CN112330027A - 一种基于搜索引擎指数的电力负荷预测方法 - Google Patents
一种基于搜索引擎指数的电力负荷预测方法 Download PDFInfo
- Publication number
- CN112330027A CN112330027A CN202011232571.XA CN202011232571A CN112330027A CN 112330027 A CN112330027 A CN 112330027A CN 202011232571 A CN202011232571 A CN 202011232571A CN 112330027 A CN112330027 A CN 112330027A
- Authority
- CN
- China
- Prior art keywords
- search engine
- function
- index
- formula
- power load
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 230000001932 seasonal effect Effects 0.000 claims abstract description 19
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims abstract description 11
- 230000015654 memory Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 110
- 239000011159 matrix material Substances 0.000 claims description 54
- 241000255588 Tephritidae Species 0.000 claims description 32
- 239000002245 particle Substances 0.000 claims description 24
- 230000000694 effects Effects 0.000 claims description 19
- 230000007704 transition Effects 0.000 claims description 18
- 238000012546 transfer Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 7
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 239000011541 reaction mixture Substances 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于搜索引擎指数的电力负荷预测方法。包括:确定在预定历史时间段内与预设地区电力负荷相关的搜索引擎指数;使用长短期记忆神经网络对搜索引擎指数的趋势项、季节项和节假日项进行预测,得到搜索引擎指数的外推预测值;基于果蝇优化算法的广义回归神经网络构建电力负荷数据预测模型,将电力负荷数据、搜索引擎指数以及天气数据的历史数据作为训练集;用搜索引擎指数的外推预测值以及天气数据预测值作为输入量,对未来时间段的电力负荷数据进行预测。本发明建立了搜索引擎指数‑气象数据联合预测电力负荷的模型,突破了传统上电力负荷预测因子只能考虑自然因素而不能将社会因素量化纳入因变量的限制,能够得到更准确的电力负荷预测结果。
Description
技术领域
本发明涉及电力负荷技术领域,特别是涉及一种基于搜索引擎指数的电力负荷预测方法。
背景技术
某个词汇的搜索引擎指数与该词汇的搜索规模正相关,该指数反映了人群对某个事物的关注程度。特别地,对于某些以旅游业为主打产业的地区或城市,其相关搜索指数与该地人员流动量有强的相关性,而人流量的变化又影响了当地的电力负荷变化。因此,搜索引擎指数与电力负荷有相当强的关系。
电力负荷预测对于电网的调度和生产计划具有重要的意义,传统的电力负荷预测主要关注以电力负荷本身、最高气温、最低气温、平均气温、湿度等为自变量,近几年考虑社会因素对电力负荷预测的研究方兴未艾,搜索引擎指数正是可以量化的一个社会因素指标。
发明内容
本发明提供了一种基于搜索引擎指数的电力负荷预测方法,以实现准确的电力负荷预测。
本发明提供了以下技术方案:
一种基于搜索引擎指数的电力负荷预测方法,其包括以下步骤:
S1,确定至少一个与预设地区电力负荷相关的搜索引擎关键词;
S2,获取所述关键词在预定历史时间段内的搜索引擎指数;
S3,获取相同历史时间段内所述预设地区的电力负荷数据;
S4,使用Spearman秩相关检验分析所述预设地区的电力负荷与搜索引擎指数的关系,剔除相关系数低于预设阈值的搜索关键词;
S5,构造基于马尔科夫链的广义加性模型,对搜索引擎指数的时间序列数据进行分解;
S6,构建搜索引擎指数时间序列的趋势项函数;
S7,构建搜索引擎指数时间序列的季节性函数;
S8,构建搜索引擎指数时间序列的节假日效应函数;
S9,对与所述预设地区相关的多个搜索引擎关键词进行主成分分析,得出涵盖多维搜索引擎指数的线性组合;
S10,获取相同历史时间段内所述预设地区的天气数据,并使用基于粒子群优化算法的长短期记忆神经网络对未来时间段的天气数据进行预测,得到天气数据预测值;
S11,基于所述趋势项函数、所述季节性函数以及所述节假日效应函数,使用长短期记忆神经网络分别对搜索引擎指数的趋势项、季节项和节假日项进行预测,将所述趋势项、季节项和节假日项相加得到搜索引擎指数的外推预测值;
S12,基于果蝇优化算法的广义回归神经网络构建电力负荷数据预测模型,将所述历史时间段内所述预设地区的电力负荷数据、所述多维搜索引擎指数的线性组合、所述历史时间段内所述预设地区的天气数据作为所述电力负荷数据预测模型的训练集;用所述搜索引擎指数的外推预测值以及所述天气数据预测值作为输入量,对未来时间段的电力负荷数据进行预测。
进一步地,所述Spearman秩相关检验的表达式为:
其中,ρs表示Spearman等级系数,U表示进行检验的电力负荷和搜索引擎指数数据的组数,表示第u组数据中电力负荷和搜索引擎指数数据的变量等级的差的平方,对于Spearman等级系数小于预设阈值的搜索关键词进行剔除。
进一步地,构造基于马尔科夫链的广义加性模型,对搜索引擎指数的时间序列数据进行分解,包括:
所述搜索引擎指数的时间序列数据的分解表达式为:
Y=Q+Z+J+∈ (2)
式(2)中,Y为总的搜索引擎指数;Q为趋势项,是一个表征搜索引擎指数发展趋势的非周期性单调函数;Z为周期项,表征搜索引擎指数时间序列的周期性特征;J为预设时间点影响项,可以根据具体情况设置,在其上搜索引擎指数会有阶跃式波动的离散时间点,表征节假日对搜索引擎指数时间序列的影响;∈为误差项;
对搜索引擎指数的时间序列数据进行分解,具体包括:
用马尔科夫链拟合随机序列{Xt:t=1,2,…}的状态概率表达为式(3):pii=p{Xt=j} (3)
式(3)中,pii为转移矩阵,p表示满足后续表达式的概率,Xt为离散空间中的时间序列,j为预测方法序号,t为预测时段;
状态概率分布的表达式为式(4)(5):
Pt=[Pt1,Pt2,…,Ptv] (4)
式(4)中,Pt为t时刻的转移概率矩阵,Ptv为系统由状态t转化为状态v的概率;v是一个为表示系统状态序号而引入的符号;式(5)中,为Ptj的估计值,s为可能发生转移的总次数,T为拟合时段,N为预测方法的种类;
随机序列的一步转移概率矩阵的估计表达式为:
B=CG+E (6)
式(6)中,B为随机序列的估计矩阵,C为输入变量矩阵,G为随机序列的一步转移概率矩阵,E为误差矩阵,B=[P2,P3,…,PT],C=[P1,P2,…,PT-1];
E的估计的表达式为:
E=(B-CG)(B-αG)/(T-1)=[BB-BC(CC)-1CB]/(T-1) (7)
式(7)中,α为转移概率矩阵系数。
状态概率的预测公式为(8)(9):
Pt=GPt-1 (8)
进一步地,构建搜索引擎指数时间序列的趋势项函数,包括:
对逻辑回归函数进行修正,得到适用于搜索引擎指数的回归增长函数表达式为:
其中,Q(t)为趋势项函数,A表示曲线的最大渐近值,c表示曲线的增长率,m表示曲线的中点,h表示时间;
进一步扩展成动态函数:
其中,A(t)为曲线最大渐近值函数,δ、γ为增长率的变化量,a(t)为匹配维度的向量。
进一步地,构建搜索引擎指数时间序列的季节性函数,包括:
特别地,当时间周期为年时,转为:
其中,G表示相加项的个数,Z(t)表示季节性函数,M表示时间序列的周期,an、bn分别为余弦函数和正弦函数的幅度。
进一步地,构建搜索引擎指数时间序列的节假日效应函数包括:
使用指示函数,设置一个参数用以限定所选节假日对搜索引擎指数的影响及适用范围,在这个影响及适用范畴中,进一步细分为前影响范围和后影响范围,节假日效应函数表达为:
V(t)=[1(t∈D1),...,1(t∈DL)] (14)
F(t)=V(t)k (15)
其中,D1,…,DL表示以第1到L个节假日为中心的邻域时间段,V(t)为回归矩阵;k为节假日影响范围参数,F(t)为节假日效应矩阵。
进一步地,对与预测对象地点相关的多个搜索引擎关键词进行主成分分析,得出涵盖多维搜索引擎信息的线性组合,对所选的搜索关键词的搜索指数进行中心化,此过程的表达式为
其中,x表示搜索关键词的平均搜索指数,x(Λ)表示搜索引擎指数时间序列中第Λ个数据,b为该搜索引擎指数出现的频数;
计算表征指数特征的协方差矩阵,协方差矩阵的表达式为:
H=ψψT (17)
式(17)中,H为协方差矩阵,ψ为n维随机变量;
对式(17)的协方差矩阵进行特征值分解;
指定一个降维后的主成分比重阈值介于0到1之间,定义特征值数量参数η,则η的表达式满足:
其中,λi为协方差矩阵的第i个特征值;
特征值需要满足式(19):
λ1≥λ2≥…≥λi (19)
取出最大的η个特征值对应的特征向量(ρ1,ρ2,…,ρη),将上述特征向量标准化后,组成特征向量矩阵;
对样本集中的每一个样本x(i),转化为新的样本z(i)=WTx(i);W为样本转移矩阵;
得到输出样本集U=(z(1),z(2),...z(i))。
进一步地,所述粒子群优化算法的速度更新公式为:
粒子群优化算法的位置更新公式为:
负荷预测模型参数寻优的惯性权重表达为式(22):
式(22)中,w(t)为负荷预测模型参数寻优的惯性权重,wmax和wmin分别为惯性权重的最大值和最小值;e为当前迭代次数;emax为最大迭代次数;
基于标准柯西累积分布的扰动函数,其表达式为:
式(23)中,F(xm)表示扰动函数,xm为扰动函数的自变量;
粒子群整体凝聚度的表达式为式(24):
计算所有粒子的个体最优值pbest的平均值avg_pbest到当前最优值pbest在第β维上的距离χ(β)为:
自适应变异调节变量xm(j)定义为:
式(27)中,xm(β)为自适应变异调节变量,λ为一常数,rmax为各维间的最大距离;
自适应柯西变异操作更新方程为:
gbest*=gbest+F(xm) (28)
式(28)中,gbest*为更新后的群体全局最优值;
长短期记忆神经网络基本单元的状态更新方程组表达为式(29)-(34):
ft=σ(Γf·[ht-1,xt]+Ξφ) (29)
φt=σ(Γi·[ht-1,xt]+Ξφ) (30)
at=tanh(Γc·[ht-1,xt]+Ξc) (31)
Ct=f*Ct-1+φt*at (32)
ot=σ(Γo·[ht-1,xt]+Ξo) (33)
ht=or*tanh(Ct) (34)
式(29)-(34)中,xt和ht分别表示输入向量和输出向量,f、φ、o分别表示遗忘门、输入门和输出门,Ct与Ct-1分别表示上一时刻与当前单元状态,ht-1与ht分别表示上一时刻与当前隐藏层单元的输出,σ表示sigmoid激活函数,tanh表示正切函数,Γ和Ξ表示权重矩阵和偏差向量。
进一步地,所述广义回归神经网络的模式层神经元传递函数为:
式(35)中,Υ为模式层神经元传递函数,Ω为网络输入变量;Ωl为第l个神经元对应的学习样本;σ为权值;
求和层对所有模式层神经元的输出进行算术求和,计算公式为:
式(36)中,L为神经元总个数;
当连接函数为1,传递函数为:
其中,SD为传递函数;
GRNN每个模式的单元输出为:
其中,Yi为样本观测值,δ为平滑参数。
进一步地,将广义回归神经网络构建在果蝇优化算法的基础上,对果蝇位置(XarisYaris)进行随机初始化:
Xaris=rand Yaris=rand (39)
其中,Xaris、Yaris为果蝇未知的横纵坐标,rand代指随机数;
更新各子种群果蝇位置:
其中XjM、YjM为果蝇个体新的位置,Xaxis、Yaxis为更新前果蝇位置的横坐标和纵坐标;式(41)中,w表示惯性权重,Rmax、Rmin为定义域上下限,D为控制参数,maxgen为最大迭代次数,gen表示当前迭代次数;
各子种群果蝇到原点的距离表达式:
其中,SjM为味道浓度判断值,DistjM为果蝇个体距离原点的距离,XjM、YjM、ZjM为果蝇位置在三维空间中的坐标;
各子种群果蝇个体适应度表达式为:
SmelljM=Function(SjM) (43)
其中,SmelljM为味道浓度值,Function为味道浓度判断函数;
计算总群局部最优位置和适应度值:
其中,Smellbest为最佳味道浓度值,BestIndex为该果蝇群体中味道浓度最高的果蝇,BestSmell为最佳味道浓度值对应的果蝇位置。
与现有技术相比,本发明具有以下有益效果:
1.本发明将有关于一个地区的搜索引擎指数纳入与电力负荷相关的因素考虑,为电力负荷预测领域提供了全新的视角。
2.本发明建立了搜索引擎指数的时间序列分解模型,有利于提高搜索引擎指数的预测精度。
3.本发明根据搜索引指数本身的特点建立了搜索引擎指数的时间序列分解模型的趋势项函数,趋势项部分作为一个独立的时间序列进行预测,有利于提高搜索引擎指数的预测精度。
4.本发明根据搜索引擎指数、电力负荷数据以及节假日三者的耦合关系构造了节假日效应函数,通过设置一个参数用以限定所选节假日对搜索引擎指数的影响及适用范围,在这个影响及适用范畴中,又可以进一步细分为前影响范围和后影响范围。节假日项部分作为一个独立的时间序列进行预测,有利于提高搜索引擎指数的预测精度。
5.本发明建立了搜索引擎指数-气象数据联合预测电力负荷的模型,突破了传统上电力负荷预测因子只能考虑自然因素而不能将社会因素量化纳入因变量的限制。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例中一种基于搜索引擎指数的电力负荷预测方法的流程图;
图2是本发明实施例中搜索引擎指数时间序列的趋势项函数示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
参见图1,其示出了一种基于搜索引擎指数的电力负荷预测方法的流程图,该方法包括以下步骤:
S1,确定至少一个与预设地区电力负荷相关的搜索引擎关键词;
其中,搜索引擎关键词具体包括但不限于:该预设地区的地名;该预设地区人流量大的风景名胜的名字;即将在该预设地区举行的大型活动的名字。
S2,获取这些关键词在预定历史时间段内的搜索引擎指数;
搜索引擎指数为如谷歌、百度等搜索引擎指数,在具体实施时,谷歌指数(GoogleIndex)可以直接在相应网站下载;百度指数(BaiduIndex)可以使用基于python的网络爬虫到相应网页爬取。
S3,获取相同历史时间段内该预设地区的电力负荷数据;
S4,使用Spearman秩相关检验分析该预设地区的电力负荷与搜索引擎指数的关系,剔除相关系数低于预设阈值的搜索关键词;
其中,Spearman秩相关检验的表达式为:
式(1)中,ρs表示Spearman等级系数,U表示进行检验的电力负荷和搜索引擎指数数据的组数,表示第u组数据中电力负荷和搜索引擎指数数据的变量等级的差的平方,对于Spearman等级系数小于预设阈值的搜索关键词进行剔除。
S5,构造基于马尔科夫链的广义加性模型,对搜索引擎指数的时间序列数据进行分解;
S6,构建搜索引擎指数时间序列的趋势项函数;
S7,构建搜索引擎指数时间序列的季节性函数;
S8,构建搜索引擎指数时间序列的节假日效应函数;
S9,对与预测对象地点相关的多个搜索引擎关键词进行主成分分析,得出涵盖多维搜索引擎指数的线性组合;
S10,获取相同历史时间段内所述预设地区的天气数据,并使用基于粒子群优化算法的长短期记忆神经网络(PSO-LSTM)对天气数据进行预测,得到天气数据预测值;
S11,基于趋势项函数、季节性函数以及节假日效应函数,使用长短期记忆神经网络分别对搜索引擎指数的趋势项、季节项和节假日项进行预测,将趋势项、季节项和节假日项相加得到搜索引擎指数的外推预测值;
S12,基于果蝇优化算法的广义回归神经网络(FOA-GRNN)构建电力负荷数据预测模型,将所述历史时间段内所述预设地区的电力负荷数据、所述多维搜索引擎指数的线性组合、所述历史时间段内所述预设地区的天气数据作为所述电力负荷数据预测模型的训练集;用所述搜索引擎指数的外推预测值以及所述天气数据预测值作为输入量,对未来时间段的电力负荷数据进行预测。
其中,步骤S5中,搜索引擎指数的时间序列的分解表达式为:
Y=Q+Z+J+∈ (2)
式(2)中,Y为总的搜索引擎指数;Q为趋势项,是一个表征搜索引擎指数发展趋势的非周期性单调函数;Z为周期项,表征搜索引擎指数时间序列的周期性特征;J为预设时间点影响项,可以根据具体情况设置,在其上搜索引擎指数会有阶跃式波动的离散时间点,表征节假日对搜索引擎指数时间序列的影响;∈为误差项,可以采用但不限于高斯常态分布。
对搜索引擎指数的时间序列数据进行分解,具体包括:
用马尔科夫链拟合随机序列{xt:t=1,2,…}的状态概率表达为式(3):pii=p{Xt=j} (3)
式(3)中,pii为转移矩阵,p表示满足后续表达式的概率,Xt为离散空间中的时间序列,j为预测方法序号,t为预测时段;
状态概率分布的表达式为式(4)(5):
Pt=[Pt1,Pt2,…,Ptv] (4)
式(4)中,Pt为t时刻的转移概率矩阵,Ptv为系统由状态t转化为状态v的概率;v是一个为表示系统状态序号而引入的符号;式(5)中,为Ptj的估计值,s为可能发生转移的总次数,T为拟合时段,N为预测方法的种类;
随机序列的一步转移概率矩阵的估计表达式为:
B=CG+E (6)
式(6)中,B为随机序列的估计矩阵,C为输入变量矩阵,G为随机序列的一步转移概率矩阵,E为误差矩阵,B=[P2,P3,…,PT],C=[P1,P2,…,PT-1];
E的估计的表达式为:
E=(B-CG)(B-αG)/(T-1)=[BB-BC(CC)-1CB]/(T-1) (7)
式(7)中,α为转移概率矩阵系数。
状态概率的预测公式为(8)(9):
Pt=GPt-1 (8)
步骤S6中,满足搜索引擎指数发展规律的函数需要满足条件为:具有一定的增长空间且存在最大的饱和值,原则上当时间趋近于无穷时,搜索引擎指数的值无限接近但不等于设定的最大值,所述搜索引擎指数时间序列的趋势项函数如图2所示。
构建搜索引擎指数时间序列的趋势项函数的一种可能的实施方式如下:
对逻辑回归函数进行修正,可以得到适用于搜索引擎指数的回归增长函数表达式为:
式(10)中,Q(t)为趋势项函数,A表示曲线的最大渐近值,c表示曲线的增长率,m表示曲线的中点,h表示时间;
这一函数可以进一步扩展成动态函数如式(11)所示:
式(11)中,A(t)为曲线最大渐近值函数,δ、γ为增长率的变化量,a(t)为匹配维度的向量。
步骤S7中,构建搜索引擎指数时间序列的季节性函数的一种可能的实施方式如下:
将反映搜索引擎指数的周期性函数(如三角函数)转化为傅里叶级数,其表达式为:
式(12)中,G表示相加项的个数,Z(t)表示季节性函数,M表示时间序列的周期,an、bn分别为余弦函数和正弦函数的幅度,特别地,当时间周期为年时,式(12)转为式(13):
步骤S8中,构建搜索引擎指数时间序列的节假日效应函数的一种可能的实施方式如下:
使用指示函数,设置一个参数用以限定所选节假日对搜索引擎指数的影响及适用范围,在这个影响及适用范畴中,可以进一步细分为前影响范围和后影响范围,节假日效应函数表达为式(14)(15):
V(t)=[1(t∈D1),...,1(t∈DL)] (14)
F(t)=V(t)k (15)
式(14)中,D1,…,DL表示以第1到L个节假日为中心的邻域时间段,V(t)为回归矩阵;式(15)中,k为节假日影响范围参数,F(t)为节假日效应矩阵。
步骤S9中,对与预测对象地点相关的多个搜索引擎关键词进行主成分分析,得出涵盖多维搜索引擎信息的线性组合,包括:
对确定出的搜索关键词的搜索指数进行中心化,此过程的表达式为:
式(16)中,x表示搜索关键词的平均搜索指数,x(Λ)表示搜索引擎指数时间序列中第Λ个数据,b为该搜索引擎指数出现的频数;
计算表征指数特征的协方差矩阵,协方差矩阵的表达式为:
H=ψψT (17)
式(17)中,H为协方差矩阵,ψ为n维随机变量;
对式(17)的协方差矩阵进行特征值分解;
指定一个降维后的主成分比重阈值介于0到1之间,定义特征值数量参数η,则η的表达式满足:
式(18)中,λi为协方差矩阵的第i个特征值;
其中特征值需要满足式(19):
λ1≥λ2≥…≥λi (19)
取出最大的η个特征值对应的特征向量(ρ1,ρ2,…,ρη),将上述特征向量标准化后,组成特征向量矩阵;
对样本集中的每一个样本x(i),转化为新的样本z(i)=WTx(i);W为样本转移矩阵;
得到输出样本集ξ=(z(1),z(2),....z(i))。
步骤S10中,粒子群优化算法的速度更新公式为:
粒子群优化算法的位置更新公式为:
负荷预测模型参数寻优的惯性权重表达为式(22):
式(22)中,w(t)为负荷预测模型参数寻优的惯性权重,wmax和wmin分别为惯性权重的最大值和最小值;e为当前迭代次数;emax为最大迭代次数;
基于标准柯西累积分布的扰动函数,其表达式为:
式(23)中,F(xm)表示扰动函数,xm为扰动函数的自变量;
粒子群整体凝聚度的表达式为式(24):
计算所有粒子的个体最优值pbest的平均值avg_pbest到当前最优值pbest在第β维上的距离χ(β)为:
自适应变异调节变量xm(j)定义为:
式(27)中,xm(β)为自适应变异调节变量,λ为一常数,rmax为各维间的最大距离;
自适应柯西变异操作更新方程为:
gbest*=gbest+F(xm) (28)
式(28)中,gbest*为更新后的群体全局最优值;
长短期记忆神经网络基本单元的状态更新方程组表达为式(29)-(34):
ft=σ(Γf·[ht-1,xt]+Ξφ) (29)
φt=σ(Γi·[ht-1,xt]+Ξφ) (30)
at=tanh(Γc·[ht-1,xt]+Ξc) (31)
Ct=f*Ct-1+φt*at (32)
ot=σ(Γo·[ht-1,xt]+Ξo) (33)
ht=or*tanh(Ct) (34)
式(29)-(34)中,xt和ht分别表示输入向量和输出向量,f、φ、o分别表示遗忘门、输入门和输出门,Ct与Ct-1分别表示上一时刻与当前单元状态,ht-1与ht分别表示上一时刻与当前隐藏层单元的输出,σ表示sigmoid激活函数,tanh表示正切函数,Γ和Ξ表示权重矩阵和偏差向量。
步骤S11中,使用基于果蝇优化算法的广义回归神经网络(FOA-GRNN),将搜索引擎指数和电力负荷数据以及其他因变量的历史数据作为训练集,用外推预测出的搜索引擎指数线性组合以及其他因变量的预测值作为输入量,对电力负荷数据进行预测。
广义回归神经网络的模式层神经元传递函数为:
式(35)中,Υ为模式层神经元传递函数,Ω为网络输入变量;Ωl为第l个神经元对应的学习样本;σ为权值;
求和层对所有模式层神经元的输出进行算术求和,计算公式为:
式(36)中,L为神经元总个数;
当连接函数为1,传递函数为:
式(37)中,SD为传递函数;
GRNN每个模式的单元输出为:
式(38)中,Yi为样本观测值,δ为平滑参数;
将广义回归神经网络构建在果蝇优化算法的基础上,对果蝇位置(Xaris,Yaris)进行随机初始化:
Xaris=rand Yaris=rand (39)
式(39)中,Xaris、Yaris为果蝇未知的横纵坐标,rand代指随机数;
更新各子种群果蝇位置:
式(40)中XjM、YjM为果蝇个体新的位置,Xaxis、Yaxis为更新前果蝇位置的横坐标和纵坐标;式(41)中,w表示惯性权重,Rmax、Rmin为定义域上下限,D为控制参数,maxgen为最大迭代次数,gen表示当前迭代次数;
各子种群果蝇到原点的距离表达式:
式(42)中,SjM为味道浓度判断值,DistjM为果蝇个体距离原点的距离,XjM、YjM、ZjM为果蝇位置在三维空间中的坐标;
各子种群果蝇个体适应度表达式为:
SmelljM=Function(SjM) (43)
式(43)中,SmelljM为味道浓度值,Function为味道浓度判断函数;
计算总群局部最优位置和适应度值:
式(44)中,Smellbest为最佳味道浓度值,BestIndex为该果蝇群体中味道浓度最高的果蝇,BestSmell为最佳味道浓度值对应的果蝇位置。
本发明实施例具有以下有益效果:
1.本发明实施例将有关于一个地区的搜索引擎指数纳入与电力负荷相关的因素考虑,为电力负荷预测领域提供了全新的视角。
2.本发明实施例建立了搜索引擎指数的时间序列分解模型,有利于提高搜索引擎指数的预测精度。
3.本发明实施例根据搜索引指数本身的特点建立了搜索引擎指数的时间序列分解模型的趋势项函数,趋势项部分作为一个独立的时间序列进行预测,有利于提高搜索引擎指数的预测精度。
4.本发明实施例根据搜索引擎指数、电力负荷数据以及节假日三者的耦合关系构造了节假日效应函数,通过设置一个参数用以限定所选节假日对搜索引擎指数的影响及适用范围,在这个影响及适用范畴中,又可以进一步细分为前影响范围和后影响范围。节假日项部分作为一个独立的时间序列进行预测,有利于提高搜索引擎指数的预测精度。
5.本发明实施例建立了搜索引擎指数-气象数据联合预测电力负荷的模型,突破了传统上电力负荷预测因子只能考虑自然因素而不能将社会因素量化纳入因变量的限制。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于搜索引擎指数的电力负荷预测方法,其特征在于,其包括以下步骤:
S1,确定至少一个与预设地区电力负荷相关的搜索引擎关键词;
S2,获取所述关键词在预定历史时间段内的搜索引擎指数;
S3,获取相同历史时间段内所述预设地区的电力负荷数据;
S4,使用Spearman秩相关检验分析所述预设地区的电力负荷与搜索引擎指数的关系,剔除相关系数低于预设阈值的搜索关键词;
S5,构造基于马尔科夫链的广义加性模型,对搜索引擎指数的时间序列数据进行分解;
S6,构建搜索引擎指数时间序列的趋势项函数;
S7,构建搜索引擎指数时间序列的季节性函数;
S8,构建搜索引擎指数时间序列的节假日效应函数;
S9,对与所述预设地区相关的多个搜索引擎关键词进行主成分分析,得出涵盖多维搜索引擎指数的线性组合;
S10,获取相同历史时间段内所述预设地区的天气数据,并使用基于粒子群优化算法的长短期记忆神经网络对未来时间段的天气数据进行预测,得到天气数据预测值;
S11,基于所述趋势项函数、所述季节性函数以及所述节假日效应函数,使用长短期记忆神经网络分别对搜索引擎指数的趋势项、季节项和节假日项进行预测,将所述趋势项、季节项和节假日项相加得到搜索引擎指数的外推预测值;
S12,基于果蝇优化算法的广义回归神经网络构建电力负荷数据预测模型,将所述历史时间段内所述预设地区的电力负荷数据、所述多维搜索引擎指数的线性组合、所述历史时间段内所述预设地区的天气数据作为所述电力负荷数据预测模型的训练集;用所述搜索引擎指数的外推预测值以及所述天气数据预测值作为输入量,对未来时间段的电力负荷数据进行预测。
3.根据权利要求1所述的方法,其特征在于,构造基于马尔科夫链的广义加性模型,对搜索引擎指数的时间序列数据进行分解,包括:
所述搜索引擎指数的时间序列数据的分解表达式为:
Y=Q+Z+J+∈ (2)
式(2)中,Y为总的搜索引擎指数;Q为趋势项,是一个表征搜索引擎指数发展趋势的非周期性单调函数;Z为周期项,表征搜索引擎指数时间序列的周期性特征;J为预设时间点影响项,可以根据具体情况设置,在其上搜索引擎指数会有阶跃式波动的离散时间点,表征节假日对搜索引擎指数时间序列的影响;∈为误差项;
对搜索引擎指数的时间序列数据进行分解,具体包括:
用马尔科夫链拟合随机序列{xt:t=1,2,…}的状态概率表达为式(3):
pii=p{Xt=j} (3)
式(3)中,pii为转移矩阵,p表示满足后续表达式的概率,Xt为离散空间中的时间序列,j为预测方法序号,t为预测时段;
状态概率分布的表达式为式(4)(5):
Pt=[Pt1,Pt2,…,Ptv] (4)
式(4)中,pt为t时刻的转移概率矩阵,Ptv为系统由状态t转化为状态v的概率;v是一个为表示系统状态序号而引入的符号;式(5)中,为Ptj的估计值,s为可能发生转移的总次数,T为拟合时段,N为预测方法的种类;
随机序列的一步转移概率矩阵的估计表达式为:
B=CG+E (6)
式(6)中,B为随机序列的估计矩阵,C为输入变量矩阵,G为随机序列的一步转移概率矩阵,E为误差矩阵,B=[P2,P3,…,PT],C=[P1,P2,…,PT-1];
E的估计的表达式为:
E=(B-CG)(B-αG)/(T-1)=[BB-BC(CC)-1CB]/(T-1) (7)
式(7)中,α为转移概率矩阵系数。
状态概率的预测公式为(8)(9):
Pt=GPt-1 (8)
6.根据权利要求1所述的方法,其特征在于,构建搜索引擎指数时间序列的节假日效应函数包括:
使用指示函数,设置一个参数用以限定所选节假日对搜索引擎指数的影响及适用范围,在这个影响及适用范畴中,进一步细分为前影响范围和后影响范围,节假日效应函数表达为:
V(t)=[1(t∈D1),...,1(t∈DL)] (14)
F(t)=V(t)k (15)
其中,D1,…,DL表示以第1到L个节假日为中心的邻域时间段,V(t)为回归矩阵;k为节假日影响范围参数,F(t)为节假日效应矩阵。
7.根据权利要求1所述的方法,其特征在于,对与预测对象地点相关的多个搜索引擎关键词进行主成分分析,得出涵盖多维搜索引擎信息的线性组合,对所选的搜索关键词的搜索指数进行中心化,此过程的表达式为
其中,x表示搜索关键词的平均搜索指数,x(Λ)表示搜索引擎指数时间序列中第Λ个数据,b为该搜索引擎指数出现的频数;
计算表征指数特征的协方差矩阵,协方差矩阵的表达式为:
H=ψψT (17)
式(17)中,H为协方差矩阵,ψ为n维随机变量;
对式(17)的协方差矩阵进行特征值分解;
指定一个降维后的主成分比重阈值介于0到1之间,定义特征值数量参数η,则η的表达式满足:
其中,λi为协方差矩阵的第i个特征值;
特征值需要满足式(19):
λ1≥λ2≥…≥λi (19)
取出最大的η个特征值对应的特征向量(ρ1,ρ2,…,ρη),将上述特征向量标准化后,组成特征向量矩阵;
对样本集中的每一个样本x(i),转化为新的样本z(i)=WTx(i);W为样本转移矩阵;
得到输出样本集U=(z(1),z(2),...z(i))。
8.根据权利要求1所述的方法,其特征在于,所述粒子群优化算法的速度更新公式为:
粒子群优化算法的位置更新公式为:
负荷预测模型参数寻优的惯性权重表达为式(22):
式(22)中,w(t)为负荷预测模型参数寻优的惯性权重,wmax和wmin分别为惯性权重的最大值和最小值;e为当前迭代次数;emax为最大迭代次数;
基于标准柯西累积分布的扰动函数,其表达式为:
式(23)中,F(xm)表示扰动函数,xm为扰动函数的自变量;
粒子群整体凝聚度的表达式为式(24):
计算所有粒子的个体最优值pbest的平均值avg_pbest到当前最优值pbest在第β维上的距离χ(β)为:
自适应变异调节变量xm(j)定义为:
式(27)中,xm(β)为自适应变异调节变量,λ为一常数,rmax为各维间的最大距离;
自适应柯西变异操作更新方程为:
gbest*=gbest+F(xm) (28)
式(28)中,gbest*为更新后的群体全局最优值;
长短期记忆神经网络基本单元的状态更新方程组表达为式(29)-(34):
ft=σ(Γf·[ht-1,xt]+Ξφ) (29)
φt=σ(Γi·[ht-1,xt]+Ξφ) (30)
at=tanh(Γc·[ht-1,xt]+Ξc) (31)
Ct=f*Ct-1+φt*at (32)
ot=σ(Γo·[ht-1,xt]+Ξo) (33)
ht=or*tanh(Ct) (34)
式(29)-(34)中,xt和ht分别表示输入向量和输出向量,f、φ、o分别表示遗忘门、输入门和输出门,Ct与Ct-1分别表示上一时刻与当前单元状态,ht-1与ht分别表示上一时刻与当前隐藏层单元的输出,σ表示sigmoid激活函数,tanh表示正切函数,Γ和Ξ表示权重矩阵和偏差向量。
10.根据权利要求1所述的方法,其特征在于,将广义回归神经网络构建在果蝇优化算法的基础上,对果蝇位置(Xaris Yaris)进行随机初始化:
Xaris=rand Yaris=rand (39)
其中,Xaris、Yaris为果蝇未知的横纵坐标,rand代指随机数;
更新各子种群果蝇位置:
其中XjM、YjM为果蝇个体新的位置,Xaxis、Yaxis为更新前果蝇位置的横坐标和纵坐标;式(41)中,w表示惯性权重,Rmax、Rmin为定义域上下限,D为控制参数,maxgen为最大迭代次数,gen表示当前迭代次数;
各子种群果蝇到原点的距离表达式:
其中,SjM为味道浓度判断值,DistjM为果蝇个体距离原点的距离,XjM、YjM、ZjM为果蝇位置在三维空间中的坐标;
各子种群果蝇个体适应度表达式为:
SmelljM=Function(SjM) (43)
其中,SmelljM为味道浓度值,Function为味道浓度判断函数;
计算总群局部最优位置和适应度值:
其中,Smellbest为最佳味道浓度值,BestIndex为该果蝇群体中味道浓度最高的果蝇,BestSmell为最佳味道浓度值对应的果蝇位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011232571.XA CN112330027B (zh) | 2020-11-06 | 2020-11-06 | 一种基于搜索引擎指数的电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011232571.XA CN112330027B (zh) | 2020-11-06 | 2020-11-06 | 一种基于搜索引擎指数的电力负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112330027A true CN112330027A (zh) | 2021-02-05 |
CN112330027B CN112330027B (zh) | 2022-02-11 |
Family
ID=74316924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011232571.XA Active CN112330027B (zh) | 2020-11-06 | 2020-11-06 | 一种基于搜索引擎指数的电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330027B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111578A (zh) * | 2021-04-01 | 2021-07-13 | 上海晨翘智能科技有限公司 | 电力负荷预测方法、装置、计算机设备及存储介质 |
CN114169568A (zh) * | 2021-11-03 | 2022-03-11 | 国网浙江省电力有限公司瑞安市供电公司 | 基于Prophet模型的配电线路电流预测与重过载预警及系统 |
CN114252731A (zh) * | 2021-12-13 | 2022-03-29 | 广西电网有限责任公司桂林供电局 | 一种基于多个参数的继电器动作特性评估方法及装置 |
CN114756605A (zh) * | 2022-06-14 | 2022-07-15 | 之江实验室 | 一种基于时间序列数据的混频预测方法及系统 |
CN115081702A (zh) * | 2022-06-14 | 2022-09-20 | 国网信息通信产业集团有限公司 | 一种具有可解释特性的电力负荷预测方法、系统及终端机 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210117A (zh) * | 2019-05-31 | 2019-09-06 | 西安工程大学 | 一种细纱机剩余运行寿命的预测方法及系统 |
-
2020
- 2020-11-06 CN CN202011232571.XA patent/CN112330027B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210117A (zh) * | 2019-05-31 | 2019-09-06 | 西安工程大学 | 一种细纱机剩余运行寿命的预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
任家铭: ""基于改进神经网络的光伏电站短期出力预测"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
毛李帆等: ""中长期电力组合预测模型的理论研究"", 《中国电机工程学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111578A (zh) * | 2021-04-01 | 2021-07-13 | 上海晨翘智能科技有限公司 | 电力负荷预测方法、装置、计算机设备及存储介质 |
CN113111578B (zh) * | 2021-04-01 | 2023-04-07 | 上海晨翘智能科技有限公司 | 电力负荷预测方法、装置、计算机设备及存储介质 |
CN114169568A (zh) * | 2021-11-03 | 2022-03-11 | 国网浙江省电力有限公司瑞安市供电公司 | 基于Prophet模型的配电线路电流预测与重过载预警及系统 |
CN114252731A (zh) * | 2021-12-13 | 2022-03-29 | 广西电网有限责任公司桂林供电局 | 一种基于多个参数的继电器动作特性评估方法及装置 |
CN114252731B (zh) * | 2021-12-13 | 2024-04-05 | 广西电网有限责任公司桂林供电局 | 一种基于多个参数的继电器动作特性评估方法及装置 |
CN114756605A (zh) * | 2022-06-14 | 2022-07-15 | 之江实验室 | 一种基于时间序列数据的混频预测方法及系统 |
CN114756605B (zh) * | 2022-06-14 | 2022-09-16 | 之江实验室 | 一种基于时间序列数据的混频预测方法及系统 |
CN115081702A (zh) * | 2022-06-14 | 2022-09-20 | 国网信息通信产业集团有限公司 | 一种具有可解释特性的电力负荷预测方法、系统及终端机 |
WO2023241439A1 (zh) * | 2022-06-14 | 2023-12-21 | 国网信息通信产业集团有限公司 | 一种具有可解释特性的电力负荷预测方法、系统及终端机 |
Also Published As
Publication number | Publication date |
---|---|
CN112330027B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112330027B (zh) | 一种基于搜索引擎指数的电力负荷预测方法 | |
CN109063911B (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
Wu et al. | Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
Froelich et al. | Evolutionary learning of fuzzy grey cognitive maps for the forecasting of multivariate, interval-valued time series | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN110414788B (zh) | 一种基于相似日和改进lstm的电能质量预测方法 | |
CN109583635B (zh) | 一种面向运行可靠性的短期负荷预测建模方法 | |
CN109242265B (zh) | 基于误差平方和最小的城市需水量组合预测方法 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
CN111028100A (zh) | 考虑气象因素的精细化短期负荷预测方法、装置及介质 | |
CN114444378A (zh) | 一种区域风电集群的短期功率预测方法 | |
CN113361785A (zh) | 配电网短期负荷预测方法、装置、终端及存储介质 | |
CN114547974A (zh) | 基于输入变量选择与lstm神经网络的动态软测量建模方法 | |
Yiling et al. | A short-term load forecasting model based on improved random forest algorithm | |
CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
CN114819395A (zh) | 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法 | |
Júnior et al. | An approach for evolving neuro-fuzzy forecasting of time series based on parallel recursive singular spectrum analysis | |
Liu et al. | Soil water content forecasting by ANN and SVM hybrid architecture | |
CN114117852A (zh) | 一种基于有限差分工作域划分的区域热负荷滚动预测方法 | |
CN114169502A (zh) | 一种基于神经网络的降水预测方法、装置和计算机设备 | |
CN112819256A (zh) | 一种基于注意力机制的卷积时序房价预测方法 | |
CN112861418A (zh) | 一种基于ga-woa-grnn网络的斜拉索短期覆冰厚度预测方法 | |
Edgulova et al. | Algorithm parallelizing for classifying the complex systems |
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 |