果;对所述近似分量的预测结果和所述细节分量的预测结果进行累加汇总,得到最终的用电量预测结果,从而构建关于中长期电力负荷的预测模型;利用所述预测模型对指定时间的用电量数据进行预测。本发明实施例利用小波变换对历史日用电量数据处理,得到近似分量和细节分量,利用基于加性模型的时间序列预测模型和轻量梯度提升决策树模型分别对近似分量预测和细节分量进行预测,最后对两个分量的预测结果进行累加汇总得到最终的预测值,从而构建关于中长期电力负荷的预测模型。通过所述预测模型可有效提高对于中长期电力负荷的预测精度。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种中长期电力负荷预测方法的流程示意图;
图2为本发明实施例提供的一种中长期电力负荷预测方法的另一流程示意图;
图3为本发明实施例提供的一种中长期电力负荷预测装置的示意性框图。
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做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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
下面请参见图1,图1为本发明实施例提供的一种中长期电力负荷预测方法的流程示意图,具体包括:步骤S101~S107。
S101、获取历史日用电量数据,并对所述历史日用电量数据进行小波变换预处理,得到对应的近似分量和细节分量;
S102、对所述近似分量和所述细节分量分别进行特征提取,得到所述近似分量的特征数据和所述细节分量的特征数据;
S103、将所述近似分量的特征数据输入至基于加性模型的时间序列预测模型进行训练学习,得到所述近似分量的预测结果;
S104、将所述细节分量的特征数据输入至基于时间的卷积神经网络模型进行训练学习,得到所述细节分量对应的输出结果;
S105、将所述细节分量对应的输出结果作为所述细节分量的目标特征,并利用轻量梯度提升决策树模型对所述目标特征进行训练学习,从而得到所述细节分量的预测结果;
S106、对所述近似分量的预测结果和所述细节分量的预测结果进行累加汇总,得到最终的用电量预测结果,从而构建关于中长期电力负荷的预测模型;
S107、利用所述预测模型对指定时间的用电量数据进行预测。
本实施例中,结合图2,首先利用小波变换对历史日用电量数据进行预处理,然后利用基于加性模型的时间序列预测模型对近似分量的特征数据进行训练,得到所述近似分量的预测结果,以及利用基于时间的卷积神经网络模型对所述细节分量进行训练,并利用轻量梯度提升决策树对基于时间的卷积神经网络模型的输出进行训练学习,从而得到所述细节分量的预测结果,然后将近似分量和细节分量的预测结果进行累加汇总即可得到最终的预测结果。
本实施例所采用的基于加性模型的时间序列预测方法能更好的处理多个时间范围内的季节性问题,而且数据不必像ARIMA模型要求在时间上保持连续,而是更多依托于本身的数据变化,且具有拟合速度快的优点。另外,将基于时间的卷积网络和轻量梯度提升决策树算法模型(TLGBM)结合使用,一方面可以通过基于时间的卷积网络更实在的留住长远以前的记忆,并且使整个模型框架的设计比其他RNN(循环神经网络)模型更为简单和精确,另一方面把基于时间的卷积网络的预测值作为轻量梯度提升决策树的特征进行处理,从而更有利于捕捉非稳定序列的特征,也有利于提升训练速度,进而提高对于中长期电力负荷的预测精度。
在一实施例中,所述步骤S101包括:
获取历史日用电量数据,利用小波变换对所述历史日用电量数据进行分解,并对分解后的历史日用电量数据进行还原,得到低频子序列和高频子序列,然后将所述低频子序列作为近似分量,将所述高频子序列作为细节分量。
本实施例中,利用小波变换对所述历史日用电量数据进行分解,为了补齐分解后的数据长度,从而对分解后的数据进行还原,得到低频子序列和高频子序列,即近似分量和细节分量。
小波变换(wavelet transform,WT)继承和发展了短时傅立叶(Fourier)变换局部化的思想,同时又克服了窗口大小不随频率变化等缺点,能够提供一个随频率改变的“时间-频率”窗口,是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征,能对时间(空间)频率的局部化分析,通过伸缩平移运算对信号(函数)逐步进行多尺度细化,最终达到高频处时间细分,低频处频率细分,能自动适应时频信号分析的要求,从而可聚焦到信号的任意细节,解决了Fourier变换的困难问题。
在一实施例中,所述步骤S102包括:
对所述近似分量进行特征提取,得到所述近似分量的特征数据;
设置周期性日期的时间窗口和非周期性日期的时间窗口;
根据周期性日期的时间窗口和非周期性日期的时间窗口,利用指数模型对各日期形成矩阵Z(t),其中,Z(t)=[1(t∈D1),1(t∈D2),···,1(t∈DL)],t为待预测的日期,D为对应的时间窗口;
对每一非周期性日期分配一用于表示变化的参数κ,κ~Normal(0,ν2),式中,参数κ服从正态分布,v2为参数κ的标准差,从而得到表示周期性日期和非周期性日期的模型:h(t)=Z(t)κ;
根据所述表示周期性日期和非周期性日期的模型对所述近似分量的特征数据进行划分,作为所述近似分量的特征数据。
本实施例中,对近似分量进行特征处理(即特征提取),除了把历史用电量数据当作所述近似分量的特征以外,还需根据基于加性模型的时间序列预测模型调整不同的时间特征。所述近似分量中可以包含周期性日期和非周期性日期,例如大多节假日即可以看做非周期性日期。而节假日会对电力负荷预测带来巨大的、可预见的冲击,并且由于节假日通常不遵循周期模式,因此节假日对电力负荷预测产生的影响不能通过周期性的方式进行拟合,或者说通过周期性的方式进行拟合后的效果较差。比如说春节对时间序列的影响往往年复一年地相似,但是春节在每年公历的时间并不一致。因此需要将周期性日期和非周期性日期分别进行处理。
具体的,首先对所述近似分量中的周期性日期和非周期性日期设置不同的时间窗口,对于周期性日期,可以设置统一的时间窗口,例如7天(即一周);对于非周期日期,可以根据实际情况而具体设置时间窗口,例如,对短期的节假日(包括元旦、清明、五一、端午和中秋等),可以将其时间窗口设置为5天;对长期的节假日(包括春节和国庆等),可以将其时间窗口设置为10天。
然后根据周期性日期的时间窗口和非周期性日期的时间窗口,利用指数模型对各日期形成矩阵Z(t)=[1(t∈D1),1(t∈D2),···,1(t∈DL)];随后为每个节假日分配一个能表示变化的参数κ~Normal(0,ν2),从而得到可划分周期性日期和非周期性日期的模型:h(t)=Z(t)κ。
举例来说,若当前有3个节假日日期:9.8-9.14,9.25-10.2,9.28-10.15,判断10.1是否是这个节假日日期,是则是1,不是则为0,因可以得到矩阵[0,1,1]。
进一步的,基于加性模型的时间序列预测模型还考虑到节假日前后一段时间也会对预测结果产生影响,因此可以将节假日以及节假日前后的时间设置一个时间窗口,该时间窗口的长度比该节假日的时间窗口的长度要更长,从而使得到的预测结果更准确。
在一实施例中,所述步骤S102还包括:
对所述细节分量按照每日数据进行切分,并将切分后的每日数据汇总为以周、旬或月为单位的用电量数据,然后根据以周、旬或月为单位的用电量数据生成所述细节分量的特征数据。
本实施例中,对所述细节分量进行特征处理,首先对所述细节分量中的每日数据进行切分,并根据需求形成以周、旬或者月为单位的用电量数据,然后再根据以周、旬或者月为单位的用电量数据生成相应的特征。
由于电力负荷具有一定的随机性,为了能够排除因为异常原因在某时间点或某时间段造成的电力负荷值的异常,本实施例将历史用电量数据作为自变量输入至模型中,从而确保模型在未来预测时不会发生波动。对于自变量的选取,主要可以考虑以下三种情况:一是选择最末期数据;二是选择预设期数(例如最近5期)数据的平均值;三是选择预设期数(例如最近5期)的移动平均值(一种趋向类指标)。如此可以考虑远期历史数据的影响,抹平因数据异常而产生的波动。
另外,电力负荷也具有一定的周期性,因此也要把未来会重复发生的干扰因素纳入模型。比如说节假日会对用电需求产生影响,尤其是工业用电需求,因此需要提取与时间相关的数据信息作为自变量。日期的数据类型为时间,即可以通过时间间隔相减或者提取日期代表的季节或者特殊日等方法,提取时间上的特征数据。例如通过确定是否有节假日、序列日期所在的季度、月份、年第几周、月第几周、月第几旬等方式提取特征。
在一实施例中,所述步骤S103包括:
利用下述公式计算得到所述近似分量的日预测结果:
Y(t)=g(t)+s(t)+ε(t)
式中,Y(t)为日预测结果,g(t)为非周期性日期的特征数数据的拟合函数,s(t)为周期性日期的特征数据的表示函数,ε(t)为噪声函数;
对所述日预测结果以周、旬或月为单位进行切分或汇总,从而得到所述近似分量的预测结果。
本实施例中,首先可以将所述近似分量的特征数据中的一部分作为训练数据输入至基于加性模型的时间序列预测模型进行训练,然后再将另一部分特征数据作为测试数据输入至基于加性模型的时间序列预测模型进行预测,从而得到所述近似分量的日预测结果。再根据需要输出的时间单位(例如以周、旬或者月为时间单位等)对所述日预测结果进行切分汇总得到最终近似分量的预测结果。
在一实施例中,所述步骤S104包括:
将所述细节分量的特征数据输入基于时间的卷积神经网络模型中,得到对应的目标序列;
通过膨胀因果卷积对所述目标序列进行计算,计算公式如下:
式中,f(i)表示第i个滤波器,d为膨胀因子,d={1,2,..,2n},n为隐藏层层数,i=0,……,k-1,k为滤波器的个数,x为输入,t为时间,F(x)为膨胀因果卷积后的结果;
通过残差模块将输入x与膨胀因果卷积后的结果F(x)相加,再通过RELU函数后得到输出结果,计算公式如下:
o=RELU(x+F(x))
式中,o为输出结果。
本实施例中,同样可以将所述细节分量的特征数据中的一部分作为训练数据,输入至基于时间的卷积网络模型进行训练,然后将另一部分特征数据作为测试数据输入至基于时间的卷积神经网络模型进行预测,从而得到基于时间的卷积神经网络模型的输出结果。
因为RNN(循环神经网络模型)存在时序上的计算连接,因此本实施例所采用的基于时间的卷积神经网络模型的训练速度比LSTM循环神经网络模型的训练速度更快。另外,基于时间的卷积神经网络模型也具有更大的感受视野,可以获得更长的历史信息,是对CNN(卷积神经网络模型)的局部感受野的重要改进,而这则意味基于时间的卷积神经网络模型更加擅长捕捉时序上的依赖关系,能够捕捉序列的更多特征。
本实施例采用的基于时间的卷积神经网络模型,其网络架构包含全卷积网络、膨胀因果卷积和残差模块等。通过利用全卷积网络的结构,使得卷积神经网络中每一个隐藏层的输入输出的时间长度都相同,维持相同的时间步,换句话说,第一隐藏层不管卷积核和膨胀系数为多少,输入若是n个时间步,输出则同样为n个时间步。同样的,第二隐藏层、第三隐藏层的输入输出时间步长度都是n。通过膨胀因果卷积实现两个功能,即一个是因果卷积功能,即输入只能是时刻t以及时刻t以前时刻的数据进行卷积运算;另一个是膨胀卷积,即允许卷积计算时的输入存在间隔采样,而采样间隔受膨胀因子d控制。残差模块是为了解决网络结构过深时而导致梯度消失的问题,残差模块将输入x与膨胀因果卷积后的结果F(x)相加,再通过RELU函数(Rectified Linear Unit,线性整流函数,一种人工神经网络中常用的激活函数,通常指代以斜坡函数及其变种为代表的非线性函数)后即可得到输出结果。通过膨胀因果卷积和残差模块使结构更加具有泛化能力。
在一实施例中,所述步骤S105包括:
采用损失函数的负梯度作为决策树的残差近似值,拟合得到目标决策树;
将所述目标特征输入至所述目标决策树,并由所述目标决策树输出拟合结果,并将所述拟合结果作为所述细节分量的预测结果。
本实施例中,将所述细节分量的目标特征中的一部分作为训练数据输入轻量梯度提升决策树模型进行训练。再将所述目标特征的另一部分数据作为测试数据输入至训练好的轻量梯度提升决策树模型中,得到细节分量的最终预测结果。
所述轻量梯度提升决策树是结合使用GOSS(Gradient-based One-SideSampling,基于梯度的one-side采样)和EFB(Exclusive Feature Bundling,互斥的特征捆绑)的GBDT(Gradient Boosting Decision Tree,梯度提升迭代决策树)算法,所述轻量梯度提升决策树采用损失函数的负梯度作为决策树的残差近似值,去拟合得到新的决策树(即目标决策树)。虽然所述轻量梯度提升决策树和XGBoost(eXtreme Gradient Boosting,极端梯度提升)一样是对GBDT的高效实现,但XGBoost计算量大、内存占用大且易产生过拟合,而所述轻量梯度提升决策树通过采用少量的样本计算信息增益、内置特征降维技术和选择残差大的样本来进行特征分裂生成的树,使得轻量梯度提升决策树有着更快的训练效率、低内存使用和更高的准确率。
图3为本发明实施例提供的一种中长期电力负荷预测装置300的示意性框图,该中长期电力负荷预测预测装置300包括:
预处理单元301,用于获取历史日用电量数据,并对所述历史日用电量数据进行小波变换预处理,得到对应的近似分量和细节分量;
第一提取单元302,用于对所述近似分量和所述细节分量分别进行特征提取,得到所述近似分量的特征数据和所述细节分量的特征数据;
第一学习单元303,用于将所述近似分量的特征数据输入至基于加性模型的时间序列预测模型进行训练学习,得到所述近似分量的预测结果;
第二学习单元304,用于将所述细节分量的特征数据输入至基于时间的卷积神经网络模型进行训练学习,得到所述细节分量对应的输出结果;
第三学习单元305,用于将所述细节分量对应的输出结果作为所述细节分量的目标特征,并利用轻量梯度提升决策树模型对所述目标特征进行训练学习,从而得到所述细节分量的预测结果;
汇总单元306,用于对所述近似分量的预测结果和所述细节分量的预测结果进行累加汇总,得到最终的用电量预测结果,从而构建关于中长期电力负荷的预测模型;
预测单元307,用于利用所述预测模型对未来用电量数据进行预测。
在一实施例中,所述预处理单元301包括:
分解及还原单元,用于获取历史日用电量数据,利用小波变换对所述历史日用电量数据进行分解,并对分解后的历史日用电量数据进行还原,得到低频子序列和高频子序列,然后将所述低频子序列作为近似分量,将所述高频子序列作为细节分量。
在一实施例中,所述第一提取单元302包括:
第二提取单元,用于对所述近似分量进行特征提取,得到所述近似分量的特征数据;
设置单元,用于设置周期性日期的时间窗口和非周期性日期的时间窗口;
指数单元,用于根据周期性日期的时间窗口和非周期性日期的时间窗口,利用指数模型对各日期形成矩阵Z(t),其中,Z(t)=[1(t∈D1),1(t∈D2),···,1(t∈DL)],t为待预测的日期,D为对应的时间窗口;
分配单元,用于对每一非周期性日期分配一用于表示变化的参数κ,κ~Normal(0,ν2),式中,参数κ服从正态分布,v2为参数κ的标准差,从而得到表示周期性日期和非周期性日期的模型:h(t)=Z(t)κ;
划分单元,用于根据所述表示周期性日期和非周期性日期的模型对所述近似分量的特征数据进行划分,作为所述近似分量的特征数据。
在一实施例中,所述提取单元302还包括:
切分单元,用于对所述细节分量按照每日数据进行切分,并将切分后的每日数据汇总为以周、旬或月为单位的用电量数据,然后根据以周、旬或月为单位的用电量数据生成所述细节分量的特征数据。
在一实施例中,所述第一学习单元303包括:
计算单元,用于利用下述公式计算得到所述近似分量的日预测结果:
Y(t)=g(t)+s(t)+ε(t)
式中,Y(t)为日预测结果,g(t)为非周期性日期的特征数数据的拟合函数,s(t)为周期性日期的特征数据的表示函数,ε(t)为噪声函数;
汇总单元,用于对所述日预测结果以周、旬或月为单位进行切分或汇总,从而得到所述近似分量的预测结果。
在一实施例中,所述第二学习单元304包括:
输入单元,用于将所述细节分量的特征数据输入基于时间的卷积神经网络模型中,得到对应的目标序列;
膨胀因果卷积单元,用于通过膨胀因果卷积对所述目标序列进行计算,计算公式如下:
式中,f(i)表示第i个滤波器,d为膨胀因子,d={1,2,..,2n},n为隐藏层层数,i=0,……,k-1,k为滤波器的个数,x为输入,t为时间,F(x)为膨胀因果卷积后的结果;
残差模块单元,用于通过残差模块将输入x与膨胀因果卷积后的结果F(x)相加,再通过RELU函数后得到输出结果,计算公式如下:
o=RELU(x+F(x))
式中,o为输出结果。
在一实施例中,所述第三学习单元305包括:
第一拟合单元,用于采用损失函数的负梯度作为决策树的残差近似值,拟合得到目标决策树;
第二拟合单元,用于将所述目标特征输入至所述目标决策树,并由所述目标决策树输出拟合结果,并将所述拟合结果作为所述细节分量的预测结果。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
本发明实施例还提供了一种计算机可读存储介质,其上存有计算机程序,该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供了一种计算机设备,可以包括存储器和处理器,存储器中存有计算机程序,处理器调用存储器中的计算机程序时,可以实现上述实施例所提供的步骤。当然计算机设备还可以包括各种网络接口,电源等组件。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (9)
1.一种中长期电力负荷预测方法,其特征在于,包括:
获取历史日用电量数据,并对所述历史日用电量数据进行小波变换预处理,得到对应的近似分量和细节分量;
对所述近似分量和所述细节分量分别进行特征提取,得到所述近似分量的特征数据和所述细节分量的特征数据;
所述对所述近似分量和所述细节分量分别进行特征提取,得到所述近似分量的特征数据和所述细节分量的特征数据,包括:
对所述近似分量进行特征提取,得到所述近似分量的特征数据;
设置周期性日期的时间窗口和非周期性日期的时间窗口;
根据周期性日期的时间窗口和非周期性日期的时间窗口,利用指数模型对各日期形成矩阵Z(t),其中,Z(t)=[1(t∈D1),1(t∈D2),···,1(t∈DL)],t为待预测的日期,L为所在地区的法定节假日列表,D为法定节假日列表对应的时间窗口,当t不属于D的时候,Z(t)=0;
对每一非周期性日期分配一用于表示变化的参数κ,κ~Normal(0,v2),式中,参数κ服从正态分布,v2为参数κ的标准差,从而得到表示周期性日期和非周期性日期的模型:h(t)=Z(t)κ;
根据所述表示周期性日期和非周期性日期的模型对所述近似分量的特征数据进行划分,作为所述近似分量的特征数据;
将所述近似分量的特征数据输入至基于加性模型的时间序列预测模型进行训练学习,得到所述近似分量的预测结果;
将所述细节分量的特征数据输入至基于时间的卷积神经网络模型进行训练学习,得到所述细节分量对应的输出结果;
将所述细节分量对应的输出结果作为所述细节分量的目标特征,并利用轻量梯度提升决策树模型对所述目标特征进行训练学习,从而得到所述细节分量的预测结果;
对所述近似分量的预测结果和所述细节分量的预测结果进行累加汇总,得到最终的用电量预测结果,从而构建关于中长期电力负荷的预测模型;
利用所述预测模型对指定时间的用电量数据进行预测。
2.根据权利要求1所述的中长期电力负荷预测方法,其特征在于,所述获取历史日用电量数据,并对所述历史日用电量数据进行小波变换预处理,得到对应的近似分量和细节分量,包括:
获取历史日用电量数据,利用小波变换对所述历史日用电量数据进行分解,并对分解后的历史日用电量数据进行还原,得到低频子序列和高频子序列,然后将所述低频子序列作为近似分量,将所述高频子序列作为细节分量。
3.根据权利要求1所述的中长期电力负荷预测方法,其特征在于,所述对所述近似分量和所述细节分量分别进行特征处理,得到所述近似分量的特征数据和所述细节分量的特征数据,还包括:
对所述细节分量中的每日数据进行切分,并将切分后的每日数据汇总为以周、旬或月为单位的用电量数据,然后根据以周、旬或月为单位的用电量数据生成所述细节分量的特征数据。
4.根据权利要求1所述的中长期电力负荷预测方法,其特征在于,所述将所述近似分量的特征数据输入至基于加性模型的时间序列预测模型进行训练学习,得到所述近似分量的预测结果,包括:
利用下述公式计算得到所述近似分量的日预测结果:
Y(t)=g(t)+s(t)+ε(t)
式中,Y(t)为日预测结果,g(t)为非周期性日期的特征数据的拟合函数,s(t)为周期性日期的特征数据的表示函数,ε(t)为噪声函数;
对所述日预测结果以周、旬或月为单位进行切分或汇总,从而得到所述近似分量的预测结果。
5.根据权利要求1所述的中长期电力负荷预测方法,其特征在于,所述将所述细节分量的特征数据输入至基于时间的卷积神经网络模型进行训练学习,并得到所述细节分量对应的输出结果,包括:
将所述细节分量的特征数据输入基于时间的卷积神经网络模型中,得到对应的目标序列;
通过膨胀因果卷积对所述目标序列进行计算,计算公式如下:
式中,f(i)表示第i个滤波器,d为膨胀因子,d={1,2,..,2n},n为隐藏层层数,i=0,……,k-1,k为滤波器的个数,x为输入,t为时间,F(x)为膨胀因果卷积后的结果;
通过残差模块将输入x与膨胀因果卷积后的结果F(x)相加,再通过RELU函数后得到输出结果,计算公式如下:
o=RELU(x+F(x))
式中,o为输出结果。
6.根据权利要求1所述的中长期电力负荷预测方法,其特征在于,所述将所述细节分量对应的输出结果作为所述细节分量的目标特征,并利用轻量梯度提升决策树模型对所述目标特征进行训练学习,从而得到所述细节分量的预测结果,包括:
采用损失函数的负梯度作为决策树的残差近似值,拟合得到目标决策树;
将所述目标特征输入至所述目标决策树,并由所述目标决策树输出拟合结果,并将所述拟合结果作为所述细节分量的预测结果。
7.一种中长期电力负荷预测装置,其特征在于,包括:
预处理单元,用于获取历史日用电量数据,并对所述历史日用电量数据进行小波变换预处理,得到对应的近似分量和细节分量;
第一提取单元,用于对所述近似分量和所述细节分量分别进行特征提取,得到所述近似分量的特征数据和所述细节分量的特征数据;
所述第一提取单元包括:
第二提取单元,用于对所述近似分量进行特征提取,得到所述近似分量的特征数据;
设置单元,用于设置周期性日期的时间窗口和非周期性日期的时间窗口;
指数单元,用于根据周期性日期的时间窗口和非周期性日期的时间窗口,利用指数模型对各日期形成矩阵Z(t),其中,Z(t)=[1(t∈D1),1(t∈D2),···,1(t∈DL)],t为待预测的日期,L为所在地区的法定节假日列表,D为法定节假日列表对应的时间窗口,当t不属于D的时候,Z(t)=0;
分配单元,用于对每一非周期性日期分配一用于表示变化的参数κ,κ~Normal(0,v2),式中,参数κ服从正态分布,v2为参数κ的标准差,从而得到表示周期性日期和非周期性日期的模型:h(t)=Z(t)κ;
划分单元,用于根据所述表示周期性日期和非周期性日期的模型对所述近似分量的特征数据进行划分,作为所述近似分量的特征数据;
第一学习单元,用于将所述近似分量的特征数据输入至基于加性模型的时间序列预测模型进行训练学习,得到所述近似分量的预测结果;
第二学习单元,用于将所述细节分量的特征数据输入至基于时间的卷积神经网络模型进行训练学习,得到所述细节分量对应的输出结果;
第三学习单元,用于将所述细节分量对应的输出结果作为所述细节分量的目标特征,并利用轻量梯度提升决策树模型对所述目标特征进行训练学习,从而得到所述细节分量的预测结果;
汇总单元,用于对所述近似分量的预测结果和所述细节分量的预测结果进行累加汇总,得到最终的用电量预测结果,从而构建关于中长期电力负荷的预测模型;
预测单元,用于利用所述预测模型对未来用电量数据进行预测。
8.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的中长期电力负荷预测方法。
9.一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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的中长期电力负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010863334.7A CN111950805B (zh) | 2020-08-25 | 2020-08-25 | 中长期电力负荷预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010863334.7A CN111950805B (zh) | 2020-08-25 | 2020-08-25 | 中长期电力负荷预测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111950805A CN111950805A (zh) | 2020-11-17 |
CN111950805B true CN111950805B (zh) | 2022-09-20 |
Family
ID=73366419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010863334.7A Active CN111950805B (zh) | 2020-08-25 | 2020-08-25 | 中长期电力负荷预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950805B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508299A (zh) * | 2020-12-18 | 2021-03-16 | 南方电网科学研究院有限责任公司 | 一种电力负荷预测方法、装置、终端设备及存储介质 |
CN112633412B (zh) * | 2021-01-05 | 2024-05-14 | 南方电网数字平台科技(广东)有限公司 | 异常用电检测方法、设备及存储介质 |
CN112883649B (zh) * | 2021-02-26 | 2023-08-11 | 华润数字科技有限公司 | 一种电力负荷预测方法、系统、计算机设备及存储介质 |
CN113947201A (zh) * | 2021-08-02 | 2022-01-18 | 国家电投集团电站运营技术(北京)有限公司 | 电力分解曲线预测模型的训练方法、装置以及存储介质 |
CN114169650B (zh) * | 2022-01-27 | 2022-09-27 | 中国华能集团有限公司江西分公司 | 一种火力发电中长期建模预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472779A (zh) * | 2019-07-30 | 2019-11-19 | 东莞理工学院 | 一种基于时间卷积网络的电力系统短期负荷预测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373855A (zh) * | 2015-11-19 | 2016-03-02 | 国网河南省电力公司电力科学研究院 | 一种用于特殊天气和特殊日期的电力系统日负荷预测方法 |
CN107392368B (zh) * | 2017-07-17 | 2020-11-10 | 天津大学 | 一种基于气象预报的办公建筑动态热负荷组合预测方法 |
CN108846528B (zh) * | 2018-09-19 | 2021-07-09 | 云南电网有限责任公司信息中心 | 一种大工业电力用户长期负荷预测方法 |
CN109766950B (zh) * | 2019-01-18 | 2023-07-14 | 东北大学 | 一种基于形态聚类和LightGBM的工业用户短期负荷预测方法 |
CN109992608B (zh) * | 2019-03-26 | 2022-03-04 | 浙江大学 | 一种基于频域的多模型融合预测方法和系统 |
CN110322695B (zh) * | 2019-07-23 | 2020-10-09 | 内蒙古工业大学 | 一种基于深度学习的短时交通流预测方法 |
CN110909926A (zh) * | 2019-11-18 | 2020-03-24 | 中国计量大学 | 基于tcn-lstm的太阳能光伏发电预测方法 |
CN111260030B (zh) * | 2020-01-13 | 2021-01-05 | 润联软件系统(深圳)有限公司 | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 |
-
2020
- 2020-08-25 CN CN202010863334.7A patent/CN111950805B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472779A (zh) * | 2019-07-30 | 2019-11-19 | 东莞理工学院 | 一种基于时间卷积网络的电力系统短期负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111950805A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950805B (zh) | 中长期电力负荷预测方法、装置、计算机设备及存储介质 | |
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
Wen et al. | Stock market trend prediction using high-order information of time series | |
Bianchi et al. | Short-term electric load forecasting using echo state networks and PCA decomposition | |
Zhang et al. | A novel Encoder-Decoder model based on read-first LSTM for air pollutant prediction | |
CN111260030B (zh) | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 | |
Junior et al. | Optimized hybrid ensemble learning approaches applied to very short-term load forecasting | |
CN111382906B (zh) | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 | |
CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
CN112766535B (zh) | 一种考虑负荷曲线特征的建筑负荷预测方法及系统 | |
CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
CN116663746A (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
CN116933033A (zh) | 基于arima模型的河道水位越限预测方法及系统 | |
Pindoriya et al. | Forecasting of short-term electric load using application of wavelets with feed-forward neural networks | |
CN116911419A (zh) | 一种基于趋势相关性特征学习的长时序预测方法 | |
CN117473275B (zh) | 一种数据中心的能耗检测方法 | |
Jing et al. | Runoff forecasting model based on variational mode decomposition and artificial neural networks | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
Yi | RETRACTED ARTICLE: Forecast of agricultural water resources demand based on particle swarm algorithm | |
Singhania et al. | Forecasting the United States unemployment rate by using recurrent neural networks with Google Trends data | |
CN110740063B (zh) | 基于信号分解和周期特性的网络流量特征指标预测方法 | |
Prema et al. | Interactive graphical user interface (GUI) for wind speed prediction using wavelet and artificial neural network | |
CN112883649A (zh) | 一种电力负荷预测方法、系统、计算机设备及存储介质 | |
Wang et al. | CEEMDAN-CatBoost-SATCN-based short-term load forecasting model considering time series decomposition and feature selection | |
Ahmad et al. | Wavelet-based multiresolution forecasting |
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 | ||
CB02 | Change of applicant information |
Address after: Room 2301, building 2, Fangda Plaza, No.20, Gaofa West Road, Taoyuan community, Taoyuan Street, Nanshan District, Shenzhen, Guangdong 518000 Applicant after: China Resources Digital Technology Co.,Ltd. Address before: Room 2301, building 2, Fangda Plaza, No.20, Gaofa West Road, Taoyuan community, Taoyuan Street, Nanshan District, Shenzhen, Guangdong 518000 Applicant before: Runlian software system (Shenzhen) Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |