CN111967688A - 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 - Google Patents
一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 Download PDFInfo
- Publication number
- CN111967688A CN111967688A CN202010909741.7A CN202010909741A CN111967688A CN 111967688 A CN111967688 A CN 111967688A CN 202010909741 A CN202010909741 A CN 202010909741A CN 111967688 A CN111967688 A CN 111967688A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- load
- convolutional neural
- value
- 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.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 238000010606 normalization Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 210000002569 neuron Anatomy 0.000 claims abstract description 9
- 230000001932 seasonal effect Effects 0.000 claims description 18
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 241001123248 Arma Species 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000005477 standard model Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 230000002950 deficient Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012731 temporal analysis Methods 0.000 description 3
- 238000000700 time series analysis Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005457 optimization 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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (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
本发明公布了一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法包括以下步骤:获取某地区的电力系统历史负荷数据,对历史负荷数据的异常数据进行处理;对影响电力负荷的因素进行分析与量化,将修正后的数据进行归一化;确定神经网络的输入输出数据,确定最优的隐含层的神经元个数,建立卷积神经网络;用训练好的卷积神经网络进行预测,并将预测的数据反归一化从而得到负荷预测值;根据时间序列模型和卷积神经网络预测值确定卡尔曼方程,时间序列模型的预测值作为卡尔曼滤波的真实值,卷积神经网络的预测值作为卡尔曼滤波的测量值,对电网负荷进行预测。本发明预测精度较高,可广泛应用于电力系统的负荷预测中。
Description
技术领域
本发明涉及智能电网负荷预测分析领域,特别是涉及一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法。
背景技术
随着社会的不断发展以及经济水平的不断提高,智能电网也进入了一个飞速发展的阶段。智能电网的快速发展产生了大量的用电数据(亦称样本数据),利用预测方法将样本数据应用到电力负荷预测中并进行分析,从而提升负荷预测精度,这对电力系统的安全调度和经济运行都起着至关重要的作用。做好电力负荷预测工作,有助于提高电力调度的经济性、保障供电的可靠性、合理规划未来电力系统建设同时提高社会经济效益。因此,电力负荷预测的研究是具有十分重要的意义的。近些年,有很多主流的方法应用于电力负荷预测,如人工神经网络、高斯过程回归、自回归移动平均模型等等。最新的研究结果表明具有卷积构架的神经网络在负荷预测过程中可以学习历史数据中丰富的细节特征,但目前的卷积神经网络构架未考虑深度与顶层神经元的接受域的关系,限制了高级特征的数量与质量,因此,优化卷积神经网络来提升电力负荷预测精度十分必要。
发明内容
本发明的目的是提供一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法,更好的拟合电力负荷系统的非线性、动态性和实时性的特点,提升智能电网负荷预测精度。
为了解决现有技术存在的问题,本发明采用的技术方案如下:
一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法,包括以下步骤:
步骤S101、获取某地区的电力系统负荷历史数据,对负荷历史数据中的异常数据进行预处理;
步骤S102、对影响电力负荷的因素进行分析与量化,将修正后的负荷数据进行标准归一化;
步骤S103、确定神经网络的输入输出数据,其中,输入输出数据是将预测日当天的天气特征、温度、日期类型和t-1小时负荷值以及预测时刻的n-1,n-2日第t-1,t,和t+1小时负荷值作为输入数据,预测日的第t小时整点负荷值为输出数据;并且确定最优的隐含层的神经元个数,将输出即上一时刻所有规则的激活强度作为当前时刻输入的信息,从而建立卷积神经网络;
步骤S104、使用预测日前两个月的历史负荷数据、天气参数数据和日期类型数据进行训练,用训练好的卷积神经网络进行预测,并将预测的数据反归一化从而得到预测负荷值;
步骤S105、根据时间序列模型和卷积神经网络预测值确定卡尔曼方程,实现卡尔曼滤波对电网负荷的预测。其中ARIMA的预测值作为卡尔曼滤波的真实值,神经网络的预测值作为卡尔曼滤波的测量值,从而建立基于卡尔曼滤波融合的预测模型,对电网负荷进行预测;
步骤S106、计算卡尔曼滤波器的测量值与真实值。
所述步骤S101中所述的某地区的电力负荷历史数据的数据样本来自于数据采集与监视控制系统。
所述步骤S101中的异常数据预处理是通过解析分析法和修正法来识别不良数据,补足缺损的数据。
所述步骤S102中所述的影响电力负荷的因素包括温度、天气特征和日期类型,根据这些因素对负荷的影响程度将其进行量化处理。
所述步骤S102中负荷数据的归一化是:使用归一化公式将负荷数据归一化为[0,1],使其处于同一数量级别,从而加快神经网络的收敛速度。
所述步骤S103中所述的隐含层是指卷积层、池化层以及全连接层,根据经验公式和实验数据确定最优的卷积层、池化层以及全连接层的神经元个数。
所述步骤S104中所述的反归一化是将归一化公式变形得到的反归一化公式,从而得到实际数量集的负荷数据。
所述步骤S104中的卷积神经网络采用LeNet标准模型,同原始模型相比,把非线性采样层移到了卷积层,并把输出层的激活函数从欧几里得径向函数替换为软最大函数,输出层用x表示。
所述步骤S105中,时间序列模型的建立包括如下步骤:
(1)通过傅里叶周期分析方法得出序列的周期长度;
(2)识别时间序列的平稳性;
(3)模型识别及参数估计;
(4)通过赤池信息准则和施瓦茨准则从中选出最合适的模型阶数;
(5)电网负荷的预测,得到卡尔曼滤波的真实值。
卡尔曼滤波器的测量值即为卷积神经网络的输出值o,输出值即为卡尔曼滤波器的测量值w(k),卡尔曼滤波器的真实值为ARIMA季节模型的输出结果,设电网负荷xt(t=1,2,......)为随机序列,则一般季节模型为:
Θ(Bs)=1-θ1Bs-…-θqBqs,
θ(B)=1-θ1B-…-θqBq。
ARIMA(p,d,q)×(P,D,Q)模型时非季节模型ARMA(p,d,q)与季节性ARMA(P,D,Q)的结合,B被称作后移算子,即BXt=Xt-1,差分算子▽=1-B,{Xt}为自回归整和滑动平均序列,p,d,q分别为自回归阶数、差分阶数和滑动平均阶数,是自回归系数,φp是滑动系数,θq为自回归算子,ΘQ为季节滑动算子,at为电网负荷Xt序列的残差;所述步骤6中确定相应季节性时间序列模型的阶数p、q、P、Q的取值,通过观察自相关和偏相关图估计阶数p、q、Q的可能取值,取值为0、1或2。
本发明所具有的优点及有益效果是:
本发明提出了一种基于卡尔曼滤波、卷积神经网络及时间序列分析的电力系统负荷预测分析方法,很好的融合了三者的优点。时间序列分析重点分析了电网负荷数据本身的内在联系,能够很好的保留数据的趋势性、季节性以及随机性;卷积神经网络有着局部连接、权值共享的特点,这两个特点的作用在于降低网络模型的复杂度、减少权值的数目,可有效提高运算速度及预测精度;卡尔曼滤波算法是一种最优估计算法,它采用状态方程和观测方程组成的状态空间模型来描述滤波器,并采用递推算法对滤波器的状态变量做最佳估计,从而求得滤掉噪声的有用信号的最优估值。卡尔曼滤波预测法存在动态修改预测权值的优点,依靠预测递推方程可以获得较高的精度。由于采用了上述的技术方案,本发明能够更好的拟合电力系统的非线性、动态性和时变性的特点,预测精度较高,可广泛应用于电力系统的负荷预测中。
附图说明
图1为本发明一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法流程图;
图2为LeNet的标准模型结构图;
图3为在线预测负荷流程图。
具体实施方式
如图1所示,本发明一种基于卡尔曼滤波与卷积神经网络的电力负荷预测方法,包括以下步骤:
步骤S101、获取某地区电力系统负荷的历史数据,将负荷历史数据中的异常数据进行预处理,历史负荷数据由于通讯错误或者数据丢失等,有异常数据存在,它们将影响预测模型的预测精度,需要排除。其中,负荷历史数据样本的采集主要来自于数据采集与监视控制(SCADA)系统。
步骤S102、对影响电力负荷的因素进行分析与量化,其中,影响电力负荷的因素包括温度、天气特征和日期类型等等,根据这些因素对负荷的影响程度将其进行量化处理,而后将修正后的数据进行归一化,即使用归一化公式将负荷数据归一化为[0,1],使其处于同一数量级别,从而加快神经网络的收敛速度。
步骤S103、确定神经网络的输入输出数据,并且确定最优的隐含层(卷积层、池化层以及全连接层)的神经元个数,将输出即上一时刻所有规则的激活强度作为当前时刻输入的信息,从而建立卷积神经网络。其中,输入输出数据是将预测日当天的天气特征、温度、日期类型和t-1小时负荷值以及预测时刻的n-1,n-2日第t-1,t,和t+1小时负荷值作为输入数据,预测日的第t小时整点负荷值为输出数据。隐含层的个数根据经验公式和实验数据确定。其中经验公式为:
其中,n为输入层神经元数,l为输出层神经元数,α为1~10之间的常数,m为确定的卷积层的个数。
步骤S104、如图3所示,使用预测日前两个月的历史负荷数据、天气参数数据和日期类型数据进行训练,用训练好的卷积神经网络进行预测,并将预测的数据反归一化从而得到预测负荷值。卷积神经网络的训练步骤为:首先选择某一天某一时刻的负荷影响因素作为输入样本,然后读取回归系数,计算样本差异度。通过差异度的判断训练网络并更新预测模型使其优化,最终输出结果。其中,反归一化是将归一化公式变形得到的反归一化公式,从而得到实际数量集的负荷数据。
如图2所示,LeNet为卷积神经网络标准模型,与原始模型的主要区别在于把非线性采样层移到了卷积层,并把输出层的激活函数从欧几里得径向函数替换为软最大函数,输出层用x表示。
H1=(h1,α)是第一个隐含层,且是第一个卷积层(CL)。其中第α个卷积面h1,α的卷积核为W1,α、偏置为b1,α,计算公式为:
H2=(h2,α)是第二个隐含层,且是一个池化层。其中第α个池化面h2,α是通过h1,α的下采样来计算的,即:
H4=(h4,β)是第四个隐含层,也是一个池化层。其中β个池化面h4,β是通过对h3,β的下采集样来计算的,即:
H5=(h5)是第五个隐含层,且是唯一的全连接层。其中h5是利用h4,β、三维张量W5,β和偏置b5来计算的,即:
h5=σ(∑αW5,βh4,β+b5) (6)
o是输出层,其作用是利用h5、权矩阵W6和偏置b6通过软最大函数产生伪概率,计算公式为:
o=softmax(W6h5+b6) (7)
LeNet可以使用反向传播算法来学习其中的各个参数。所以不妨设N个训练样本(xl,yl)(1≤l≤N)。如果用diag(ol)表示以ol各分量为对角元的对角矩阵,且选择平方误差为目标函数,那么通过链式法则可以计算得到各层反向传播误差,即:
而且不难进一步得到梯度:
通过得到梯度的优化,进而优化输出层输出负荷的优化。
步骤S105、根据时间序列模型(ARIMA)和卷积神经网络预测值确定卡尔曼方程,实现卡尔曼滤波对电网负荷的预测。其中ARIMA的预测值作为卡尔曼滤波的真实值,神经网络的预测值作为卡尔曼滤波的测量值,从而建立基于卡尔曼滤波融合的预测模型。
卡尔曼滤波的基本思想是以最小均方误差为最佳估计准则,采用信号与噪声的状态空间模型,利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计,求出当前时刻的估计值,算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计。
其基本动态系统可以用一个马尔可夫链表示,该马尔可夫链建立在一个被高斯噪声干扰的线性算子上的。系统的状态可以用一个元素为实数的向量表示。随着离散时间的每一个增加,这个线性算子就会作用在当前状态上,产生一个新的状态,并也会带入一些噪声,同时系统的一些已知的控制器的控制信息也会被加入。同时,另一个受噪声干扰的线性算子产生出这些隐含状态的可见输出。
为了能够实现上述卡尔曼滤波对电能负荷的预测分析需要,需要确定实际测量值。本发明中采用卷积神经网络模型的输出,作为卡尔曼滤波的测量值,(p,d,q)×(P,D,Q)由ARIMA季节模型的输出结果可得。
步骤S106、计算卡尔曼滤波器的测量值与真实值。卡尔曼滤波器的测量值即为卷积神经网络的输出值o,如公式(7)所示。输出值即为卡尔曼滤波器的测量值w(k)。卡尔曼滤波器的真实值为ARIMA季节模型的输出结果。设电网负荷xt(t=1,2,......)为随机序列,则一般季节模型为:
Θ(Bs)=1-θ1Bs-…-θqBqs,
θ(B)=1-θ1B-…-θqBq。
ARIMA(p,d,q)×(P,D,Q)模型时非季节模型ARMA(p,d,q)与季节性ARMA(P,D,Q)的结合,B被称作后移算子,即BXt=Xt-1,差分算子▽=1-B,{Xt}为自回归整和滑动平均序列,p,d,q分别为自回归阶数、差分阶数和滑动平均阶数,是自回归系数,φp是滑动系数,θq为自回归算子,ΘQ为季节滑动算子,at为电网负荷Xt序列的残差。
然后进行电网的预测,得到卡尔曼滤波的真实值。
Claims (10)
1.一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法,其特征在于,包括以下步骤:
步骤S101、获取某地区的电力系统负荷历史数据,对负荷历史数据中的异常数据进行预处理;
步骤S102、对影响电力负荷的因素进行分析与量化,将修正后的负荷数据进行标准归一化;
步骤S103、确定神经网络的输入输出数据,其中,输入输出数据是将预测日当天的天气特征、温度、日期类型和t-1小时负荷值以及预测时刻的n-1,n-2日第t-1,t,和t+1小时负荷值作为输入数据,预测日的第t小时整点负荷值为输出数据;并且确定最优的隐含层的神经元个数,将输出即上一时刻所有规则的激活强度作为当前时刻输入的信息,从而建立卷积神经网络;
步骤104、使用预测日前两个月的历史负荷数据、天气参数数据和日期类型数据进行训练,用训练好的卷积神经网络进行预测,并将预测的数据反归一化从而得到预测负荷值;
步骤S105、根据时间序列模型和卷积神经网络预测值确定卡尔曼方程,实现卡尔曼滤波对电网负荷的预测。其中ARIMA的预测值作为卡尔曼滤波的真实值,神经网络的预测值作为卡尔曼滤波的测量值,从而建立基于卡尔曼滤波融合的预测模型,对电网负荷进行预测;
步骤S106、计算卡尔曼滤波器的测量值与真实值。
2.根据权利要求1所述的一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法,其特征在于:所述步骤S101中所述的某地区的电力负荷历史数据的数据样本来自于数据采集与监视控制系统。
3.根据权利要求1所述的一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法,其特征在于:所述步骤S101中的异常数据预处理是通过解析分析法和修正法来识别不良数据,补足缺损的数据。
4.根据权利要求1所述的一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法,其特征在于:所述步骤S102中所述的影响电力负荷的因素包括温度、天气特征和日期类型,根据这些因素对负荷的影响程度将其进行量化处理。
5.根据权利要求1所述的一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法,其特征在于:所述步骤S102中负荷数据的归一化是:使用归一化公式将负荷数据归一化为[0,1],使其处于同一数量级别,从而加快神经网络的收敛速度。
6.根据权利要求1所述的一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法,其特征在于:所述步骤S103中所述的隐含层是指卷积层、池化层以及全连接层,根据经验公式和实验数据确定最优的卷积层、池化层以及全连接层的神经元个数。
7.根据权利要求1所述的一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法,其特征在于:所述步骤S104中所述的反归一化是将归一化公式变形得到的反归一化公式,从而得到实际数量集的负荷数据。
8.根据权利要求1所述的一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法,其特征在于:所述步骤S104中的卷积神经网络采用LeNet标准模型,同原始模型相比,把非线性采样层移到了卷积层,并把输出层的激活函数从欧几里得径向函数替换为软最大函数,输出层用x表示。
9.根据权利要求1所述的一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法,其特征在于:所述步骤S105中,时间序列模型的建立包括如下步骤:
(1)通过傅里叶周期分析方法得出序列的周期长度;
(2)识别时间序列的平稳性;
(3)模型识别及参数估计;
(4)通过赤池信息准则和施瓦茨准则从中选出最合适的模型阶数;
(5)电网负荷的预测,得到卡尔曼滤波的真实值。
10.根据权利要求1所述的一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法,其特征在于:卡尔曼滤波器的测量值即为卷积神经网络的输出值o,输出值即为卡尔曼滤波器的测量值w(k),卡尔曼滤波器的真实值为ARIMA季节模型的输出结果,设电网负荷xt(t=1,2,......)为随机序列,则一般季节模型为:
Θ(Bs)=1-θ1Bs-…-θqBqs,
θ(B)=1-θ1B-…-θqBq。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010909741.7A CN111967688B (zh) | 2020-09-02 | 2020-09-02 | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010909741.7A CN111967688B (zh) | 2020-09-02 | 2020-09-02 | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111967688A true CN111967688A (zh) | 2020-11-20 |
CN111967688B CN111967688B (zh) | 2024-02-23 |
Family
ID=73392823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010909741.7A Active CN111967688B (zh) | 2020-09-02 | 2020-09-02 | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111967688B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633412A (zh) * | 2021-01-05 | 2021-04-09 | 南方电网深圳数字电网研究院有限公司 | 异常用电检测方法、设备及存储介质 |
CN112990587A (zh) * | 2021-03-24 | 2021-06-18 | 北京市腾河智慧能源科技有限公司 | 一种对台区用电进行精准预测的方法及系统、设备、介质 |
CN113537649A (zh) * | 2021-09-16 | 2021-10-22 | 南通华豪巨电子科技有限公司 | 基于神经网络与动态模式分解的电网负荷预测方法及系统 |
CN113783717A (zh) * | 2021-08-12 | 2021-12-10 | 北京邮电大学 | 智慧城市网络流量预测方法及系统 |
CN113988373A (zh) * | 2021-09-27 | 2022-01-28 | 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 |
CN114254828A (zh) * | 2021-12-21 | 2022-03-29 | 云南电网有限责任公司电力科学研究院 | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 |
CN114648156A (zh) * | 2022-03-02 | 2022-06-21 | 贵州电网有限责任公司 | 一种基于卷积神经网络的时间序列负荷预测方法 |
CN115407211A (zh) * | 2022-11-01 | 2022-11-29 | 北京航空航天大学 | 一种电动汽车锂电池健康状态在线预测方法及系统 |
CN115964361A (zh) * | 2022-11-14 | 2023-04-14 | 苏州浪潮智能科技有限公司 | 一种数据增强方法、系统、设备及计算机可读存储介质 |
CN117014224A (zh) * | 2023-09-12 | 2023-11-07 | 联通(广东)产业互联网有限公司 | 基于高斯过程回归的网络攻击防御方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617467A (zh) * | 2013-12-13 | 2014-03-05 | 重庆大学 | 一种短期组合负荷预测方法 |
CN105760952A (zh) * | 2016-02-15 | 2016-07-13 | 国网山东省电力公司电力科学研究院 | 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法 |
CN107748943A (zh) * | 2017-12-01 | 2018-03-02 | 沈阳工程学院 | 一种基于云计算的电网电力负荷管理预测方法 |
US20180284737A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for detection in an industrial internet of things data collection environment with large data sets |
CN109406118A (zh) * | 2018-10-15 | 2019-03-01 | 华中科技大学 | 一种基于层次卷积神经网络的机械故障预测方法 |
US20190081476A1 (en) * | 2017-09-12 | 2019-03-14 | Sas Institute Inc. | Electric power grid supply and load prediction |
CN109658383A (zh) * | 2018-11-22 | 2019-04-19 | 杭州电子科技大学 | 基于卷积神经网络和卡尔曼滤波的道路损伤识别方法 |
CN110210671A (zh) * | 2019-06-04 | 2019-09-06 | 国家电网有限公司 | 电力系统短期负荷预测方法、装置及终端设备 |
CN110705763A (zh) * | 2019-09-23 | 2020-01-17 | 山东大学 | 一种包含误差修正的超短期负荷预测方法及系统 |
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 |
-
2020
- 2020-09-02 CN CN202010909741.7A patent/CN111967688B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617467A (zh) * | 2013-12-13 | 2014-03-05 | 重庆大学 | 一种短期组合负荷预测方法 |
CN105760952A (zh) * | 2016-02-15 | 2016-07-13 | 国网山东省电力公司电力科学研究院 | 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法 |
US20180284737A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for detection in an industrial internet of things data collection environment with large data sets |
US20190081476A1 (en) * | 2017-09-12 | 2019-03-14 | Sas Institute Inc. | Electric power grid supply and load prediction |
CN107748943A (zh) * | 2017-12-01 | 2018-03-02 | 沈阳工程学院 | 一种基于云计算的电网电力负荷管理预测方法 |
CN109406118A (zh) * | 2018-10-15 | 2019-03-01 | 华中科技大学 | 一种基于层次卷积神经网络的机械故障预测方法 |
CN109658383A (zh) * | 2018-11-22 | 2019-04-19 | 杭州电子科技大学 | 基于卷积神经网络和卡尔曼滤波的道路损伤识别方法 |
CN110210671A (zh) * | 2019-06-04 | 2019-09-06 | 国家电网有限公司 | 电力系统短期负荷预测方法、装置及终端设备 |
CN110705763A (zh) * | 2019-09-23 | 2020-01-17 | 山东大学 | 一种包含误差修正的超短期负荷预测方法及系统 |
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 (6)
Title |
---|
BUI, DM 等: "A Statistical Data-Filtering Method Proposed for Short-Term Load Forecasting Models", 《JOURNAL OF ELECTRICAL ENGINEERING & TECHNOLOGY》, vol. 15, no. 5, pages 1947 - 1967 * |
HOSSEIN JAVEDANI SADAEI 等: "Short-term load forecasting by using a combined method of convolutional neural networks and fuzzy time series", 《ENERGY》, vol. 175, pages 365 - 377, XP085662648, DOI: 10.1016/j.energy.2019.03.081 * |
XUN GONG 等: "A Generic Load Forecasting Method for Aggregated Thermostatically Controlled Loads Based on Convolutional Neural Networks", 《2019 IEEE ENERGY CONVERSION CONGRESS AND EXPOSITION (ECCE)》, pages 495 - 502 * |
张爽: "基于改进卷积神经网络在短期负荷预测中的方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 7, pages 042 - 511 * |
王浩: "基于小波包分析的短期负荷预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 6, pages 042 - 518 * |
雷震: "全卷积神经网络与卡尔曼滤波融合车道线跟踪控制技术", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 2, pages 035 - 288 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633412A (zh) * | 2021-01-05 | 2021-04-09 | 南方电网深圳数字电网研究院有限公司 | 异常用电检测方法、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 |
CN112990587B (zh) * | 2021-03-24 | 2023-10-24 | 北京市腾河智慧能源科技有限公司 | 一种对台区用电进行精准预测的方法及系统、设备、介质 |
CN112990587A (zh) * | 2021-03-24 | 2021-06-18 | 北京市腾河智慧能源科技有限公司 | 一种对台区用电进行精准预测的方法及系统、设备、介质 |
CN113783717A (zh) * | 2021-08-12 | 2021-12-10 | 北京邮电大学 | 智慧城市网络流量预测方法及系统 |
WO2023016159A1 (zh) * | 2021-08-12 | 2023-02-16 | 北京邮电大学 | 智慧城市网络流量预测方法及系统 |
CN113537649A (zh) * | 2021-09-16 | 2021-10-22 | 南通华豪巨电子科技有限公司 | 基于神经网络与动态模式分解的电网负荷预测方法及系统 |
CN113988373A (zh) * | 2021-09-27 | 2022-01-28 | 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 |
CN114254828A (zh) * | 2021-12-21 | 2022-03-29 | 云南电网有限责任公司电力科学研究院 | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 |
CN114648156A (zh) * | 2022-03-02 | 2022-06-21 | 贵州电网有限责任公司 | 一种基于卷积神经网络的时间序列负荷预测方法 |
CN115407211A (zh) * | 2022-11-01 | 2022-11-29 | 北京航空航天大学 | 一种电动汽车锂电池健康状态在线预测方法及系统 |
CN115964361B (zh) * | 2022-11-14 | 2023-07-14 | 苏州浪潮智能科技有限公司 | 一种数据增强方法、系统、设备及计算机可读存储介质 |
CN115964361A (zh) * | 2022-11-14 | 2023-04-14 | 苏州浪潮智能科技有限公司 | 一种数据增强方法、系统、设备及计算机可读存储介质 |
CN117014224A (zh) * | 2023-09-12 | 2023-11-07 | 联通(广东)产业互联网有限公司 | 基于高斯过程回归的网络攻击防御方法及系统 |
CN117014224B (zh) * | 2023-09-12 | 2024-01-30 | 联通(广东)产业互联网有限公司 | 基于高斯过程回归的网络攻击防御方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111967688B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967688B (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
CN110414788B (zh) | 一种基于相似日和改进lstm的电能质量预测方法 | |
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN113962314A (zh) | 一种基于联邦学习的非侵入式企业负荷分解方法 | |
CN109308544B (zh) | 基于对比散度-长短期记忆网络的蓝藻水华预测方法 | |
CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN111160659A (zh) | 一种考虑温度模糊化的电力负荷预测方法 | |
CN114218872A (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN112633556A (zh) | 一种基于混合模型的短期电力负荷预测方法 | |
CN114154732A (zh) | 一种长期负荷预测方法及系统 | |
CN116388150A (zh) | 基于数字孪生和神经网络技术的配变短期负荷预测方法 | |
CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
CN113988415B (zh) | 一种中长期电力负荷预测方法 | |
CN114925891A (zh) | 基于小波分析与混合模型的用水量趋势预测方法和系统 | |
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 | |
CN117390502A (zh) | 一种基于ResIOFNN网络的电压数据缺失值填补方法及系统 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN111863153A (zh) | 一种基于数据挖掘的废水中悬浮固体总量的预测方法 | |
CN112668770A (zh) | 一种基于信息与波形总体相似度的电力负荷预测方法 | |
CN117977584B (zh) | 电力负荷概率预测方法、系统、介质、设备及程序产品 |
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 |