CN112613542B - 一种基于双向lstm的企业除污设备负荷辨识方法 - Google Patents
一种基于双向lstm的企业除污设备负荷辨识方法 Download PDFInfo
- Publication number
- CN112613542B CN112613542B CN202011475316.8A CN202011475316A CN112613542B CN 112613542 B CN112613542 B CN 112613542B CN 202011475316 A CN202011475316 A CN 202011475316A CN 112613542 B CN112613542 B CN 112613542B
- Authority
- CN
- China
- Prior art keywords
- load identification
- model
- load
- enterprise
- data
- 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.)
- Active
Links
- 238000005202 decontamination Methods 0.000 title claims abstract description 40
- 230000003588 decontaminative effect Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000013508 migration Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 230000007787 long-term memory Effects 0.000 abstract description 3
- 230000015654 memory Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 5
- 238000013526 transfer learning Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于双向LSTM的企业除污设备负荷辨识方法,包括获取数据:获取目标地区特定时段内企业除污设备的负荷数据、运行参数和配置参数作为原始数据,并对原始数据进行聚类处理;构建模型:基于双向LSTM,构建负荷辨识模型;训练模型:将聚类处理后的原始数据输入负荷辨识模型,对负荷辨识模型进行训练;负荷辨识:通过训练好的负荷辨识模型,对企业除污设备进行负荷辨识,获得负荷辨识结果。该方法通过学习企业除污设备的负荷特征参数,结合LSTM的长时记忆特点,对除污设备的运行信息长期记忆,精准分析除污设备的运行状态,从而准确、可靠的实现了电力的负荷辨识和监测。
Description
技术领域
本发明涉及智能用电和负荷监测技术领域,更具体的说是涉及一种基于双向LSTM的企业除污设备负荷辨识方法。
背景技术
目前,随着智能用电理念的不断深入,越来越多的电力系统开始关注电力规划和调度问题。电力负荷辨识和监测是电力公司给客户制定合理用电方案的重要数据来源之一,有助于电力系统制定合理的规划和调度方案,也有助于电力客户节能降耗。为此,通过对企业除污设备负荷辨识来度量当前企业能源消耗,进而制定合理节能计划来缓解客户经济压力和能源紧张。
负荷辨识主要分为侵入式和非侵入式两大类。侵入式负荷辨识方法需要安装传感器用以实时采集不同用电设备的负荷数据;非侵入式负荷辨识方法无需加装设备,通过智能电表采集负荷数据,并结合大数据分析技术实现负荷辨识。
由于侵入式负荷辨识方式需要安装传感器,易产生谐波影响电表的数据采集和电网的稳态运行。非侵入式负荷辨识方式虽然无需加装设备,比如基于小波特征提取的负荷辨识方法,通过小波变换提取小波能量值作为新增特征量,再通过模糊C均值聚类方法进行负荷辨识,但是,小波变换对负荷采集频率较高,过程繁琐;再比如基于监督学习的负荷辨识方法,使用MLP、KNN、LR、SVM四个算法进行负荷辨识并进行比对分析,但是,监督学习需要设置标签值,采集获取难度较大;再比如基于遗传优化的负荷辨识方法,提出了增加三次谐波作为负荷特征,采用遗传算法求解多特征目标函数,分解精度较高,但是,遗传算法的求解速度较慢,难以适用于在线分析监测。
因此,如何提供一种准确、可靠的企业除污设备负荷辨识方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于双向LSTM的企业除污设备负荷辨识方法,该方法解决了现有的除污设备负荷辨识方法影响电网正常工作、不够高效、可靠的问题。
为了实现上述目的,本发明采用如下技术方案:
一种基于双向LSTM的企业除污设备负荷辨识方法,该方法包括:
获取数据:获取目标地区特定时段内企业除污设备的负荷数据、运行参数和配置参数作为原始数据,并对所述原始数据进行聚类处理;
构建模型:基于双向LSTM(Long Short Term Memory,长短期记忆网络)神经网络,构建负荷辨识模型;
训练模型:将聚类处理后的原始数据输入所述负荷辨识模型,对所述负荷辨识模型进行训练;
负荷辨识:通过训练好的所述负荷辨识模型,对企业除污设备进行负荷辨识,获得负荷辨识结果。
进一步地,所述训练模型步骤执行后,基于双向LSTM的企业除污设备负荷辨识方法还包括:
迁移学习:对所述负荷辨识模型的应用场景进行预测,并根据应用场景预测结果对训练好的所述负荷辨识模型进行迁移学习。
由于训练模型较耗时,本发明还对模型进行迁移学习,通过对模型的微调实现对企业不同除污设备进行负荷辨识,或者借用当前网络结构,不再使用当前训练好的网络权重,将模型训练为企业某类设备的负荷辨识模型,从而可以对其他设备进行负荷辨识,适用范围更广。
进一步地,获取数据步骤中,考虑到受季节、天气、生产计划影响,设备运行周期呈现出一定规律,本发明通过聚类算法初步过滤数据,筛选出具有相同运行规律的除污设备显特征,进行后续的负荷辨识和分解。其中,对所述原始数据进行聚类处理的过程,具体包括:
将所述原始数据作为样本数据,在所述样本数据中随机选择部分数据作为初始化负荷均值向量;
计算所述样本数据与各个所述初始化负荷均值向量之间的距离,根据距离值对所述样本数据进行划分,并重新计算负荷均值向量;
直至划分后所述样本数据的质心不再变化或变化小于预设的阈值,则结束更新。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于双向LSTM的企业除污设备负荷辨识方法,该方法通过学习企业除污设备的负荷特征参数,结合LSTM的长时记忆特点,对除污设备的运行信息长期记忆,精准分析除污设备的运行状态,从而准确、可靠的实现了电力的负荷辨识和监测,可以为企业提供用电建议,提高电网运行的安全可靠性提供可靠的数据来源。
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作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种基于双向LSTM的企业除污设备负荷辨识方法的实现流程示意图;
图2为本发明实施例中负荷辨识模型的构建原理示意图;
图3为本发明实施例中LSTM在t时刻的状态示意图;
图4为本发明实施例中双向LSTM的网络结构示意图;
图5为本发明实施例中包括迁移学习步骤的企业设备负荷辨识方法实现流程示意图;
图6为本发明实施例中六台设备的总负荷曲线示意图;
图7为本发明实施例中六台设备各自的负荷曲线示意图。
具体实施方式
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,都属于本发明保护的范围。
参见附图1和图2,本发明实施例公开了一种基于双向LSTM的企业除污设备负荷辨识方法,该方法包括:
S1:获取数据(即图2中数据处理):获取目标地区特定时段内企业除污设备的负荷数据、运行参数和配置参数作为原始数据,并对原始数据进行聚类处理。
本实施例选取了某地区为期一年的负荷数据与除污设备的运行参数和配置参数,由于受季节、天气、生产计划影响,设备运行周期呈现出一定规律,首先通过聚类算法初步过滤数据,筛选出具有相同运行规律的除污设备显特征进行后续的负荷辨识和分解,本实施例中聚类的过程,可以理解为数据预处理的一部分。
本实施例中聚类算法的步骤具体包括:
步骤1:随机在样本数据中,选择几天作为初始化负荷均值向量。
步骤2:计算样本与各均值向量之间的距离,根据距离远近对样本进行划分,并重新计算均值向量。
步骤3:重复上述步骤,直到质心不再变化或变化小于设定的阈值,则结束更新。
S2:构建模型(即图2中模型设计):基于双向LSTM神经网络,构建负荷辨识模型。
LSTM(Long Short Term Memory,长短期记忆网络)是循环神经网络的变形扩展,解决了梯度消失和梯度爆炸的问题。相较于RNN(Recurrent Neural Network,循环神经网络),LSTM增加了记忆单元、输入门、输出门、遗忘门,这些门及记忆单元组合起来大大提升了循环神经网络处理长序列数据的能力。
其中,输入门控制当前计算的新状态以多大程度更新到记忆单元中;遗忘门控制着前一步记忆单元中的信息有多大程度被遗忘掉;输出门控制当前的输出有多大程度上取决于当前的记忆单元,具体结构如图3所示。
LSTM在第t步的更新公式为:
it=σ(Wixt+Uiht-1+bi)
ft=σ(Wfxt+Ufht-1+bf)
ot=σ(Woxt+Uoht-1+bo)
ht=ot⊙Tanh(ct)
其中,输入门it是通过输入xt和上一步的隐含层输出ht-1进行线性变换,再经过激活函数σ得到;Wi,Ui两个矩阵和向量bi为输入门的参数,遗忘门ft和输出门ot的计算方式与输入门类似,它们也有各自的参数W、U、b,当前记忆单元的状态不完全取决于激活函数Tanh,还由输入门和遗忘门共同控制。激活函数Tanh的数学表达为:
对于正常顺序的循环神经网络,ht包含了t时刻之前的输入信息,即上文信息,但在负荷辨识时,需要联合设备运行时的全部时序信息,因此,在LSTM的基础上,可以将输入逆序处理,采用反方向的LSTM构建基于LSTM的双向循环神经网络。利用双向LSTM的网络结构得到的负荷辨识模型如图4所示,输入是企业总负荷数据,输出是企业不同用电设备的负荷数据,奇数层LSTM正向,偶数层LSTM反向,高一层的LSTM使用低一层LSTM及之前所有层的信息作为输入,对最高层LSTM序列使用时间维度上的最大池化即可得到最终的表示。
S3:模型训练:将聚类处理后的原始数据输入负荷辨识模型,对负荷辨识模型进行训练。
本实施例中除污设备负荷模型在进行模型训练时,双向LSTM抽象出了高级特征并把其映射到和分类类别数同样大小的向量上,同时定义了AdaGrad优化器,根据自变量在每个维度的梯度值调整各个维度的学习率,从而避免统一的维度难以适应所有维度的问题。
为了更快的返回结果,本实施例还在GPU(Graphics Processing Unit,又称显示核心、视觉处理器、显示芯片或绘图芯片)上进行训练并调整损耗值范围或者训练步数,以减少准确率的代价来缩短训练时间。
模型采用ROC曲线进行评估,ROC曲线是一个画在二维平面上的曲线,平面的x轴为FPR,y轴为TPR,其中TPR表示把正例分对的比率,FPR表示将负例错分成正例的比率。它们的计算公式如下:
式中,TP表示将正类预测为正类数,真实为0,预测为0;FN表示将正类预测为负类数,真实为0,预测为1;FP表示将负类预测为正类数,真实为1,预测为0;TN表示将负类预测为负类数,真实为1,预测为1。
对于某个分类器,把在测试样本上得到的FPR和TPR映射到ROC平面上的一点,调整这个分类器分类时正负样本划分的阈值,就可以得到一个经过原点和(1,1)的曲线,这条曲线就是该分类器的ROC曲线。而ROC曲线下方的面积大小就是AUC(Area Under ROC Curve,ROC曲线下与坐标轴围成的面积)的值,一般AUC的值都在0.5到1.0之间,AUC值越大表示分类效果越好,也就是说,ROC曲线下的AUC面积作为评价指标,AUC面积越大,模型准确性越好。
在本实施例中,聚类之后的样本数据是有相同运行规律的总负荷数据,以总负荷数据作为输入,传入负荷辨识模型进行模型训练学习,输出为每个设备的负荷数据。
模型训练过程是输入数据经过输入门、输出门、遗忘门和记忆单元,输出当前层的状态信息,循环迭代,直到LSTM结构的最后一层,然后输出不同设备的负荷数据。
模型优化是指优化模型的损失函数,求解损失函数的最小值,本实施例选用AdaGrad方法进行优化。
LSTM是监督学习,在模型训练时,就已经获得样本的结果值,即不同电器的负荷数据,模型会预测一个结果,模型的预测结果和真实结果对比,差距越小,模型的准确率越高(即模型的损失函数越小,模型的准确率越高,损失函数用来表现预测与实际数据的差距程度)。
本实施例中实现模型构建所需的资源配置是:显卡为NVIDIA Tesla K20c、16G运行内存的服务器。
S4:负荷辨识:通过训练好的负荷辨识模型,对企业除污设备进行负荷辨识,获得负荷辨识结果。
经过模型训练之后,可以将除污设备的负荷辨识模型进行保存,由于训练模型较耗时,可以考虑对模型进行迁移学习。通过对模型的微调实现对企业不同除污设备进行负荷辨识,或者借用当前网络结构,不再使用当前训练好的网络权重,将模型训练为企业某类设备的负荷辨识模型。
因此,参见附图5,本实施例中S3执行后,上述基于双向LSTM的企业除污设备负荷辨识方法还包括:
S5:迁移学习(即图2中模型保存):对负荷辨识模型的应用场景进行预测,并根据应用场景预测结果对训练好的负荷辨识模型进行迁移学习。
本实施例以六台设备的负荷辨识为例,图6为六台设备的总负荷曲线,图7为经上述方法处理后六台设备各自的负荷曲线。
综上所述,本发明实施例公开的上述基于双向LSTM的企业除污设备负荷辨识方法,与现有技术相比,可以达到如下有益效果:
1、通过双向LSTM算法进行企业除污设备的负荷辨识和分解。
2、通过对企业除污设备的负荷辨识,实时关注企业的用电情况,提供用电建议,帮助客户安全节约用电。
3、除了除污设备的负荷辨识之外,模型通过迁移学习,还可实现其他设备的负荷辨识,有效地解决了能耗监测问题,节能减排。
4、能合理管理企业用电,在保障电力公司利益的同时,维护企业安全用电,减少安全事故的发生,从而提高电网运行的安全可靠性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (1)
1.一种基于双向LSTM的企业除污设备负荷辨识方法,其特征在于,包括:
获取数据:获取目标地区特定时段内企业除污设备的总负荷数据、运行参数和配置参数作为原始数据,并对所述原始数据进行聚类处理;
获取数据步骤中,对所述原始数据进行聚类处理的过程,具体包括:
将所述原始数据作为样本数据,在所述样本数据中随机选择部分数据作为初始化负荷均值向量;
计算所述样本数据与各个所述初始化负荷均值向量之间的距离,根据距离值对所述样本数据进行划分,并重新计算负荷均值向量;
直至划分后所述样本数据的质心不再变化或变化小于预设的阈值,则结束更新;
构建模型:基于双向LSTM神经网络,构建负荷辨识模型;
训练模型:将聚类处理后的原始数据输入所述负荷辨识模型,对所述负荷辨识模型进行训练;
所述训练模型步骤执行后,还包括:
迁移学习:对所述负荷辨识模型的应用场景进行预测,并根据应用场景预测结果对训练好的所述负荷辨识模型进行迁移学习;
通过对模型的微调实现对企业不同除污设备进行负荷辨识,或者借用当前网络结构,不再使用当前训练好的网络权重,将模型训练为企业某类设备的负荷辨识模型;
负荷辨识:通过训练好的所述负荷辨识模型,对企业除污设备进行负荷辨识,获得每个除污设备的负荷辨识结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011475316.8A CN112613542B (zh) | 2020-12-14 | 2020-12-14 | 一种基于双向lstm的企业除污设备负荷辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011475316.8A CN112613542B (zh) | 2020-12-14 | 2020-12-14 | 一种基于双向lstm的企业除污设备负荷辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613542A CN112613542A (zh) | 2021-04-06 |
CN112613542B true CN112613542B (zh) | 2024-01-12 |
Family
ID=75234055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011475316.8A Active CN112613542B (zh) | 2020-12-14 | 2020-12-14 | 一种基于双向lstm的企业除污设备负荷辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613542B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113568383B (zh) * | 2021-06-30 | 2022-11-04 | 宁波三星医疗电气股份有限公司 | 适用于加工中心的非侵入式识别方法 |
CN113962314B (zh) * | 2021-10-27 | 2024-07-05 | 南京富尔登科技发展有限公司 | 一种基于联邦学习的非侵入式企业负荷分解方法 |
CN115169721B (zh) * | 2022-07-25 | 2023-07-04 | 江南大学 | 一种基于迁移辨识的精馏过程单吨能耗预测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN109934395A (zh) * | 2019-03-04 | 2019-06-25 | 三峡大学 | 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法 |
CN110516788A (zh) * | 2019-08-07 | 2019-11-29 | 深圳供电局有限公司 | 一种基于Bi-LSTM算法的非侵入式负荷检测方法及系统 |
CN110852655A (zh) * | 2019-11-29 | 2020-02-28 | 湖南科技大学 | 带有太阳能供电系统的家庭用电负荷分解系统与分解方法 |
CN111311001A (zh) * | 2020-02-17 | 2020-06-19 | 合肥工业大学 | 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法 |
CN111415270A (zh) * | 2020-03-03 | 2020-07-14 | 浙江万胜智能科技股份有限公司 | 一种基于lstm学习的电力负荷智能识别方法 |
CN112070625A (zh) * | 2020-08-11 | 2020-12-11 | 南京航灵信息科技有限公司 | 一种用户用电行为模式识别方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8812427B2 (en) * | 2011-04-27 | 2014-08-19 | Hewlett-Packard Development Company, L.P. | System and method for disaggregating power load |
CN108416695B (zh) * | 2018-02-24 | 2020-07-07 | 合肥工业大学 | 基于深度学习的电力负荷概率密度预测方法和系统、介质 |
US11526827B2 (en) * | 2018-09-28 | 2022-12-13 | The Regents Of The University Of California | Non-intrusive workflow assessment (NIWA) for manufacturing optimization |
-
2020
- 2020-12-14 CN CN202011475316.8A patent/CN112613542B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN109934395A (zh) * | 2019-03-04 | 2019-06-25 | 三峡大学 | 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法 |
CN110516788A (zh) * | 2019-08-07 | 2019-11-29 | 深圳供电局有限公司 | 一种基于Bi-LSTM算法的非侵入式负荷检测方法及系统 |
CN110852655A (zh) * | 2019-11-29 | 2020-02-28 | 湖南科技大学 | 带有太阳能供电系统的家庭用电负荷分解系统与分解方法 |
CN111311001A (zh) * | 2020-02-17 | 2020-06-19 | 合肥工业大学 | 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法 |
CN111415270A (zh) * | 2020-03-03 | 2020-07-14 | 浙江万胜智能科技股份有限公司 | 一种基于lstm学习的电力负荷智能识别方法 |
CN112070625A (zh) * | 2020-08-11 | 2020-12-11 | 南京航灵信息科技有限公司 | 一种用户用电行为模式识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于注意力机制与ConvBiLSTM的非侵入式负荷分解;张顺淼;陈铭龙;;福建工程学院学报(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112613542A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112613542B (zh) | 一种基于双向lstm的企业除污设备负荷辨识方法 | |
Li et al. | A directed acyclic graph network combined with CNN and LSTM for remaining useful life prediction | |
Cheng et al. | Remaining useful life prognosis based on ensemble long short-term memory neural network | |
CN116937579B (zh) | 一种考虑时空相关性的风电功率区间预测及其可解释方法 | |
Zhang et al. | Short-term power load forecasting using integrated methods based on long short-term memory | |
CN109255726A (zh) | 一种混合智能技术的超短期风功率预测方法 | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
CN115995810A (zh) | 一种考虑气象波动自适应匹配的风电功率预测方法及系统 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN106772354A (zh) | 基于并行模糊高斯和粒子滤波的目标跟踪方法及装置 | |
Hong et al. | Comparative studies of different methods for short-term locational marginal price forecasting | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN116632834A (zh) | 一种基于SSA-BiGRU-Attention的短期电力负荷预测方法 | |
Wang et al. | Prediction of heating load fluctuation based on fuzzy information granulation and support vector machine | |
Cao et al. | Research On Regional Traffic Flow Prediction Based On MGCN-WOALSTM | |
CN111435471A (zh) | 一种基于lstm的供热用气量预测模型 | |
CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和系统 | |
Liu et al. | Short-term power load forecasting via recurrent neural network with similar day selection | |
Gong et al. | Application of CNN-LSTM based hybrid neural network in power load forecasting | |
CN114444763A (zh) | 基于afsa-gnn的风电功率预测方法 | |
Xiaosheng et al. | Short-Term wind power prediction based on wavelet transform and convolutional neural networks | |
Wei et al. | Ultra-short-term wind power forecasting based on deep belief network and wavelet denoising |
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 |