CN113011628B - 基于拓扑结构和时间卷积网络的电力负荷预测方法 - Google Patents
基于拓扑结构和时间卷积网络的电力负荷预测方法 Download PDFInfo
- Publication number
- CN113011628B CN113011628B CN202011470979.0A CN202011470979A CN113011628B CN 113011628 B CN113011628 B CN 113011628B CN 202011470979 A CN202011470979 A CN 202011470979A CN 113011628 B CN113011628 B CN 113011628B
- Authority
- CN
- China
- Prior art keywords
- power
- data
- network
- electric appliance
- topology
- 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
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明提供一种基于拓扑结构和时间卷积网络的电力负荷预测方法,用于预测电力系统中的各种电器的电器预测消耗功率值从而实现电力负荷的预测,其特征在于,获取各种电器在一定时间内的电器功率数据并进行预处理;基于预定的电器拓扑结构处理方法对预处理后的电器功率数据进行拓扑处理得到按时间序列排序的多个功率拓扑数据作为一串时序数据;基于预先训练的电力负荷预测网络对时序数据进行处理从而得到电力负荷预测网络输出的谱空间预测向量;将谱空间预测向量使用逆傅立叶变换恢复成图结构从而得到各种电器的电器预测消耗功率值并进行输出,因此在预测时可以利用电器用电量之间的关联性来有效地提高电器功率的预测准确性。
Description
技术领域
本发明属于电力运维技术领域,涉及电力负荷预测方法,具体涉及一种基于拓扑结构和时间卷积网络的电力负荷预测方法。
背景技术
电力负荷预测为根据电力负荷的过去和现在推测它的未来数值,进行电力负荷预测可以推知负荷的发展趋势和可能达到的状况,提高经济效益和社会效益。
当前的电力负荷预测方法大方向分为传统预测方法和现代预测方法,其中现代预测方法主要包括以下几种:基于CNN模型的预测方法,利用LSTM模型结合时间序列预测电力系统负荷的方法,以及利用用电数据、温度、时间等多维数据进行直接卷积等神经网络方法,都取得了较好的效果。
但是,当前的现代预测方法也存在一些问题,第一,当前方法没有分析各用电器之间潜在的关联,如使用微波炉后可能会使用洗碗机,使用电脑时可能会同时使用空调等;第二,利用CNN卷积神经网络时不能体现时间序列,即不能利用数据的时间信息,利用LSTM模型时,网络结构会选择遗忘一些网络结构认为不重要的信息,导致可能会遗漏潜在的重要信息;第三,当前方法使用的深度学习模型,都难以在大时间序列上进行卷积,感受野小,难以对需要较长时间依赖的模型训练得到高准确率的结果。
发明内容
为解决上述问题,提供一种基于拓扑结构和时间卷积网络的电力负荷预测方法,本发明采用了如下技术方案:
本发明提供了一种基于拓扑结构和时间卷积网络的电力负荷预测方法,用于预测电力系统中的各种电器的电器预测消耗功率值从而实现电力负荷的预测,其特征在于,包括:步骤S1-1,获取各种电器在一定时间内的电器功率数据并进行预处理;步骤S1-2,基于预定的电器拓扑结构处理方法对预处理后的电器功率数据进行拓扑处理得到按时间序列排序的多个功率拓扑数据作为一串时序数据;步骤S1-3,基于预先训练的电力负荷预测网络对时序数据进行处理从而得到电力负荷预测网络输出的谱空间预测向量;步骤S1-4,将谱空间预测向量使用逆傅立叶变换恢复成图结构从而得到各种电器的电器预测消耗功率值并进行输出,其中,电器拓扑结构处理方法为:步骤S2-1,统计电力系统中电器的种类;步骤S2-2,以电器的种类为图的顶点、以电器在这一时刻消耗的功率为顶点的数值并根据预先设定的边的权重构建包含所有电器的网状拓扑结构图G(X,E),其中,X是各个顶点的数值的集合,E为所有边的集合;步骤S2-3,将网络状拓扑结构图G(X,E)投影到由正则化拉普拉斯矩阵的特征向量构成的正交空间,进行傅立叶变换得到功率拓扑数据。
本发明提供的基于拓扑结构和时间卷积网络的电力负荷预测方法,还可以具有这样的技术特征,其中,电力负荷预测网络通过以下步骤训练得到:步骤S3-1,获取各种电器的历史功率数据;步骤S3-2,从历史功率数据中获取一定时间内的电器功率数据进行预处理,并获取该电器功率数据之后一定时间内的电器功率数据作为未来功率数据;步骤S3-3,基于预定的电器拓扑结构处理方法对预处理后的电器功率数据进行拓扑处理得到按时间序列排序的多个功率拓扑数据作为训练时序数据;步骤S3-4,根据训练时序数据对一个待训练网络进行训练,进一步基于该待训练网络的输出序列数据以及未来功率数据计算损失并通过反向传播更新待训练网络的模型参数;步骤S3-5,重复步骤S3-2至步骤S3-4直至达到预定的训练完成条件,并将最终更新的待训练网络作为电力负荷预测网络。
本发明提供的基于拓扑结构和时间卷积网络的电力负荷预测方法,还可以具有这样的技术特征,其中,步骤S3-1中,还获取其他电力系统中与电力系统的电器种类相同的电器的历史功率数据。
本发明提供的基于拓扑结构和时间卷积网络的电力负荷预测方法,还可以具有这样的技术特征,其中,待训练网络至少包括连续的3个使用膨胀卷积的卷积层。
发明作用与效果
根据本发明的一种基于拓扑结构和时间卷积网络的电力负荷预测方法,由于获取电器的功率数据后通过拓扑处理形成一串包含按时间序列排序的多个功率拓扑数据的时序数据,并进一步通过预先训练的电力负荷预测网络对该时序数据进行预测得到电器预测消耗功率值,因此,本发明在进行预测时,可以利用电器用电量之间的关联性,如使用电饭锅后可能会使用洗碗机,使用电脑时可能会同时使用空调等,来有效地提高电器功率的预测准确性。此外,本发明是一种利用过去用电数据的基于时序数据的分解预测方法,体现了时间动态性,可以实现对电器的功率消耗进行长期预测的功能。
附图说明
图1是本发明实施例中基于拓扑结构和时间卷积网络的电力负荷预测方法的流程图;
图2是本发明实施例中电器拓扑结构处理方法的流程图;
图3是本发明实施例中用电电器和用电数据拓扑结构的关系图;
图4是本发明实施例中3号家庭的电器拓扑结构图;
图5是图4中电器拓扑结构图的度矩阵;
图6是图4中电器拓扑结构图的邻接矩阵;
图7是图4中电器拓扑结构图的拉普拉斯矩阵;
图8是本发明实施例的正则化拉普拉斯矩阵;
图9是图8通过实对称半正定性质转换得到的分解矩阵;
图10是图9的分解矩阵的傅里叶变换;
图11是本发明实施例采用的电力负荷预测方法中的网络流程图;
图12是本发明实施例中电力负荷预测网络的卷积结构示意图;以及
图13是本发明实施例中电力负荷预测网络的训练流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下结合实施例及附图对本发明的一种基于拓扑结构和时间卷积网络的电力负荷预测方法作具体阐述。
<实施例>
图1是本发明实施例中基于拓扑结构和时间卷积网络的电力负荷预测方法的流程图。
如图1所示,电力负荷预测方法包括步骤S1-1至步骤S1-4。
步骤S1-1,获取各种电器在一定时间内的电器功率数据并进行预处理。本实施例中,该步骤S1-1中一共获取有m个时刻的电器功率值,每一种电器的电器功率数据按时间序列表示为(m*1)的向量(即把每一种电器的用电功率按照时间序列给表示成m行1列的数据,m行表示m个时刻,1列表示1个电器),另外,该向量经过归一化处理。
步骤S1-2,基于预定的电器拓扑结构处理方法对预处理后的电器功率数据进行拓扑处理得到按时间序列排序的多个功率拓扑数据作为一串时序数据。在该步骤S1-2中,电器拓扑结构处理方法基于电器的拓扑结构将每一时刻中,各种电器的电器功率值处理为一个网状拓扑结构图(带权图),这些网状拓扑结构图按时间序列排序就形成上述的时序数据。
图2是本发明实施例中电器拓扑结构处理方法的流程图。
如图2所示,电器拓扑结构处理方法具体包括步骤S2-1至步骤S2-3。
步骤S2-1,统计电力系统中电器的种类。
图3是本发明实施例中用电电器和用电数据拓扑结构的关系图。
步骤S2-2,以电器的种类为图的顶点、以电器在这一时刻消耗的功率为顶点的数值并根据预先设定的边的权重构建包含所有电器的网状拓扑结构图。如图2所示,该网状拓扑结构图具有n个顶点,分别对应电力系统中的n个电器,这个网状拓扑结构图表示为一个无向图G(X,E),其中,X为顶点表示的值的集合(如x1表示第1个电器在这一时刻的电器功率值),E为所有边的集合,边的权重可以根据实际经验设置。
接下来,本实施例以公共数据集REDD中,具有5个电器的3号家庭为例,详细说明功率拓扑数据的构建过程。该3号家庭中,5个电器分别为照明灯、冰箱、微波炉、洗碗机以及壁炉。
在公共数据集REDD中,大部分数据将作为训练数据,用于训练后述的电力负荷预测网络。从公共数据集中取出这些电器的电器功率数据时,以冰箱为例,按照(1*1)的向量大小对数据进行取出,每取出一次向后移动一位,则10万条数据被分解为10万个(1*1)的向量。同理地,照明灯、微波炉、洗碗机以及壁炉也采集有多个(1*1)的向量。
图4是本发明实施例中3号家庭的电器拓扑结构图。
如图4所示,节点a表示照明灯,有1个相连的边;节点b表示冰箱,有3个相连的边;节点c表示壁炉,有2个相连的边;节点d表示微波炉,有3个相连的边;节点e表示洗碗机,有1个相连的边。
通过步骤S2-2,每一个时刻都构建有一个网状拓扑结构图G,每个网状拓扑结构图G的结构相同,但是节点的大小与该时刻各个电器的电器功率值相对应。以第1s时刻的数据为例,假设5种电器功率分别为1,119,5,2,0,则网状拓扑结构图G1的五个节点大小就分别为:(1,119,5,2,0)。
步骤S2-3,将网络状拓扑结构图G(X,E)投影到由正则化拉普拉斯矩阵的特征向量构成的正交空间,进行傅立叶变换得到功率拓扑数据。该步骤S2-3的处理过程具体如下:
本实施例中,拉普拉斯矩阵被定义为L=D-A,式中,D为度矩阵,A为邻接矩阵。具体地:
度矩阵D是对角阵,顶点vi的度表示和该顶点相关联的边的数量。
图5是图4中电器拓扑结构图的度矩阵。
以图4示出的电器拓扑结构图为例,点a有1个相连的边,点b有3个相连的边,点c有2个相连的边,点d有3个相连的边,点e有1个相连的边,所以图4中电器拓扑结构图的度矩阵D是一个对角线的值分别为1,3,2,3,1的对角矩阵,具体如图5所示。
图6是图4中电器拓扑结构图的邻接矩阵。
邻接矩阵A表示顶点间关系,是n阶方阵,n为顶点数量。再次以图4示出的电器拓扑结构图为例,其具有5个顶点,那么这个图的邻接矩阵A是一个5行5列的矩阵,用mij表示邻接矩阵第i行j列的值(如果第i个点到第j个点有边,那么aij=1;否则aij=0)。所以以第一个点a为例,点a只有在点a(图中的第1个点)与点b(图中的第2个点)之间有边,则a11=0,a12=1,a13=0,a14=0,a15=0。
图7是图4中电器拓扑结构图的拉普拉斯矩阵。
基于上述度矩阵D以及邻接矩阵A,就可以得到如图7所示的拉普拉斯矩阵L。
图8是本发明实施例的正则化拉普拉斯矩阵。
图9是图8通过实对称半正定性质转换得到的分解矩阵。
图10是图9的分解矩阵的傅里叶变换。
根据图的傅立叶变换定义,输入信号x的傅立叶变换可以表示为:根据该公式,等号两边同时左乘UTg(θ),则可得:再对等号两边同时进行傅立叶变换(傅立叶变换即等号两边同时左乘矩阵U),可得:式中,gθ是定义的滤波器,该滤波器即后述的待训练网络所要拟合的函数,θ是待训练网络要学习的参数。基于该公式,网状拓扑结构图G1结合图9的分解矩阵进行傅里叶变换后如图10所示。
通过上述过程对每一个时刻的各个电器的电器功率值进行处理,即可得到每个时刻的功率拓扑数据,进一步,这些功率拓扑数据按时间序列排序即可形成一串时序数据。
步骤S1-3,将步骤S1-2得到的时序数据输入预先训练的电力负荷预测网络从而得到对应的输出序列数据。
图11是本发明实施例采用的电力负荷预测方法中的网络流程图。
如图11所示,当得到时序数据后,这些时序数据通过一个由ReLU时间卷积网络(Temporal Convolutional Network,TCN)构成的电力负荷预测网络进行处理并输出为一个谱空间预测向量,进一步通过逆傅立叶变换得到电器功率预测值。
图12是本发明实施例中电力负荷预测网络的卷积结构示意图。
如图12所示,电力负荷预测网络主要采用了三层卷积网络,每层使用膨胀卷积,即使用可变长度的卷积核,第一层卷积使用长度为2的卷积,第二层卷积使用长度为22的卷积,第n层卷积使用长度为2n的卷积,则第n层有2个有效值,2个值分布在卷积核的两端(在图12中,d表示2个有效值之间的间隔,即卷积核内0的个数,比如第一层的卷积核为[a b],第二层的卷积核为[a 0 0b],第三层的卷积核为[a 0 0 0 0 0 0 b]),其余值用0填充,其公式为: 另外,3个卷积网络均为由带ReLU和BatchNorm的膨胀卷积组成,即电力负荷预测网络的具体组成结构为:(卷积层-ReLU层-BN层)-(卷积层-ReLU层-BN层)-(卷积层-ReLU层-BN层)。
除了上述卷积网络之外,时序数据还经过电力负荷预测网络包含的几个相同结构的残差块以及全连接层,从而形成上述的谱空间预测向量。残差块由一个正则化层、一个ReLU层、一个Dropout层组成。
图13是本发明实施例中电力负荷预测网络的训练流程图。
如图3所示,电力负荷预测网络通过以下步骤训练得到,具体包括步骤S2-1至步骤S2-8。
步骤S3-1,获取各种电器的历史功率数据;
步骤S3-2,从历史功率数据中获取一定时间内的电器功率数据进行预处理,并获取该电器功率数据之后一定时间内的电器功率数据作为未来功率数据;
步骤S3-3,基于预定的电器拓扑结构处理方法对预处理后的电器功率数据进行拓扑处理得到按时间序列排序的多个功率拓扑数据作为训练时序数据;
步骤S3-4,根据训练时序数据对一个待训练网络进行训练,进一步基于该待训练网络的输出序列数据以及未来功率数据计算损失并通过反向传播更新待训练网络的模型参数;
步骤S3-5,重复步骤S3-2至步骤S3-4直至达到预定的训练完成条件,并将最终更新的待训练网络作为电力负荷预测网络。
在上述训练过程中,对于步骤S3-2中获取到的一定时间内的电器功率数据的预处理以及通过步骤S3-3处理得到训练时序数据的过程与上述步骤S1-1至步骤S1-2处理得到时序数据的原理相一致,在此不再赘述。同时,待训练网络的网络结构就是电力负荷预测网络的结构,也不再赘述。
当训练时序数据通过待训练网络后,就会输出一个预测的谱空间预测向量(y1,y2,…yn),其中,yi,i=1…n,表示i时刻的图数据的预测结果,在结果yi的基础上,再进行逆傅立叶变换,即对yi左乘矩阵U,即可得到在i时刻各电器的用电功率预测值。此时,由于待训练网络未完成训练,因此得到的用电功率预测值与真实值(即步骤S3-2中获取的未来功率数据)通常存在偏差,所以接下来再将yi与真实值对比,通过反向传播更新参数θ。重复以上步骤,不断调整模型参数,最终即可得到一个具有较高预测准确率的待训练网络并完成训练。
在完成上述训练过程后,将最终得到的待训练网络作为电力负荷预测网络,将待分析的电器功率数据输入该电力负荷预测网络,就能够得到一个谱空间预测向量。
步骤S1-4,将谱空间预测向量使用逆傅立叶变换恢复成图结构从而得到各种电器的电器预测消耗功率值并进行输出。
实施例作用与效果
根据本实施例提供的一种基于拓扑结构和时间卷积网络的电力负荷预测方法,用于针对输入的预测时间通过处理得到电器预测消耗功率值,具体通过将预测时间进行处理从而得到的时序数据输入预先训练的电力负荷预测网络从而得到电器预测消耗功率值,最终将得到的电器预测消耗功率值。因此,通过本发明方法的拓扑结构,可以利用电器用电量之间的关联性,包括使用电饭锅后可能会使用洗碗机,使用电脑时可能会同时使用空调等。此外,本发明是一种利用过去用电数据的基于时序数据的分解预测方法,体现了时间动态性从而实现了长期预测功能。
上述实施例仅用于举例说明本发明的具体实施方式,而本发明不限于上述实施例的描述范围。
例如,在上述实施例中,仅采用了3号家庭的电器数据来训练电力负荷预测网络。在本发明的其他方案中,当需要对一个待预测的电力系统中各个电器的的功率进行预测并且该电力系统中历史功率数据较为缺少时,电力负荷预测网络也可以先根据其他电力系统中同种的电器的历史功率进行训练,再利用待预测的电力系统中各电器的历史功率数据进行参数微调后,这样训练得到的电力负荷预测网络同样可以实现对待预测的电力系统的电力负荷的准确预测。
Claims (4)
1.一种基于拓扑结构和时间卷积网络的电力负荷预测方法,用于预测电力系统中的各种电器的电器预测消耗功率值从而实现电力负荷的预测,其特征在于,包括:
步骤S1-1,获取各种所述电器在一定时间内的电器功率数据并进行预处理;
步骤S1-2,基于预定的电器拓扑结构处理方法对预处理后的所述电器功率数据进行拓扑处理得到按时间序列排序的多个功率拓扑数据作为一串时序数据;
步骤S1-3,基于预先训练的电力负荷预测网络对所述时序数据进行处理从而得到所述电力负荷预测网络输出的谱空间预测向量;
步骤S1-4,将所述谱空间预测向量使用逆傅立叶变换恢复成图结构从而得到各种所述电器的所述电器预测消耗功率值并进行输出,
其中,所述电器拓扑结构处理方法为:
步骤S2-1,统计所述电力系统中所述电器的种类;
步骤S2-2,以所述电器的种类为图的顶点、以所述电器在这一时刻消耗的功率为所述顶点的数值并根据预先设定的边的权重构建包含所有所述电器的网状拓扑结构图G(X,E),其中,X是各个所述顶点的数值的集合,E为所有边的集合;
步骤S2-3,将所述网络状拓扑结构图G(X,E)投影到由正则化拉普拉斯矩阵的特征向量构成的正交空间,进行傅立叶变换得到所述功率拓扑数据。
2.根据权利要求1所述的基于拓扑结构和时间卷积网络的电力负荷预测方法,其特征在于:
其中,所述电力负荷预测网络通过以下步骤训练得到:
步骤S3-1,获取各种所述电器的历史功率数据;
步骤S3-2,从所述历史功率数据中获取一定时间内的电器功率数据进行预处理,并获取该电器功率数据之后一定时间内的电器功率数据作为未来功率数据;
步骤S3-3,基于预定的电器拓扑结构处理方法对预处理后的所述电器功率数据进行拓扑处理得到按时间序列排序的多个功率拓扑数据作为训练时序数据;
步骤S3-4,根据所述训练时序数据对一个待训练网络进行训练,进一步基于该待训练网络的输出序列数据以及所述未来功率数据计算损失并通过反向传播更新所述待训练网络的模型参数;
步骤S3-5,重复所述步骤S3-2至所述步骤S3-4直至达到预定的训练完成条件,并将最终更新的所述待训练网络作为所述电力负荷预测网络。
3.根据权利要求2所述的基于拓扑结构和时间卷积网络的电力负荷预测方法,其特征在于:
其中,所述步骤S3-1中,还获取其他电力系统中与所述电力系统的所述电器种类相同的电器的历史功率数据。
4.根据权利要求2中任意一项所述的基于拓扑结构和时间卷积网络的电力负荷预测方法,其特征在于:
其中,所述待训练网络至少包括连续的3个使用膨胀卷积的卷积层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011470979.0A CN113011628B (zh) | 2020-12-14 | 2020-12-14 | 基于拓扑结构和时间卷积网络的电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011470979.0A CN113011628B (zh) | 2020-12-14 | 2020-12-14 | 基于拓扑结构和时间卷积网络的电力负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113011628A CN113011628A (zh) | 2021-06-22 |
CN113011628B true CN113011628B (zh) | 2022-08-05 |
Family
ID=76383196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011470979.0A Active CN113011628B (zh) | 2020-12-14 | 2020-12-14 | 基于拓扑结构和时间卷积网络的电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011628B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005130581A (ja) * | 2003-10-22 | 2005-05-19 | Sekisui Chem Co Ltd | 電力負荷パターン予測装置 |
CN102779223B (zh) * | 2011-05-13 | 2016-03-30 | 富士通株式会社 | 短期电力负荷预测的方法及装置 |
CN110472779B (zh) * | 2019-07-30 | 2022-05-03 | 东莞理工学院 | 一种基于时间卷积网络的电力系统短期负荷预测方法 |
CN110852655B (zh) * | 2019-11-29 | 2023-08-15 | 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 |
-
2020
- 2020-12-14 CN CN202011470979.0A patent/CN113011628B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113011628A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Using long short-term memory networks to predict energy consumption of air-conditioning systems | |
CN111563611B (zh) | 面向图卷积网络的云数据中心可再生能源时空预测方法 | |
Tian et al. | Multi-step short-term wind speed prediction based on integrated multi-model fusion | |
CN113852492A (zh) | 基于注意力机制和图卷积神经网络的网络流量预测方法 | |
CN112350876A (zh) | 一种基于图神经网络的网络流量预测方法 | |
Zheng et al. | An accurate GRU-based power time-series prediction approach with selective state updating and stochastic optimization | |
Sönmez | Estimation of fuel cost curve parameters for thermal power plants using the ABC algorithm | |
CN107609667B (zh) | 基于Box_cox变换和UFCNN的供热负荷预测方法及系统 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN115766125A (zh) | 一种基于lstm和生成对抗网络的网络流量预测方法 | |
CN116562908A (zh) | 一种基于双层vmd分解和ssa-lstm的电价预测方法 | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
CN113011628B (zh) | 基于拓扑结构和时间卷积网络的电力负荷预测方法 | |
Yang et al. | Host load prediction based on PSR and EA-GMDH for cloud computing system | |
CN111539558A (zh) | 一种采用优化极限学习机的电力负荷预测方法 | |
CN116523001A (zh) | 电网薄弱线路识别模型构建方法、装置和计算机设备 | |
CN116667322A (zh) | 基于相空间重构和改进rbf神经网络的电力负荷预测方法 | |
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 | |
CN116415713A (zh) | 一种基于e+和人工智能的建筑能耗预测方法 | |
CN115860232A (zh) | 一种蒸汽负荷预测方法、系统、电子设备及介质 | |
CN115453871A (zh) | 一种基于ide扩展多维泰勒网的非线性系统建模方法 | |
CN114861967A (zh) | 一种电力负荷预测方法、系统、装置及存储介质 | |
CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 |
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 |