CN112884186A - 一种考虑dg和电采暖负荷的变电站网供负荷预测方法 - Google Patents
一种考虑dg和电采暖负荷的变电站网供负荷预测方法 Download PDFInfo
- Publication number
- CN112884186A CN112884186A CN201911198999.4A CN201911198999A CN112884186A CN 112884186 A CN112884186 A CN 112884186A CN 201911198999 A CN201911198999 A CN 201911198999A CN 112884186 A CN112884186 A CN 112884186A
- Authority
- CN
- China
- Prior art keywords
- load
- electric heating
- cat
- power supply
- network
- 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
- 238000005485 electric heating Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 24
- 241000282326 Felis catus Species 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
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)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑DG和电采暖负荷的变电站网供负荷预测方法,具体是利用猫群算法和BP神经网络进行结合,对BP神经网络算法的权值和阈值进行寻优改进,进而来解决分布式电源大量接入配电网以及电采暖负荷在用户终端所占比重不断增加对变电站网供负荷预测带来的问题。此方法可以有效适应大量分布式电源和电采暖负荷接入对变电站网供负荷特性曲线所带来的变化,为配电网变电站精益化规划提供了科学的技术手段。
Description
技术领域
本发明适用于我国公共机构城市配电网规划工作,属于城网规划管理领域,尤其涉及一种考虑DG和电采暖负荷的变电站网供负荷预测方法。
背景技术
负荷预测是保障配电系统安全、稳定与经济运行的一项重要的基础性工作。其结果对变电站规划结果具有很重要的参考价值。随着大量分布式电源接入配电网以及用户终端再电气化程度的增加,电采暖负荷在用户侧占的比重不断增加,其负荷特性与常规负荷特性具有较大差异。因此研究考虑DG和电采暖负荷的变电站网供负荷预测方法是十分必要的。
目前,在负荷预测研究方面,一般均是以历史数据为基础,通过总结负荷与时间之间的变化规律,并将该规律进行参数化与模型化,通过时间序列或趋势外推等基于“惯性原理”的模型算法,或通过人工神经网络、支持向量机、随机森林、小波分析等能够进行实时学习的智能算法进行未来负荷推理的过程。变电站网供负荷预测需要对分布式电源出力和负荷分别预测,其中分布式出力预测结果主要与天气和季节有关,电采暖负荷的负荷特性不同于工业负荷、农业负荷、行政负荷,其预测结果主要与季节、温度、湿度以及节假日等因素有关,为此通过合适的方法提取分布式电源的出力特性以及电采暖负荷的负荷特性并寻找其适应性规律对负荷预测技术精度的提高具有重要意义。
发明内容
本发明的目的在于构建一种考虑DG和电采暖负荷的变电站网供负荷预测方法。该方法能够在分布式电源大量接入配电网以及用户终端电采暖负荷比重不断增加的场景下提高变电站网供负荷预测的精度。本发明能够有效适应大量分布式电源和电采暖负荷接入对变电站网供负荷特性所带来的变化,为配电网变电站精益规划提供科学的技术支撑。
为实现本发明的目的,本发明提供了一种考虑DG和电采暖负荷的变电站网供负荷预测方法,具体步骤如下:
1)对猫群算法参数进行设置,种群随机初始化,使用二进制编码作为个体编码,每个个体是一个二进制字符串,将权值和阀值设置为较小随机数;
2)输入包含输入向量和预期输出值,把预测日期变电站供电范围内历史数据作为训练样本,对于供电范围内的分布式电源来说包括温度、湿度、天气以及出力;对于电采暖负荷,包括季节、天气和节假日;每天24小时,24个点,进行24次训练;训练样本包括某一天温度序列、周型序列、前一天或过去两天的分布式电源出力和负荷序列;输出向量是某一时刻分布式电源和负荷序列;
3)确定适应度函数,将BP神经网络权重和阈值采用猫群算法进行优化,输入训练样本用BP神经网络训练,网络适应度函数采用全局误差的倒数;
具体计算公式为:
式(5)、(6)中,F(xi)为网络的适应度函数;E(xi)为网络的误差函数;为输入第p个训练样本时第g个输出结点的输出值;spg为期望的输出值;k为训练样本个数;l为输出层的个数,i=1,2,…,L;L为种群规模;
4)计算每只猫的适应度,保留最好的猫;
5)根据分组率随机将猫群分为搜索模式和跟踪模式;
6)根据模式标记更新猫的位置,如果猫处于搜索模式,则运行搜索模式,否则运行跟踪模式;
7)计算适应度然后找到最优解;
8)判断是否满足结束条件,当满足时,输出最优解并结束该进程,如果不满足,继续执行步骤5);
9)使用猫群算法优化BP神经网络的权值和阈值,得到分布式电源出力和电采暖负荷等负荷的预测值;
10)将电采暖负荷等负荷的预测值与分布式电源预测值作差,即可得到考虑DG和电采暖负荷的变电站网供负荷的预测值。
与现有技术相比,本发明的有益效果为,为此本专利针对含有分布式电源和电采暖负荷的配电系统,提出了考虑DG和电采暖负荷的变电站网供负荷预测方法。具体是利用猫群算法和BP神经网络进行结合,对BP神经网络算法的权值和阈值进行寻优改进,进而来解决分布式电源大量接入配电网以及电采暖负荷在用户终端所占比重不断增加对变电站网供负荷预测带来的问题。此方法可以有效适应大量分布式电源和电采暖负荷接入对变电站网供负荷特性曲线所带来的变化,为配电网变电站精益化规划提供了科学的技术手段。
附图说明
图1所示为本申请的方法流程图。
图2所示为本申请的神经元模型;
图3所示为本申请的神经网络示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示,本发明提供了一种考虑DG和电采暖负荷的变电站网供负荷预测方法,具体步骤如下:
1)对猫群算法参数进行设置,种群随机初始化,使用二进制编码作为个体编码,每个个体是一个二进制字符串,将权值和阀值设置为较小随机数;
2)输入包含输入向量和预期输出值,把预测日期变电站供电范围内历史数据作为训练样本,对于供电范围内的分布式电源来说包括温度、湿度、天气以及出力;对于电采暖负荷,包括季节、天气和节假日;每天24小时,24个点,进行24次训练;训练样本包括某一天温度序列、周型序列、前一天或过去两天的分布式电源出力和负荷序列;输出向量是某一时刻分布式电源和负荷序列;
3)确定适应度函数,将BP神经网络权重和阈值采用猫群算法进行优化,输入训练样本用BP神经网络训练,网络适应度函数采用全局误差的倒数;
具体计算公式为:
式(5)、(6)中,F(xi)为网络的适应度函数;E(xi)为网络的误差函数;为输入第p个训练样本时第g个输出结点的输出值;spg为期望的输出值;k为训练样本个数;l为输出层的个数,i=1,2,…,L;L为种群规模;
4)计算每只猫的适应度,保留最好的猫;
5)根据分组率随机将猫群分为搜索模式和跟踪模式;
6)根据模式标记更新猫的位置,如果猫处于搜索模式,则运行搜索模式,否则运行跟踪模式;
7)计算适应度然后找到最优解;
8)判断是否满足结束条件,当满足时,输出最优解并结束该进程,如果不满足,继续执行步骤5);
9)使用猫群算法优化BP神经网络的权值和阈值,得到分布式电源出力和电采暖负荷等负荷的预测值;
10)将电采暖负荷等负荷的预测值与分布式电源预测值作差,即可得到考虑DG和电采暖负荷的变电站网供负荷的预测值。
需要说明的是BP神经网络流程
神经网络的基本组成是神经元。神经元的统用模型如图1所示。神经元的输出为:
式(1)中,f(·)为激活函数。
神经网络是将多个神经元按照一定规则连接一起而形成的的网络,如图2所示。BP神经网络是一种多层的前馈神经网络,其主要的特点是:信号是前向传播的,而误差是反向传播的。具体来说,BP神经网络的过程主要分为两个阶段,第一阶段是信号的前向传播从输入层经过隐含层,最后到达输出层;第二阶段是误差的反向传播,从输出层到隐含层,最后到输入层,依次调节隐含层到输出层的权重和偏置,输入层到隐含层的权重和偏置。
将影响电采暖负荷特性以及分布式电源出力特性的因素作为条件属性集,其中每个因素作为一个条件属性;将需要分析的电采暖负荷特性以及分布式电源出力特性指标作为决策属性集,其中每个指标作为一个决策属性。通过属性域的离散化可将具体数值转化为用概率表示的区间。将每个条件属性和决策属性的属性域离散化的具体办法是,分别找出每个属性的最大值和最小值,将最大值和最小值之间的距离等分为n个区间。将每个数值放入相应的区间中,并且得到每个区间内数值的个数即为预测结果。
需要说明的是,猫群优化算法是一种基于猫行为的新的群体智能算法和全局优化算法,猫的行为包括搜索模式和跟踪模式。搜索模式对应于猫的静止状态代表对优化问题的局部探索。每只猫环顾四周,探索它的运动方向。指定了四个重要参数:搜索记忆池、维度搜索范围、维度改变量和自身位置评价。
猫群优化算法的具体步骤如下:
1)复制位置。判断“自身位置评估”的值是否为1,如果是1,则复制每只猫的当前位置并将其保留为搜索记忆池的候选位置;否则,每一只猫将复制搜索记忆池的当前位置作为候选位置;
2)进行变异。根据设定的维度改变量值,随机增加或减小搜索记忆池中每个副本,随机增加或减少维度搜索区域的百分比。变异前的个人信息被变异后个人信息取代;
3)根据适应度函数完成搜索记忆池中所有候选点适应度值进行计算;
4)确定候选点的移动概率。如果每只猫都适应度相同,则将猫的候选点概率设置为1,如果所有猫的适应度非常接近,每只猫设置相同大小的概率。如果每只猫适应值不同,那么候选点选择的概率将根据式(2)确定。
式(2)中,Si为第i只猫的适应值;Sb为最优适应值;Smax、Smin分别为适应值的最大最小值。
5)执行选择操作。根据所选概率随机选择候选点并移动到候选位置;
跟踪模式的基本步骤如下:
1)更新每只猫的速度。当在第t次迭代的第d维数中找到最优解xbest,d,t,更新每只猫的速度信息,如式(3)所示。
vk,d,t+1=vk,d,t+R1×c(xbest,d,t-xk,d,t) (3)
式(3)中,xk,d,t表示第k只猫在第d维中的位置分量;d=1,2···M,其中M为空间维数;R1为0到1的随机数;c为常数。
2)更新每只猫的位置。
xk,d,t=xk,d,t-1+vk,d,t (4)
式(4)中,vk,d,t表示第k只猫在第d维中的速度分量。
3)确保每只猫的位置不超过维度搜索范围。如果超过最大值和最小值,则强制为边界值。
以上所述仅是本发明的优选实施方式,应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种考虑DG和电采暖负荷的变电站网供负荷预测方法,其特征在于,具体步骤如下:
1)对猫群算法参数进行设置,种群随机初始化,使用二进制编码作为个体编码,每个个体是一个二进制字符串,将权值和阀值设置为较小随机数;
2)输入包含输入向量和预期输出值,把预测日期变电站供电范围内历史数据作为训练样本,对于供电范围内的分布式电源来说包括温度、湿度、天气以及出力;对于电采暖负荷,包括季节、天气和节假日;每天24小时,24个点,进行24次训练;训练样本包括某一天温度序列、周型序列、前一天或过去两天的分布式电源出力和负荷序列;输出向量是某一时刻分布式电源和负荷序列;
3)确定适应度函数,将BP神经网络权重和阈值采用猫群算法进行优化,输入训练样本用BP神经网络训练,网络适应度函数采用全局误差的倒数;
具体计算公式为:
式(5)、(6)中,F(xi)为网络的适应度函数;E(xi)为网络的误差函数;为输入第p个训练样本时第g个输出结点的输出值;spg为期望的输出值;k为训练样本个数;l为输出层的个数,i=1,2,…,L;L为种群规模;
4)计算每只猫的适应度,保留最好的猫;
5)根据分组率随机将猫群分为搜索模式和跟踪模式;
6)根据模式标记更新猫的位置,如果猫处于搜索模式,则运行搜索模式,否则运行跟踪模式;
7)计算适应度然后找到最优解;
8)判断是否满足结束条件,当满足时,输出最优解并结束该进程,如果不满足,继续执行步骤5);
9)使用猫群算法优化BP神经网络的权值和阈值,得到分布式电源出力和电采暖负荷等负荷的预测值;
10)将电采暖负荷等负荷的预测值与分布式电源预测值作差,即可得到考虑DG和电采暖负荷的变电站网供负荷的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911198999.4A CN112884186A (zh) | 2019-11-29 | 2019-11-29 | 一种考虑dg和电采暖负荷的变电站网供负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911198999.4A CN112884186A (zh) | 2019-11-29 | 2019-11-29 | 一种考虑dg和电采暖负荷的变电站网供负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112884186A true CN112884186A (zh) | 2021-06-01 |
Family
ID=76039365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911198999.4A Pending CN112884186A (zh) | 2019-11-29 | 2019-11-29 | 一种考虑dg和电采暖负荷的变电站网供负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884186A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115314343A (zh) * | 2022-08-05 | 2022-11-08 | 国网智能电网研究院有限公司 | 一种源荷储资源聚合控制网关装置及负荷和出力预测方法 |
Citations (3)
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 |
CN107528385A (zh) * | 2017-06-29 | 2017-12-29 | 国网辽宁省电力有限公司 | 一种基于新能源消纳的源网荷协调控制方法及系统 |
CN109325694A (zh) * | 2018-09-30 | 2019-02-12 | 国网宁夏电力有限公司经济技术研究院 | 基于承载能力的配电网优选方法 |
-
2019
- 2019-11-29 CN CN201911198999.4A patent/CN112884186A/zh active Pending
Patent Citations (3)
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 |
CN107528385A (zh) * | 2017-06-29 | 2017-12-29 | 国网辽宁省电力有限公司 | 一种基于新能源消纳的源网荷协调控制方法及系统 |
CN109325694A (zh) * | 2018-09-30 | 2019-02-12 | 国网宁夏电力有限公司经济技术研究院 | 基于承载能力的配电网优选方法 |
Non-Patent Citations (5)
Title |
---|
宋阳阳等: "计及需求侧响应和热/电耦合的微网能源优化规划", 《电网技术》 * |
王克杰等: "基于改进BP神经网络的短期电力负荷预测方法研究", 《电测与仪表》 * |
秦海超等: "人体舒适度在短期电力负荷预测中的应用", 《电力学报》 * |
赖晓路等: "一种基于并行化的微电网功率和负荷预测神经网络算法", 《风能》 * |
陆春良等: "考虑分布式电源接入影响的母线节点净负荷预测模型和方法研究", 《电气时代》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115314343A (zh) * | 2022-08-05 | 2022-11-08 | 国网智能电网研究院有限公司 | 一种源荷储资源聚合控制网关装置及负荷和出力预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Almalaq et al. | Evolutionary deep learning-based energy consumption prediction for buildings | |
Wang et al. | Stochastic economic emission load dispatch through a modified particle swarm optimization algorithm | |
Hanne et al. | Computational intelligence | |
Rotshtein et al. | Fuzzy evidence in identification, forecasting and diagnosis | |
CN106529818B (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
Lytvynenko et al. | Hybrid methods of GMDH-neural networks synthesis and training for solving problems of time series forecasting | |
Yang et al. | A time‐series water level forecasting model based on imputation and variable selection method | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
Kavitha et al. | Improved harris hawks optimization with hybrid deep learning based heating and cooling load prediction on residential buildings | |
Tian et al. | An adaptive ensemble predictive strategy for multiple scale electrical energy usages forecasting | |
Naseri et al. | A newly developed hybrid method on pavement maintenance and rehabilitation optimization applying Whale Optimization Algorithm and random forest regression | |
CN112884186A (zh) | 一种考虑dg和电采暖负荷的变电站网供负荷预测方法 | |
Yang et al. | Bayesian active learning for choice models with deep Gaussian processes | |
Edalatpanah et al. | A hybrid time series forecasting method based on neutrosophic logic with applications in financial issues | |
Xu et al. | A novel intelligent deep learning-based uncertainty-guided network training in market price | |
Atia | Global maximum power point tracking-based computational intelligence techniques | |
Mutingi et al. | A multi-criteria approach for nurse scheduling fuzzy simulated metamorphosis algorithm approach | |
Xu et al. | Discrete brain storm optimization algorithm based on prior knowledge for traveling salesman problems | |
CN115115119A (zh) | 一种基于灰色关联的oa-gru的短期电力负荷预测方法 | |
CN115438842A (zh) | 一种基于自适应改进蜉蝣和bp神经网络的负荷预测方法 | |
Dreyfus-León et al. | Recruitment prediction with genetic algorithms with application to the Pacific Herring fishery | |
CN114116692A (zh) | 一种基于mask和双向模型的缺失POI轨迹补全方法 | |
Furze et al. | Mathematical methods to quantify and characterise the primary elements of trophic systems | |
CN115526092A (zh) | 一种电力负荷预测方法及装置 | |
Kuusisto et al. | Short term electric load forecasting using a neural network with fuzzy hidden neurons |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210601 |