CN112288140A - 一种基于Keras的短期电力负荷预测方法、存储介质和设备 - Google Patents
一种基于Keras的短期电力负荷预测方法、存储介质和设备 Download PDFInfo
- Publication number
- CN112288140A CN112288140A CN202011082189.5A CN202011082189A CN112288140A CN 112288140 A CN112288140 A CN 112288140A CN 202011082189 A CN202011082189 A CN 202011082189A CN 112288140 A CN112288140 A CN 112288140A
- Authority
- CN
- China
- Prior art keywords
- load
- short
- term
- load prediction
- power
- 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 45
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000000737 periodic effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims 4
- 238000012360 testing method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000007619 statistical method 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于Keras的短期电力负荷预测方法、存储介质和设备，包括以下步骤：获取发电站与短期电力负荷预测相关的影响因素，对所述影响因素的数据进行预处理，所述影响因素包括温度、季节和节假日信息以及电力负荷的周期特性；将经过预处理后的影响因素数据输入预先训练好的短期负荷预测模型，对发电站进行电力负荷预测；所述短期负荷预测模型的输入包括负荷时间序列，预测日当天的季节、节假日信息，以及预设周期对应的温度和负荷；输出为发电站未来一个小时的预测负荷值。本发明可对发电站的电力负荷进行短时高精度的预测。
Description
技术领域
本发明涉及一种基于Keras的短期电力负荷预测方法、存储介质和设备，属于电力超短期预测技术领域。
背景技术
现有的电力负荷预测方法多为两类，一类是直接预测法，第二类是间接预测法。直接预测法使用经典的物理建模方法，结合发电站的地理位置和当地气象信息，建立关于电力负荷的线性数学模型，建模较为复杂，且对于复杂多变的气象环境考虑较少。间接预测方法主要包括统计方法和学习机方法，该方法对积累的一段时间历史输出功率数据和相关因素进行分析和建模，然后模型预测系统的输出功率，其预测时间跨度较大，多为数小时至一天，且模型结构复杂。就目前情况来看，对于电力负荷预测系统来说，亟需由相关的高精度超短期预测模块来维系系统的安全稳健运行。
从近几年来国内外学者发表的文献中可以看出，有关学者越来越多地使用学习机方法来搭建电力负荷预测模型，人工神经网络与其他各种方法的结合都开始或已经被应用到对该理论的研究中。但是，现有的预测方法大都无法在较短的时间范围内进行高精度地预测负荷数据。
发明内容
本发明是提供一种基于Keras的短期电力负荷预测方法，可对发电站的电力负荷进行短时高精度的预测。
为达到上述目的，本发明所采用的技术方案是：一种基于Keras 的短期电力负荷预测方法，包括以下步骤：获取发电站与短期电力负荷预测相关的影响因素，对所述影响因素的数据进行预处理，所述影响因素包括温度、季节和节假日信息以及电力负荷的周期特性；将经过预处理后的影响因素数据输入预先训练好的短期负荷预测模型，对发电站进行电力负荷预测；所述短期负荷预测模型的输入包括负荷时间序列，预测日当天的季节、节假日信息，以及预设周期对应的温度和负荷；输出为发电站未来一个小时的预测负荷值。
进一步地，所述短期负荷预测模型为MLP模型，包括三层结构：一个输入层，包含79个节点；一个隐藏层，包含158个节点，激活函数采用ReLU函数；一个输出层，包含1个神经元，激活函数采用 ReLU函数。
进一步地，所述预设周期对应的温度和负荷包括过去24小时的温度和负荷数据，过去一周第h小时的温度和负荷，过去4周同一日的第h小时的温度和负荷。
进一步地，所述对数据进行预处理包括以下步骤：对所述季节信息采用独热码进行编码；对缺失时间点的影响因素数据，采用线性插值法进行补全；将获得的影响因素数据采用Min-Max方法进行归一化处理。
进一步地，所述短期负荷预测模型的训练包括以下步骤：采用反向传播算法对短期负荷预测模型进行训练；训练过程中，采用小批量梯度下降算法作为优化算法，并使用自适应参数的RMSprop优化器进行训练。
进一步地，所述反向传播算法中损失函数为MAE函数。
一种存储一个或多个程序的计算机可读存储介质，其特征在于：所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至6所述的方法中的任一方法。
一种计算设备，其特征在于：包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至6所述的方法中的任一方法的指令。
本发明在分析影响短期电力负荷预测的因素以及电力负荷的周期特性之后，采用短期负荷预测模型，从而实现对未来一小时的居民用电负荷预测。短期负荷预测模型采用MLP进行构建，因此该短期负荷预测模型具有结构简单，预测快速，泛化性好，时间分辨率高等优点；其训练损失函数为MAE，可实现短期居民负荷更高精度的预测。
附图说明
图1为本发明实施例提供的一种基于Keras的短期电力负荷预测方法的流程示意图；
图2为本发明实施例中两年的负荷和温度曲线；
图3为本发明实施例中连续三周的负荷变化趋势；
图4是本发明实施例中短期负荷预测模型的结构示意图；
图5为本发明实施例中短期负荷预测模型训练过程；
图6为本发明实施例中短期负荷预测模型预测结果。
具体实施方式
为了更好的理解本发明的实质，下面结合具体实施例和附图对本发明作进一步的阐述。
本发明是提供一种基于Keras的短期电力负荷预测方法，具体包括以下步骤：
步骤一，获取发电站与短期电力负荷预测相关的影响因素，对所述影响因素数据进行预处理，并划分数据集。
1、获取发电站与短期电负荷预测相关影响因素的数据信息，形成数据集。其相关影响因素包括温度、季节和节假日信息以及电力负荷的周期特性。其中，季节信息采用独热码对其进行编码。对于数据集中缺失的部分时间点的影响因素数据，采用线性插值法进行补全。
2、将获取的影响因素数据采用Min-Max方法进行归一化处理，并作为总样本集。处理后的影响因素数据范围为[0,1]。
3、将总样本集划分为训练集和测试集。
步骤二，基于Keras进行短期负荷预测模型的建立。
所述短期负荷预测模型的模型输入包括负荷时间序列，预测当天的季节、节假日信息，以及预设周期对应的温度和负荷；输出为发电站未来一个小时的预测负荷值。
基于Keras开发工具，进行短期负荷预测模型的创建和仿真。所述短期负荷预测模型可选为MLP模型，如图4所示，采用三层结构：一个输入层，包含79个节点，每个节点接收输入向量的一个元素；一个隐藏层，包含158个节点，激活函数采用ReLU函数；一个输出层，包含1个神经元，激活函数采用ReLU函数，输出为预测的发电站未来一个小时的预测负荷值。所述ReLU函数为ReLU(xi)＝max(0,xi)。
除输入节点外，MLP的每个节点都具有非线性激活函数的神经元对该节点的输入进行处理，MLP克服了感知器无法识别线性不可分数据的缺点。
居民负荷与气温、季节、工作日等相关，而且具有周期特性。首先是24小时小周期，即一天内的负荷变化趋势总是相似的，所以将过去24小时的温度、负荷数据作为输入；其次是一周的周期特性，一周内工作日和周末的负荷变化趋势也是相似的，故将过去一周七天第h小时的温度、负荷作为输入；再次，为了加强模型对长期变化趋势的识别能力，将过去4周同一日的第h小时的温度、负荷作为输入，最后将预测当天的季节、工作日信息作为输入；输入向量如表2所示：
表2短期负荷预测模型模型输入
短期负荷预测模型在计算时将输入层作为第零层，而将隐藏层作为第一层，以此类推。从输入层到隐藏层，x表示模型输入向量，h表示隐藏层的输出向量，则第一层的输出h可以表示为：
h＝f(W1x+b1) (1)
其中W1表示第一层与输入层之间的权重矩阵，b1表示第一层的偏置向量，f(·)表示隐含层激活函数。
从隐藏层到输出层，y表示输出层的输出向量，则第二层的输出y 可以表示为：
y＝g(W2h+b2) (2)
其中，W2和b2分别为第二层的权重矩阵和偏置向量，g(·)则是输出层激活函数。
步骤三，采用训练集对建立的短期负荷预测模型进行训练。
采用反向传播算法对建立的短期负荷预测模型进行训练，获得最优的权重矩阵W1、W2和偏置向量b1、b2。其中损失函数可选为MAE 函数。使得MAE函数最小的权重矩阵和偏置向量，即为短期负荷预测模型的最优权重参数。MAE函数的表达式为：
其中，yi是实际负荷，
是预测的负荷，n是训练或测试数据的个数。
可选地，在模型训练过程中，采用小批量梯度下降(MBGD)算法作为优化算法，并使用自适应参数的RMSprop优化器进行训练，可以降低计算成本，提高运算速度。
步骤四，采用测试集对训练好的短期负荷预测模型的预测性能进行评价。
将测试集输入到训练得到的模型中进行测试，将得到的测试集预测结果反归一化恢复预测值的量纲，最终绘制测试集预测结果并计算测试集误差。
使用误差评价指标对测试集误差进行计算，给出短期负荷预测性能评价。所述误差评价指标为平均绝对百分比误差(MAPE)。
采用对某城市某小区的居民用电负荷进行预测来进一步说明本发明。获取该小区的负荷数据和该城市的气象数据，包含了2016年1 月1日至2017年12月31日之间每小时的用电负荷和气温数据。图2 为数据集两年的负荷和温度曲线，从中可以看出季节和温度对用户电力负荷的影响比较大；图3为数据集中连续三周负荷变化趋势，可看出居民工作日与周末的用电习惯有着较大差别，对用电负荷的影响也比较大。
根据日期信息进行独热码(one-hot)编码得到季节和节假日信息。对于数据集中缺失的部分时间点的温度数据，采用线性插值法进行补全。另外，由于温度、负荷是量纲不同的数据，因此使用Min-Max 方法对温度和负荷数据进行归一化处理。处理后的数据范围为[0,1]。
将总样本集划分为训练集和测试集，选取总样本集中2016年1月1日至2017年6月30日的数据作为训练数据对模型进行训练，2017 年7月1日至2017年12月31日的数据作为测试数据对模型进行测试，训练集与测试集数据占总样本集的比例分别为75％和25％。
采用训练集对短期负荷预测模型训练，训练过程中失函数的变化如图5所示。从图5中能够看出，本发明能较快地降低损失函数值，训练后期能达到收敛状态，因此可以提高预测效率。
采用测试集对短期负荷预测模型进行验证，预测结果与实际负荷的MAPE误差为5.9％，其预测效果如图6所示。从图6可知，本发明的预测方法能够有效地预测电力负荷的短期变化趋势，采用本发明方法进行预测具有较高的的预测精度。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
Claims (8)
1.一种基于Keras的短期电力负荷预测方法，其特征在于，包括以下步骤：
获取发电站与短期电力负荷预测相关的影响因素，对所述影响因素的数据进行预处理，所述影响因素包括温度、季节和节假日信息以及电力负荷的周期特性；
将经过预处理后的影响因素数据输入预先训练好的短期负荷预测模型，对发电站进行电力负荷预测；
所述短期负荷预测模型的输入包括负荷时间序列，预测日当天的季节、节假日信息，以及预设周期对应的温度和负荷；输出为发电站未来一个小时的预测负荷值。
2.根据权利要求1所述基于Keras的短期电力负荷预测方法，其特征在于：所述短期负荷预测模型为MLP模型，包括三层结构：一个输入层，包含79个节点；一个隐藏层，包含158个节点，激活函数采用ReLU函数；一个输出层，包含1个神经元，激活函数采用ReLU函数。
3.根据权利要求1所述基于Keras的短期电力负荷预测方法，其特征在于：所述预设周期对应的温度和负荷包括过去24小时的温度和负荷数据，过去一周第h小时的温度和负荷，过去4周同一日的第h小时的温度和负荷。
4.根据权利要求1所述基于Keras的短期电力负荷预测方法，其特征在于：所述对数据进行预处理包括以下步骤：
对所述季节信息采用独热码进行编码；
对缺失时间点的影响因素数据，采用线性插值法进行补全；
将获得的影响因素数据采用Min-Max方法进行归一化处理。
5.根据权利要求1所述基于Keras的短期电力负荷预测方法，其特征在于：所述短期负荷预测模型的训练包括以下步骤：
采用反向传播算法对短期负荷预测模型进行训练；
训练过程中，采用小批量梯度下降算法作为优化算法，并使用自适应参数的RMSprop优化器进行训练。
6.根据权利要求5所述基于Keras的短期电力负荷预测方法，其特征在于：所述反向传播算法中损失函数为MAE函数。
7.一种存储一个或多个程序的计算机可读存储介质，其特征在于：所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至6所述的方法中的任一方法。
8.一种计算设备，其特征在于：包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至6所述的方法中的任一方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011082189.5A CN112288140A (zh) | 2020-10-12 | 2020-10-12 | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011082189.5A CN112288140A (zh) | 2020-10-12 | 2020-10-12 | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112288140A true CN112288140A (zh) | 2021-01-29 |
Family
ID=74496048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011082189.5A Pending CN112288140A (zh) | 2020-10-12 | 2020-10-12 | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112288140A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114021847A (zh) * | 2021-11-19 | 2022-02-08 | 福州大学 | 基于isgu混合模型的短期电力负荷预测方法及系统 |
| CN114462783A (zh) * | 2021-12-30 | 2022-05-10 | 昆明能讯科技有限责任公司 | 一种输电网分区分电压等级电力缺口计算的方法及系统 |
| CN116632841A (zh) * | 2023-07-26 | 2023-08-22 | 国网山东省电力公司信息通信公司 | 融合多时序特征的配电台区短期用电负荷预测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109657844A (zh) * | 2018-11-28 | 2019-04-19 | 国电南瑞科技股份有限公司 | 电力短期负荷预测方法和装置 |
| CN110610280A (zh) * | 2018-10-31 | 2019-12-24 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
-
2020
- 2020-10-12 CN CN202011082189.5A patent/CN112288140A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110610280A (zh) * | 2018-10-31 | 2019-12-24 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
| CN109657844A (zh) * | 2018-11-28 | 2019-04-19 | 国电南瑞科技股份有限公司 | 电力短期负荷预测方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 姚栋方 等: "基于深度学习的短期电力负荷预测", 国外电子测量技术, vol. 39, no. 1, pages 44 - 48 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114021847A (zh) * | 2021-11-19 | 2022-02-08 | 福州大学 | 基于isgu混合模型的短期电力负荷预测方法及系统 |
| CN114462783A (zh) * | 2021-12-30 | 2022-05-10 | 昆明能讯科技有限责任公司 | 一种输电网分区分电压等级电力缺口计算的方法及系统 |
| CN116632841A (zh) * | 2023-07-26 | 2023-08-22 | 国网山东省电力公司信息通信公司 | 融合多时序特征的配电台区短期用电负荷预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112508275B (zh) | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 | |
| CN108280551B (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
| CN110210993B (zh) | 基于循环神经网络模型的城市短期燃气负荷预测方法 | |
| CN112288140A (zh) | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 | |
| CN112215442B (zh) | 电力系统短期负荷预测方法、系统、设备及介质 | |
| CN111027772A (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
| CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
| CN115169703A (zh) | 一种基于长短时记忆网络组合的短期电力负荷预测方法 | |
| CN111861013A (zh) | 一种电力负荷预测方法及装置 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| 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 | |
| CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
| CN110969312A (zh) | 基于变分模态分解和极端学习机的短期径流预测耦合方法 | |
| Dong et al. | A multifactorial short-term load forecasting model combined with periodic and non-periodic features-a case study of qingdao, China | |
| CN112508286A (zh) | 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法 | |
| Chen et al. | A multivariate grey RBF hybrid model for residual useful life prediction of industrial equipment based on state data | |
| CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
| CN114154753A (zh) | 一种负荷预测方法及系统 | |
| CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
| CN112598181A (zh) | 负荷预测方法、装置、设备和存储介质 | |
| CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
| CN116822722A (zh) | 水位预测方法、系统、装置、电子设备及介质 | |
| CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
| CN110659775A (zh) | 一种基于lstm改进的电力短时负荷预测算法 | |
| Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises |
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 |