CN112215410A - 基于改进深度学习的电力负荷预测方法 - Google Patents

基于改进深度学习的电力负荷预测方法 Download PDF

Info

Publication number
CN112215410A
CN112215410A CN202011018614.4A CN202011018614A CN112215410A CN 112215410 A CN112215410 A CN 112215410A CN 202011018614 A CN202011018614 A CN 202011018614A CN 112215410 A CN112215410 A CN 112215410A
Authority
CN
China
Prior art keywords
data
deep learning
load prediction
load
predicted
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
Application number
CN202011018614.4A
Other languages
English (en)
Other versions
CN112215410B (zh
Inventor
张林垚
宣菊琴
郑洁云
宋倩芸
吴桂联
陈强
郭真
倪识远
林婷婷
陈浩
黄超
王震
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.)
State Grid Fujian Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Fujian Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Fujian Electric Power Co Ltd
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 State Grid Fujian Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Fujian Electric Power Co Ltd filed Critical State Grid Fujian Electric Power Co Ltd
Priority to CN202011018614.4A priority Critical patent/CN112215410B/zh
Publication of CN112215410A publication Critical patent/CN112215410A/zh
Application granted granted Critical
Publication of CN112215410B publication Critical patent/CN112215410B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Hardware Design (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Geometry (AREA)
  • Algebra (AREA)

Abstract

本发明涉及一种基于改进深度学习的电力负荷预测方法，包括以下步骤：步骤S1:建立数据信息交互平台与监测系统交互通道，获取相关数据；步骤S2:对得到的相关数据进行预处理；步骤S3:采用EMD算法和自编码神经网络模型的复合深度学习算法，对预处理后的数据进行样本训练和样本重构，得到预测的复合数据；步骤S4:采用最小二乘法对预测的数据进行拟合，得到预测曲线函数。本发明有效避免了相关性小数据和异常数据的干扰及其影响，提高负荷预测精度及其计算速度，为电力系统负荷预测提供重要手段。

Description

基于改进深度学习的电力负荷预测方法
技术领域
本发明涉及电力系统负荷预测技术应用领域，具体涉及一种基于改进深度学习的电力负荷预测方法。
背景技术
如今，国民经济正处于飞速发展阶段，人们的生活质量也不断提升，同时对电能质量的要求随之升高。电网系统的负荷预测是电能质量的保障，是电能管理的重要环节。负荷预测精准性为电力系统智能化水平运行提供重要支撑，对电力系统实时动态状态进行评估与增加发电经济效益均有重要作用。由于负荷存在波动性与复杂性特征，因此根据负荷特点构建负荷预测模型是提升负荷预测精准度关键。
目前，用于电力系统负荷预测的方法主要有线性回归法、卡尔曼滤波法、人工神经网络法及支持向量机时间序列建模等。上述模型主要以线性模型为基础，其建立的预测模型较为简单，并对负荷序列的平稳性要求较高，因此在复杂条件因素下，预测精度会大大降低。为了弥补此不足，人工神经网络与支持向量机等浅层机器学习算法被广泛研究，其具有良好的非线性函数拟合特征，能够有效提高负荷预测的精度。但是该模型还存在浅层预测模型对非线性负荷的隐藏特征认知不够，受外界干扰影响大等问题。
随着计算机技术的不断发展，深度学习理论成为了智能化的热点，其具有良好的自适应学习能力以及认知能力。基于深度神经网络的负荷预测模型通过训练学习，其预测结果比传统预测模型的误差低、精度高。随着模糊理论的广泛运用，引入该理论进行负荷预测也获得了一定效果。然而，目前基于深度学习或模糊理论对电力负荷进行预测的模型尚未成熟。针对以居民、学校以及高新企业为主的地区负荷进行预测时，仍存在训练效率低以及迭代次数多等问题，且尚未考虑多因素叠加影响，进而也降低了负荷预测的精准性。
发明内容
有鉴于此，本发明的目的在于提供一种基于改进深度学习的电力负荷预测方法，有效避免了相关性小数据和异常数据的干扰及其影响，提高负荷预测精度及其计算速度，为电力系统负荷预测提供重要手段。
为实现上述目的，本发明采用如下技术方案：
一种基于改进深度学习的电力负荷预测方法，包括以下步骤：
步骤S1:建立数据信息交互平台与监测系统交互通道，获取相关数据；
步骤S2:对得到的相关数据进行预处理；
步骤S3:采用EMD算法和自编码神经网络模型的复合深度学习算法，对预处理后的数据进行样本训练和样本重构，得到预测的复合数据；
步骤S4:采用最小二乘法对预测的数据进行拟合，得到预测曲线函数。
进一步的，所述相关数据包括历史负荷、天气情况和经济水平。
进一步的，所述步骤S2具体为：
步骤S21:基于ICA对获取数据进行初步筛选；
步骤S22:根据所预测负荷的类型以及时期筛选对其预测影响相关性较大的因素数据，并采用k-means对数据进行异常点检查,剔除异常数据。
进一步的，所述采用ICA对获取数据进行初步筛选具体为：
Figure DEST_PATH_IMAGE002
（1）
其中，相量g为观测信号，是多元随机混合信号，即[y 1，y 2，…，y N ]T；A为M×N的常数固定的混合矩阵；相量x为有N个未知的源信号构成的一个列向量，且分量彼此统计独立，即[x 1，x 2，…，x N ]T。
对观测向量g进行中心化和白化处理，即：
Figure DEST_PATH_IMAGE004
（2）
其中，向量B表示白化矩阵。经过预白化处理后，将观测信号g转成了信号向量v，该信号向量具有单位方差，且各分量间两两正交，使目的源信号u的各分量尽可能统计独立，其表达式为：
Figure DEST_PATH_IMAGE006
（3）
其中，矩阵W表示分离矩阵，E表示值的数学期望。
进一步的，所述步骤S22具体如下：
设对待检验该时间区间的负荷曲线X d 中的第i个参数进行分析，相应特征值为X d (i)，将它与聚类分析得到的聚类中心X norm对应的第i个参数X norm(i)作对比，计算它们间的变化率δ(i)。计算公式为：
Figure DEST_PATH_IMAGE008
（4）
统计数据库中该时刻负荷变化率的正常范围，确定某一个限制区间记为：[+d，-d]。若第i点负荷特征量为异常数据点，由于异常点数据量较少，则通过剔除异常点的方式进行数据处理，处理后的数据集为X h 。
进一步的，所述步骤S3具体为：
步骤S31:分别构建改进深度学习的负荷预测模型和自编码神经网络模型；
步骤S32:将预处理后的数据输入到改进深度学习的负荷预测模型中，进行EMD算法分解，分解得到分解分量;
步骤S33:将分解分量输入到自编码神经网络模型中进行学习与训练，最终得到预测的负荷数据。
一种基于改进深度学习的电力负荷预测系统，包括依次连接的数据信息交互平台、数据预处理单元、样本训练单元和预测符合数据拟合单元。
进一步的，所述数据信息交互平包括数据对接终端、专用数据传输通道以及后台数据库系统；所述通信通道对采集的各类数据进行压缩，并分通道将压缩信号传输至后台数据库系统，所述后台数据库系统对接收的信号进行重新整合和解压。
本发明与现有技术相比具有以下有益效果：
本发明有效避免了相关性小数据和异常数据的干扰及其影响，提高负荷预测精度及其计算速度，为电力系统负荷预测提供重要手段。
附图说明
图1是本发明方法流程图；
图2是本发明一实施例中数据信息交互平台结构；
图3是本发明一实施例中自编码式深度学习模型结构。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于改进深度学习的电力负荷预测方法，包括以下步骤：
步骤S1:建立数据信息交互平台与监测系统交互通道，电网系统后台与各数据库建立专用数据传输通道，获取历史负荷、天气情况、经济水平等相关数据；
步骤S2:利用ICA算法和k-means算法相结合对数据平台中各类数据进行预处理，进而根据所需要预测的负荷类型以及负荷时期筛选有效的影响因素，同时剔除异常数据；
步骤S3:采用EMD算法和自编码神经网络模型的复合深度学习算法，对预处理后的数据进行样本训练和样本重构，得到预测的复合数据；
步骤S4:采用最小二乘法对预测的数据进行拟合，得到预测曲线函数。
参考图2，在本实施例中，建立一个数据信息交互平台，获取各方面因素的有关数据信息。平台主要由数据对接终端、专用数据传输通道以及后台数据库系统组成。该平台主要获取气象条件、当地人民经济水平、历史负荷数据等信息，通过建立的通信通道对采集的各类数据进行压缩，并分通道将压缩信号传输至后台，然后对接收的信号进行重新整合和解压，从而实现对更大容量数据的交互，保障数据的阅读性和完整性，以便相关人员随时随地进行查询。
在本实施例中，优选的，由于温度变化、季节变化、周循环、法定节日、经济社会发展水平等数据对负荷预测将会造成不用程度的影响。采用ICA对获取数据进行初步筛选具体为：
Figure DEST_PATH_IMAGE010
（1）
其中，相量g为观测信号，是多元随机混合信号，即[y 1，y 2，…，y N ]T；A为M×N的常数固定的混合矩阵；相量x为有N个未知的源信号构成的一个列向量，且分量彼此统计独立，即[x 1，x 2，…，x N ]T。
对观测向量g进行中心化和白化处理，即：
Figure DEST_PATH_IMAGE012
（2）
其中，向量B表示白化矩阵。经过预白化处理后，将观测信号g转成了信号向量v，该信号向量具有单位方差，且各分量间两两正交，使目的源信号u的各分量尽可能统计独立，其表达式为：
Figure DEST_PATH_IMAGE014
（3）
其中，矩阵W表示分离矩阵，E表示值的数学期望。
在本实施例中，优选的，通过k-means算法的方法进行数据异常点检查，并根据检查结果把异常点进行剔除，具体如下：设X d 为调度系统记录的某时间区间负荷曲线
设对待检验该时间区间的负荷曲线X d 中的第i个参数进行分析，相应特征值为X d (i)，将它与聚类分析得到的聚类中心X norm对应的第i个参数X norm(i)作对比，计算它们间的变化率δ(i)。计算公式为：
Figure DEST_PATH_IMAGE016
（4）
统计数据库中该时刻负荷变化率的正常范围，确定某一个限制区间记为：[+d，-d]。若第i点负荷特征量为异常数据点，由于异常点数据量较少，则通过剔除异常点的方式进行数据处理，处理后的数据集为X h 。
在本实施例中，所述步骤S3具体为：
步骤S31:分别构建改进深度学习的负荷预测模型和自编码神经网络模型；
步骤S32:将预处理后的数据输入到改进深度学习的负荷预测模型中，进行EMD算法分解，分解得到分解分量;
步骤S33:将分解分量输入到自编码神经网络模型中进行学习与训练，最终得到预测的负荷数据。
在本实施例中，优选的:
（1）EMD算法分解
EMD将复杂的数据分解成有限数据序列的简单分量之和，分解的分量为固有模态函数（Intrinsic Mode Function，IMF）。各个分量的频率成分与IMF阶数直接相关，已知给定信号为X h ，EMD分解过程如下所示：
1）求解X h 极大值与极小值点；
2）利用插值法进行包络函数求解，令下包络为e min、上包络e max；
3）计算均值，均值公式如式（2）所示：
Figure DEST_PATH_IMAGE018
（5）
4）抽离细节，分离出来的分量X d ，分离式如式（3）所示：
Figure DEST_PATH_IMAGE020
（6）
（2）自编码神经网络模型
自编码式深度学习（SAE-NN）的基本原理是将数据向一个恒定函数进行逼近，让输出不断向输入靠近，其与三层神经网络结构相似，主要分成了可视层、隐藏层以及重构可视层，结构如图3所示。
训练样本集合X d ={x 1，x 2，…，x i ，…，x N }，其中N为训练样本集合所拥有的样本数，子集合x i 为{x i,1，x i,2，…，x i,d }，而且可视层中的每个元素均能和集合x i 中元素一一对应。把集合x i 作为特征向量，通过编码过程将其输入至隐藏层里，其编码过程被定义为：
Figure DEST_PATH_IMAGE022
（7）
其中，{w 1，b 1}表示可视层与隐藏层的连接权值和偏置值矩阵。利用该式完成特征提取后，对一阶特征进行重构，其表达式为：
Figure DEST_PATH_IMAGE024
（8）
其中，{w 2，b 2}表示隐藏层与重构可视层的连接权值和偏置值矩阵。利用由下往上的无监督预训练实现预测模型的参数初始化，其次通过从上往下的有监督训练对整体网络的参数进行微调。自编码式深度学习模型的基础是利用将整体代价函数进行最小化，不断对{w，b}的值进行调整，进而拟合输入数据和输出数据的关系，其整体代价函数的表达式为：
Figure DEST_PATH_IMAGE026
（9）
其中，参数y i 表示目标函数的输出值；参数f i 表示目标函数的预测值。底层的自编码器模型是通过逐层学习方法进行学习训练，此算法一次只针对含有一个隐藏层的自编码器进行训练。当此自编码器达到最佳时去掉重构可视层，并把隐藏层的输出结果当作下一个自编码器的输入，从而对下一个自编码器进行训练，直到最后一层自编码器也达到最佳时即完成模型的无监督预训练。在此逐步深入的训练过程中，样本数据通过单个自编码器得到一个输出，接着通过最小化代价函数对{w，b}的值进行更替，其更替方式为：
Figure DEST_PATH_IMAGE028
（10）
其中，参考k表示迭代次数；l取值为1，2，…，n-1；λ表示每次迭代的学习步长。C S (w,b)表示自编码器的误差代价函数，具体表达式为：
Figure DEST_PATH_IMAGE030
（11）
其中，参数d和参数n分别为输入层所含有的节点数量以及隐藏层中的神经元数量；参数θ和参数μ分别为权重的衰减参数以及稀疏项的权重值；KL(ρ‖ρ k )则表示稀疏项的惩罚因子。通过无监督预训练后，底层的自编码器模型已设定初始权值，再利用顶层的逻辑回归模型对整体进行有监督参数微调，此时的代价函数为J(w，b)。利用梯度下降法对代价函数J(w，b)的参数进行多次迭代和更新，从而获得最佳的中期负荷预测模型，得到最终负荷的预测数据y。
在本实施例中，优选的，利用最小二乘法对预测的数据进行拟合，最终得到预测曲线函数y(yi)。最小二乘法拟合模型如下：
Figure DEST_PATH_IMAGE032
（12）
式中，a i 为多项式参数。根据所得数据结果，能够让电网调度及系统规划设计人员直观且迅速掌握重要的负荷信息，能够从容并且有针对性做出应对策略。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (8)

1.一种基于改进深度学习的电力负荷预测方法，其特征在于，包括以下步骤：
步骤S1:建立数据信息交互平台与监测系统交互通道，获取相关数据；
步骤S2:对得到的相关数据进行预处理；
步骤S3:采用EMD算法和自编码神经网络模型的复合深度学习算法，对预处理后的数据进行样本训练和样本重构，得到预测的复合数据；
步骤S4:采用最小二乘法对预测的数据进行拟合，得到预测曲线函数。
2.根据权利要求1所述的基于改进深度学习的电力负荷预测方法，其特征在于，所述相关数据包括历史负荷、天气情况和经济水平。
3.根据权利要求1所述的基于改进深度学习的电力负荷预测方法，其特征在于，所述步骤S2具体为：
步骤S21:基于ICA对获取数据进行初步筛选；
步骤S22:根据所预测负荷的类型以及时期筛选对其预测影响相关性较大的因素数据，并采用k-means对数据进行异常点检查,剔除异常数据。
4.根据权利要求3所述的基于改进深度学习的电力负荷预测方法，其特征在于，所述采用ICA对获取数据进行初步筛选具体为：
Figure 598668DEST_PATH_IMAGE001
（1）
其中，相量g为观测信号，是多元随机混合信号，即[y 1，y 2，…，y N ]T；A为M×N的常数固定的混合矩阵；相量x为有N个未知的源信号构成的一个列向量，且分量彼此统计独立，即[x 1，x 2，…，x N ]T;
对观测向量g进行中心化和白化处理，即：
Figure 993878DEST_PATH_IMAGE002
（2）
其中，向量B表示白化矩阵;
经过预白化处理后，将观测信号g转成了信号向量v，该信号向量具有单位方差，且各分量间两两正交，使目的源信号u的各分量尽可能统计独立，其表达式为：
Figure 995201DEST_PATH_IMAGE003
（3）
其中，矩阵W表示分离矩阵，E表示值的数学期望。
5.根据权利要求3所述的基于改进深度学习的电力负荷预测方法，其特征在于，所述步骤S22具体如下：
设对待检验该时间区间的负荷曲线X d 中的第i个参数进行分析，相应特征值为X d (i)，将它与聚类分析得到的聚类中心X norm对应的第i个参数X norm(i)作对比，计算它们间的变化率δ(i)，计算公式为：
Figure 755346DEST_PATH_IMAGE004
（4）
统计数据库中该时刻负荷变化率的正常范围，确定某一个限制区间记为：[+d，-d];
若第i点负荷特征量为异常数据点，由于异常点数据量较少，则通过剔除异常点的方式进行数据处理，处理后的数据集为X h 。
6.根据权利要求1所述的基于改进深度学习的电力负荷预测方法，其特征在于，所述步骤S3具体为：
步骤S31:分别构建改进深度学习的负荷预测模型和自编码神经网络模型；
步骤S32:将预处理后的数据输入到改进深度学习的负荷预测模型中，进行EMD算法分解，分解得到分解分量;
步骤S33:将分解分量输入到自编码神经网络模型中进行学习与训练，最终得到预测的负荷数据。
7.一种基于改进深度学习的电力负荷预测系统，其特征在于，包括依次连接的数据信息交互平台、数据预处理单元、样本训练单元和预测符合数据拟合单元。
8.根据权利要求7所述的基于改进深度学习的电力负荷预测系统，其特征在于，所述数据信息交互平包括数据对接终端、专用数据传输通道以及后台数据库系统；所述通信通道对采集的各类数据进行压缩，并分通道将压缩信号传输至后台数据库系统，所述后台数据库系统对接收的信号进行重新整合和解压。
CN202011018614.4A 2020-09-24 2020-09-24 基于改进深度学习的电力负荷预测方法 Active CN112215410B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011018614.4A CN112215410B (zh) 2020-09-24 2020-09-24 基于改进深度学习的电力负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011018614.4A CN112215410B (zh) 2020-09-24 2020-09-24 基于改进深度学习的电力负荷预测方法

Publications (2)

Publication Number Publication Date
CN112215410A true CN112215410A (zh) 2021-01-12
CN112215410B CN112215410B (zh) 2023-01-10

Family

ID=74052152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011018614.4A Active CN112215410B (zh) 2020-09-24 2020-09-24 基于改进深度学习的电力负荷预测方法

Country Status (1)

Country Link
CN (1) CN112215410B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884249A (zh) * 2021-03-25 2021-06-01 国家海洋信息中心 一种海域表层水温预测方法和装置
CN116258355A (zh) * 2023-05-15 2023-06-13 国网浙江省电力有限公司永康市供电公司 适用于多点功率估计的配电台区负荷曲线分解方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750702A (zh) * 2012-06-21 2012-10-24 东华大学 基于优化bp神经网络模型的单目红外图像深度估计方法
CN105932774A (zh) * 2016-05-11 2016-09-07 国网冀北电力有限公司张家口供电公司 基于ica算法的智能变电站设备状态预警方法
CN107392364A (zh) * 2017-07-12 2017-11-24 河海大学 变分模态分解与深度信念网络的短期负荷预测方法
US20190265768A1 (en) * 2018-02-24 2019-08-29 Hefei University Of Technology Method, system and storage medium for predicting power load probability density based on deep learning
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 (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750702A (zh) * 2012-06-21 2012-10-24 东华大学 基于优化bp神经网络模型的单目红外图像深度估计方法
CN105932774A (zh) * 2016-05-11 2016-09-07 国网冀北电力有限公司张家口供电公司 基于ica算法的智能变电站设备状态预警方法
CN107392364A (zh) * 2017-07-12 2017-11-24 河海大学 变分模态分解与深度信念网络的短期负荷预测方法
US20190265768A1 (en) * 2018-02-24 2019-08-29 Hefei University Of Technology Method, system and storage medium for predicting power load probability density based on deep learning
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 (2)

* Cited by examiner, † Cited by third party
Title
侯鲁亭等: "基于EEMD和PSO-LSSVM模型的短期电力负荷预测", 《制造业自动化》 *
吴润泽等: "基于深度学习的电网短期负荷预测方法研究", 《现代电力》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884249A (zh) * 2021-03-25 2021-06-01 国家海洋信息中心 一种海域表层水温预测方法和装置
CN116258355A (zh) * 2023-05-15 2023-06-13 国网浙江省电力有限公司永康市供电公司 适用于多点功率估计的配电台区负荷曲线分解方法及装置
CN116258355B (zh) * 2023-05-15 2023-08-11 国网浙江省电力有限公司永康市供电公司 适用于多点功率估计的配电台区负荷曲线分解方法及装置

Also Published As

Publication number Publication date
CN112215410B (zh) 2023-01-10

Similar Documents

Publication Publication Date Title
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
CN111178616B (zh) 基于负相关学习和正则化极限学习机集成的风速预测方法
CN108022014B (zh) 一种电力系统负荷预测方法及系统
CN108053110B (zh) 一种基于pmu数据的变压器状态在线诊断方法
CN108874959A (zh) 一种基于大数据技术的用户动态兴趣模型建立方法
CN112215410B (zh) 基于改进深度学习的电力负荷预测方法
CN111160626B (zh) 一种基于分解融合的电力负荷时间序列控制方法
CN106656357B (zh) 一种工频通信信道状态评估系统和方法
CN108197425B (zh) 一种基于非负矩阵分解的智能电网数据分解方法
CN117290800B (zh) 一种基于超图注意力网络的时序异常检测方法及系统
CN115689008A (zh) 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其系统
CN111008726A (zh) 一种电力负荷预测中类图片转换方法
CN110796303B (zh) 一种基于ewt和odbscan的短期电力负荷预测方法
CN115603446A (zh) 基于卷积神经网络和云边协同作用的配电台区运行监测系统
CN112184412A (zh) 一种信用评分卡模型的建模方法、装置、介质及电子设备
CN115828755A (zh) 微网群参与电网服务的评估方法、装置及可读存储介质
Qu et al. Research on short‐term output power forecast model of wind farm based on neural network combination algorithm
Sun et al. Short-term power load prediction based on VMD-SG-LSTM
CN111932081B (zh) 一种电力信息系统运行状态评估方法及系统
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
CN113837434A (zh) 太阳能光伏发电预测方法、装置、电子设备和存储介质
CN116738354A (zh) 一种电力物联网终端行为异常检测方法及系统
CN113761777B (zh) 一种基于hp-ovmd的超短期光伏功率预测方法
CN115759343A (zh) 一种基于e-lstm的用户电量预测方法和装置
CN114004715A (zh) 一种基于大数据智能推荐算法的学习环境构建方法

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