CN112001519A - 一种基于深度神经网络的电力负荷预测方法 - Google Patents
一种基于深度神经网络的电力负荷预测方法 Download PDFInfo
- Publication number
- CN112001519A CN112001519A CN202010431204.6A CN202010431204A CN112001519A CN 112001519 A CN112001519 A CN 112001519A CN 202010431204 A CN202010431204 A CN 202010431204A CN 112001519 A CN112001519 A CN 112001519A
- Authority
- CN
- China
- Prior art keywords
- neural network
- deep neural
- load
- dnn
- input
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 230000000306 recurrent effect Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000015654 memory Effects 0.000 claims description 6
- 238000004880 explosion Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- RXKJFZQQPQGTFL-UHFFFAOYSA-N dihydroxyacetone Chemical compound OCC(=O)CO RXKJFZQQPQGTFL-UHFFFAOYSA-N 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 10
- 230000005611 electricity Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (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
本发明公开了一种基于深度神经网络的电力负荷预测方法,包括:采集历史负载数据;使用多个并行卷积神经网络CNN组件来处理历史负载数据,得到序列数据;将并行结构引入深度神经网络模型DNN中;通过递归神经网络处理序列数据得到一个隐藏的对应状态列表;将其他类型的特征纳入到我们的预测模型中作为模型的DNN部分的输入,进行负荷预测。使用不同类型的神经网络组件对可能影响负载消耗的不同类型的因素进行建模,并使用多个卷积神经网络CNN组件从历史负载序列中学习丰富的特征表示,然后使用基于LSTM的递归神经组件对历史加载中的变异性和动力学进行建模,以达到提前一天进行每小时的电力负荷预测的目的。
Description
技术领域
本发明涉及电力负荷预测领域,尤其涉及一种基于深度神经网络的电力负荷预测方法。
背景技术
随着电力在经济发展和工业生产和普通人的日常生活中发挥着越来越重要的作用,未来的电网预计将在能源的生产、分配和管理方面提供前所未有的灵活性,这越来越需要准确地进行短期小规模电力负荷和发电预测的能力。电的一个主要的特征就是一旦产生就难以储存,此外短期电力负荷需求变化很大,受多种因素影响,准确的电力负荷预测能够减少电力浪费,提高收益,维持电网系统的稳定运行,所以准确的电力负荷预测对电力公司来说至关重要。
电力负荷消耗受诸多因素的影响,因此负荷预测是一个相当复杂的问题。从数据的角度来看,通常需要更多的训练数据才能获得更好的性能。我们的负荷预测任务有不同类型的输入特性。因此,我们使用合适的神经网络组件来学习深度表示,并从特定的输入中提取丰富的特征。发明提出了一种新的灵活的结构,它融合了多种类型的输入特征,根据不同类型的神经网络组件的具体特征对输入进行处理。
神经网络技术是统计机器学习的一个重要分支,在各种预测任务中得到了广泛的应用。神经网络组件非常擅长对多个领域的数据进行非线性建模,理论上可以对任意精度的任意复杂函数进行逼近。
传统预测方法是最主流的预测方法,它可以分为趋势分析法、节假日分析法、回归分析法和时间序列分析法。
(1)节假日分析法:就是指按照特定节假日的具体安排,来判断电力负荷需求的具体变化趋势。
(2)时间序列法:就是指以过去电力负荷的具体情况为依据,找到随着时间变化电力负荷量的具体发展趋势,找到其中规律然后建立起时序模型,再进行对未来的预测分析,其最基本的思路就是依据现在的数据来对未来进行预测。
(3)趋势序列法:这种方法又称为趋势曲线分析,是迄今为止运用量最多,也最流行的一种预测方法。根据以前的历史资料制定一条曲线,使得这条曲线本身符合历史负荷的趋势,这样就可以对未来做出一定的估量预测。
(4)回归分析法:就是对历史资料的分析,并综合考察影响因子值的具体变化,从而建立起用电量与因子值之间具体的数值函数关系,然后制定相应的数学模型,从而做出预测值与因子值之间关系的预测。
现代的预测分析方法主要包括模糊预测分析、专家系统预测分析、数据挖掘分析、人工神经网络分析、灰色预测分析等。
中国专利文献CN108549960A公开了一种“24小时电力负荷预测方法”。采用了包含数据采集及预处理,通过特征熵权值计算出的有效特征,结合窗口选取法选取固定时间内的24小时用电负荷情况作为DBN网络训练的输入数据,确定DBN网络结构和建立网络模型,通过DBN对网络模型进行训练和测试,输入预测日的特征值数据和窗口法选取的预测日前某几天一天中的24小时用电负荷值,得到预测日的电力负荷值结果。上述技术方案采集了电网数据和天气数据,考虑到历史特征,但并未考虑节假日对用电量的影响,在节假日,人们的行为模式通常与平时大不相同。因此,公共假日,尤其是长假,会对电力需求产生影响。要预测小时负荷,小时本身和目标小时的星期几显然是有用的指标。
发明内容
本发明主要解决原有的预测方法采集数据不全,未考虑节假日因素的技术问题,提供一种基于深度神经网络的电力负荷预测方法,使用不同类型的神经网络组件对可能影响负载消耗的不同类型的因素进行建模,并使用多个卷积神经网络CNN组件从历史负载序列中学习丰富的特征表示,然后使用基于LSTM的递归神经组件对历史加载中的变异性和动力学进行建模,以达到提前一天进行每小时的电力负荷预测的目的。
本发明的上述技术问题主要是通过下述技术方案得以解决的:本发明包括以下步骤:
(1)采集历史负载数据;使用最多一周的历史负载来提前预测一天的每小时负载。
(2)使用多个并行卷积神经网络CNN组件来处理历史负载数据,使深度神经网络模型自动地从原始数据中学习特征表示,得到序列数据;在DNN模型的第一层中执行特征学习和特征提取,并且使用具有局部连接的接收域的内核,它们通常充当转换输入信号的过滤器,因此,他们可以从原始输入中学习各种特性。(3)使用多个具有不同滤波器大小的并行卷积神经网络CNN分量,将并行结构引入深度神经网络模型DNN中;深度神经网络模型DNN可以从输入的历史负载序列中学习更丰富的特性。
(4)通过递归神经网络处理序列数据得到一个隐藏的对应状态列表;递归神经网络RNN对序列数据的动态建模非常有效,能够记住在其内存中之前输入的可变长度的动态。
(5)将其他类型的特征纳入到我们的预测模型中作为模型的DNN部分的输入,进行负荷预测。
作为优选,所述的步骤2在深度神经网络模型DNN的第一层中执行特征学习和特征提取,使用具有局部连接的接收域的内核,充当转换输入信号的过滤器,从原始输入中学习各种特性,使用多个并行卷积神经网络对历史负荷序列进行转换,以获得后续负荷预测的各种特征。
作为优选,所述的步骤3将并行结构引入深度神经网络模型DNN中,而不是以级联方式叠加到DNN深度神经网络模型层,深度神经网络模型DNN从输入的历史负载序列中学习更丰富的特性,获得更丰富的特性。
作为优选,所述的步骤4中递归神经网络对输入序列{x1,x2,…,xn}使用递归式:
ht=f(ht-1,xt)
xt是时间t的输入,ht是隐藏状态,将其视为所有时间t之前的输入。通过历史负荷序列以及卷积神经网络CNN分量提取的特征是具有丰富时间动态的动态序列。递归神经网络RNN对序列数据的动态建模非常有效,能够记住在其内存中之前输入的可变长度的动态。具有门控递归单元的长短时记忆LSTM可以避免渐变消失和爆炸问题,在时态数据的长期相关性建模方面具有明显效果。
作为优选,所述的步骤4为解决梯度消失和爆炸问题,长短期记忆网络LSTM引入递推函数f,并按以下方式计算隐藏状态:
it=σ(WI·[ht-1,,xt]+bi)
ft=σ(Wf·[ht-1,,xt]+bf)
ot=σ(Wo·[ht-1,,xt]+bo)
ht=ot*tanh(Ct)
其中,it,ft和ot分别是输入门、遗忘门和输出门;Ct是单元状态,代表候选单元状态;W和B是LSTM单元的参数,通过将输入序列{x1,x2,…,xn}输入到RNN中,得到一个隐藏的对应状态列表{h1,h2,…,hn}作为输出。
作为优选,所述的隐藏状态的平均值用作整个输入序列的特征表示。
作为优选,所述的步骤5中其他类型的特征包括天气信息、假日以及预测的特定时间和日期。
作为优选,所述的天气信息通过收集每日最高和最低温度,并直接使用温度作为数值特征的两个维度;假日通过获得每年的公共假日,将它们用作二进制特性,其中值1表示一天是假日,而0表示不是假日;预测的特定时间和日期被视为分类特征,并分别以24维和7维向量表示。例如,如果希望预测某个星期五13:00到14:00的小时负荷,则一天中一小时的矢量长度应为24,索引12处的值将为1,而其他值均为零;同样,一周中一天的矢量是长度为7的矢量,其索引5处只有非零值。将所有这些特性连接起来作为模型的DNN部分的输入,让模型本身从这些原始输入中学习更抽象的特性。
本发明的有益效果是:使用不同类型的神经网络组件对可能影响负载消耗的不同类型的因素进行建模,并使用多个卷积神经网络CNN组件从历史负载序列中学习丰富的特征表示,然后使用基于LSTM的递归神经组件对历史加载中的变异性和动力学进行建模,以达到提前一天进行每小时的电力负荷预测的目的。
具体实施方式
下面通过实施例,对本发明的技术方案作进一步具体的说明。
实施例:本实施例的一种基于深度神经网络的电力负荷预测方法,包括以下步骤:
(1)采集历史负载数据,使用最多一周的历史负载来提前预测一天的每小时负载。
(2)使用多个并行卷积神经网络CNN组件来处理历史负载数据,使深度神经网络模型自动地从原始数据中学习特征表示。在深度神经网络模型DNN的第一层中执行特征学习和特征提取,使用具有局部连接的接收域的内核,充当转换输入信号的过滤器,因此能从原始输入中学习各种特性。同时,使用多个并行卷积神经网络对历史负荷序列进行转换,以获得后续负荷预测的各种特征,得到序列数据。
(3)通过使用多个具有不同滤波器大小的并行卷积神经网络CNN分量,将并行结构引入深度神经网络模型DNN中,而不是以级联方式叠加到DNN深度神经网络模型层。深度神经网络模型DNN能够从输入的历史负载序列中学习更丰富的特性,获得更丰富的特性。
(4)通过历史负荷序列以及CNN分量提取的特征是具有丰富时间动态的动态序列。递归神经网络RNN对序列数据的动态建模非常有效,能够记住在其内存中之前输入的可变长度的动态。具有门控递归单元的长短时记忆LSTM能够避免渐变消失和爆炸问题,在时态数据的长期相关性建模方面取得了很大的成功。
递归神经网络对输入序列{x1,x2,…,xn}使用递归式:
ht=f(ht-1,xt)
xt是时间t的输入,ht是隐藏状态,可将其视为所有时间t之前的输入。为解决梯度消失和爆炸问题,长短时记忆LSTM引入递推函数f,并按以下方式计算隐藏状态:
it=σ(WI·[ht-1,,xt]+bi)
ft=σ(Wf·[ht-1,,xt]+bf)
ot=σ(Wo·[ht-1,,xt]+bo)
ht=ot*tanh(Ct)
通过将输入序列{x1,x2,…,xn}输入到RNN中,能够得到一个隐藏的对应状态列表{h1,h2,…,hn}作为输出。这些隐藏状态的平均值将用作整个输入序列的特征表示。
(5)将其他类型的特征纳入到我们的预测模型中作为模型的DNN部分的输入,进行负荷预测。其他类型的特征包括天气信息、假日以及预测的特定时间和日期。天气信息通过收集每日最高和最低温度,并直接使用温度作为数值特征的两个维度。假日通过获得每年的公共假日,将它们用作二进制特性,其中值1表示一天是假日,而0表示不是假日。预测的特定时间和日期被视为分类特征,并分别以24维和7维向量表示。
例如,如果希望预测某个星期五13:00到14:00的小时负荷,则一天中一小时的矢量长度应为24,索引12处的值将为1,而其他值均为零;同样,一周中一天的矢量是长度为7的矢量,其索引5处只有非零值。将所有这些特性连接起来作为模型的卷积神经网络DNN部分的输入,让模型本身从这些原始输入中学习更抽象的特性。
Claims (8)
1.一种基于深度神经网络的电力负荷预测方法,其特征在于,包括以下步骤:
(1)采集历史负载数据;
(2)使用多个并行卷积神经网络CNN组件来处理历史负载数据,使深度神经网络模型自动地从原始数据中学习特征表示,得到序列数据;
(3)使用多个具有不同滤波器大小的并行卷积神经网络CNN分量,将并行结构引入深度神经网络模型DNN中;
(4)通过递归神经网络处理序列数据得到一个隐藏的对应状态列表;
(5)将其他类型的特征纳入到我们的预测模型中作为模型的DNN部分的输入,进行负荷预测。
2.根据权利要求1所述的一种基于深度神经网络的电力负荷预测方法,其特征在于,所述步骤2在深度神经网络模型DNN的第一层中执行特征学习和特征提取,使用具有局部连接的接收域的内核,充当转换输入信号的过滤器,从原始输入中学习各种特性,使用多个并行卷积神经网络对历史负荷序列进行转换,以获得后续负荷预测的各种特征。
3.根据权利要求1所述的一种基于深度神经网络的电力负荷预测方法,其特征在于,所述步骤3将并行结构引入深度神经网络模型DNN中,而不是以级联方式叠加到DNN深度神经网络模型层,深度神经网络模型DNN从输入的历史负载序列中学习更丰富的特性,获得更丰富的特性。
4.根据权利要求1所述的一种基于深度神经网络的电力负荷预测方法,其特征在于,所述步骤4中递归神经网络对输入序列{x1,x2,…,xn}使用递归式:
ht=f(ht-1,xt)
xt是时间t的输入,ht是隐藏状态,将其视为所有时间t之前的输入。
5.根据权利要求4所述的一种基于深度神经网络的电力负荷预测方法,其特征在于,所述步骤4为解决梯度消失和爆炸问题,长短期记忆网络LSTM引入递推函数f,并按以下方式计算隐藏状态:
it=σ(WI·[ht-1,,xt]+bi)
ft=σ(Wf·[ht-1,,xt]+bf)
Ct=ft*Ct-1+it*Ct
ot=σ(Wo·[ht-1,,xt]+bo)
ht=ot*tanh(Ct)
6.根据权利要求5所述的一种基于深度神经网络的电力负荷预测方法,其特征在于,所述隐藏状态的平均值用作整个输入序列的特征表示。
7.根据权利要求1所述的一种基于深度神经网络的电力负荷预测方法,其特征在于,所述步骤5中其他类型的特征包括天气信息、假日以及预测的特定时间和日期。
8.根据权利要求7所述的一种基于深度神经网络的电力负荷预测方法,其特征在于,所述天气信息通过收集每日最高和最低温度,并直接使用温度作为数值特征的两个维度;假日通过获得每年的公共假日,将它们用作二进制特性,其中值1表示一天是假日,而0表示不是假日;预测的特定时间和日期被视为分类特征,并分别以24维和7维向量表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010431204.6A CN112001519A (zh) | 2020-05-20 | 2020-05-20 | 一种基于深度神经网络的电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010431204.6A CN112001519A (zh) | 2020-05-20 | 2020-05-20 | 一种基于深度神经网络的电力负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112001519A true CN112001519A (zh) | 2020-11-27 |
Family
ID=73461487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010431204.6A Pending CN112001519A (zh) | 2020-05-20 | 2020-05-20 | 一种基于深度神经网络的电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001519A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435663A (zh) * | 2021-07-15 | 2021-09-24 | 国网冀北电力有限公司唐山供电公司 | 一种考虑电动汽车充电负荷影响的cnn-lstm联合负荷预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
CN108446794A (zh) * | 2018-02-25 | 2018-08-24 | 西安电子科技大学 | 一种基于多个卷积神经网络结合架构深度学习预测方法 |
CN109934392A (zh) * | 2019-02-28 | 2019-06-25 | 武汉大学 | 一种基于深度学习的微电网短期负荷预测方法 |
CN110084424A (zh) * | 2019-04-25 | 2019-08-02 | 国网浙江省电力有限公司 | 一种基于lstm与lgbm的电力负荷预测方法 |
CN110266002A (zh) * | 2019-06-20 | 2019-09-20 | 北京百度网讯科技有限公司 | 用于预测电力负荷的方法和装置 |
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
- 2020-05-20 CN CN202010431204.6A patent/CN112001519A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
CN108446794A (zh) * | 2018-02-25 | 2018-08-24 | 西安电子科技大学 | 一种基于多个卷积神经网络结合架构深度学习预测方法 |
CN109934392A (zh) * | 2019-02-28 | 2019-06-25 | 武汉大学 | 一种基于深度学习的微电网短期负荷预测方法 |
CN110084424A (zh) * | 2019-04-25 | 2019-08-02 | 国网浙江省电力有限公司 | 一种基于lstm与lgbm的电力负荷预测方法 |
CN110266002A (zh) * | 2019-06-20 | 2019-09-20 | 北京百度网讯科技有限公司 | 用于预测电力负荷的方法和装置 |
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 |
---|
刘月峰;杨宇慧;: "基于CNN-LSTM的短期电力负荷预测研究", 科技创新与应用, no. 01, pages 84 - 85 * |
罗澍忻等: "考虑相关因素的长短时记忆网络短期负荷预测方法*", 《机电工程技术》, vol. 48, no. 12, pages 126 - 129 * |
许言路;张建森;吉星;王斌斌;邓卓夫;: "基于多模型融合神经网络的短期负荷预测", 控制工程, vol. 26, no. 04, pages 619 - 624 * |
陆继翔等: "基于 CNN-LSTM 混合神经网络模型的短期负荷预测方法", 《电力系统自动化》, vol. 43, no. 8, pages 131 - 137 * |
黄宇腾;韩翊;赖尚栋;: "深度神经网络在配电网公变短期负荷预测中的应用研究", 浙江电力, vol. 37, no. 05, pages 1 - 6 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435663A (zh) * | 2021-07-15 | 2021-09-24 | 国网冀北电力有限公司唐山供电公司 | 一种考虑电动汽车充电负荷影响的cnn-lstm联合负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | Research and application of a hybrid wavelet neural network model with the improved cuckoo search algorithm for electrical power system forecasting | |
Alencar et al. | Hybrid approach combining SARIMA and neural networks for multi-step ahead wind speed forecasting in Brazil | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN112053560B (zh) | 基于神经网络的短时交通流量预测方法、系统和存储介质 | |
CN109583565A (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN115409258A (zh) | 一种混合深度学习短期辐照度预测方法 | |
CN115688993A (zh) | 一种适用于配电台区的短期电力负荷预测方法 | |
Shi et al. | Four-stage space-time hybrid model for distributed photovoltaic power forecasting | |
CN117709540A (zh) | 一种识别异常天气的短期母线负荷预测方法和系统 | |
CN116205359A (zh) | 一种日前电力负荷预测的方法、装置、终端和存储介质 | |
CN117114160A (zh) | 一种短期光伏功率预测方法 | |
Li et al. | Temporal attention based tcn-bigru model for energy time series forecasting | |
CN111178641A (zh) | 基于特征提取和多核rsvr组合模型的短期电力负荷预测方法 | |
CN112001519A (zh) | 一种基于深度神经网络的电力负荷预测方法 | |
CN116885699A (zh) | 基于双重注意力机制的电力负荷预测方法 | |
Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises | |
Tian et al. | A short-term electricity forecasting scheme based on combined GRU model with STL decomposition | |
Li | Energy consumption forecasting with deep learning | |
CN116703644A (zh) | 一种基于Attention-RNN的短期电力负荷预测方法 | |
Irankhah et al. | A parallel CNN-BiGRU network for short-term load forecasting in demand-side management | |
CN115860232A (zh) | 一种蒸汽负荷预测方法、系统、电子设备及介质 | |
Viana et al. | Load forecasting benchmark for smart meter data | |
CN114647987A (zh) | 基于时空相关性模型的分布式光伏电站日前出力预测方法 | |
Lagomarsino-Oneto et al. | Physics informed shallow machine learning for wind speed prediction |
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 |