CN113177355A - 一种电力负荷预测方法 - Google Patents

一种电力负荷预测方法 Download PDF

Info

Publication number
CN113177355A
CN113177355A CN202110467963.2A CN202110467963A CN113177355A CN 113177355 A CN113177355 A CN 113177355A CN 202110467963 A CN202110467963 A CN 202110467963A CN 113177355 A CN113177355 A CN 113177355A
Authority
CN
China
Prior art keywords
power load
data
model
input features
input
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
Application number
CN202110467963.2A
Other languages
English (en)
Other versions
CN113177355B (zh
Inventor
周挺辉
周保荣
赵利刚
赵文猛
黄世平
郭瑞鹏
甄鸿越
黄冠标
王长香
吴小珊
徐原
翟鹤峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Southern Power Grid Co Ltd
Research Institute of Southern Power Grid Co Ltd
Original Assignee
China Southern Power Grid Co Ltd
Research Institute of Southern Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Southern Power Grid Co Ltd, Research Institute of Southern Power Grid Co Ltd filed Critical China Southern Power Grid Co Ltd
Priority to CN202110467963.2A priority Critical patent/CN113177355B/zh
Publication of CN113177355A publication Critical patent/CN113177355A/zh
Application granted granted Critical
Publication of CN113177355B publication Critical patent/CN113177355B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

本发明公开一种电力负荷预测方法，包括：获取模型原始输入特征；所述原始输入特征包括电力负荷数据和气象因素数据；将原始输入特征输入多层RBM网络中进行训练学习，经过RBM网络的多次非线性变换以及对于参数的重构和微调，得到第二输入特征；根据第二输入特征和遗传算法，得到第三输入特征；根据BP神经网络的初始权值和遗传算法，得到第二权值；将第三输入特征以及第二权值输入到BP神经网络，根据设定误差阈值，使用BP算法进行反向参数微调，直至误差小于等于预设的阈值，得到用于预测电力负荷的模型；将待预测时间输入到所述用于预测电力负荷的模型进行预测。本发明能够提高训练用于预测电力负荷模型的速度以及预测结果的准确性。

Description

一种电力负荷预测方法
技术领域
本发明涉及电力负荷预测技术领域，尤其涉及一种电力负荷预测方法。
背景技术
几十年来，已有许多人从事电力系统负荷预测的研究与应用开发工作并取得了大量的研究成果，提出了许多负荷预测的方法。但是电力系统负荷的变化呈现出一种很高的非线性度，想要精确地预测电力系统负荷仍然是一项艰巨的工作。目前还未找到一种可以适用于任何电力系统且绝对准确的电力系统负荷预测方法，某种特定的方法都有其自身所适用的特定条件，只有在满足某些特定的电力系统运行条件，才能达到令人满意的准确程度。
短期电力负荷预测的起源较早，大量国内外学者应用了多种预测方法于电力负荷预测领域,针对电力负荷预测的研究主要围绕提高预测精度、提高预测速度两个方面。传统预测方法在电力系统能否稳定运行，自动发电控制实现以及调度的经济性等问题，表现出种种的局限性，历经数十年的发展，发生了从传统预测方法到智能预测方法转变。其中深度学习不仅具有大数据处理能力还具有深层特征学习能力，研究深度学习等新算法，并将其应用于电力负荷预测领域是进一步提高负荷预测精度的有效途径。但是，目前电力负荷预测模型存在训练耗时长，由于网络模型本身容易陷入局部极小点导致模型电力负荷预测准确性不高的技术问题。
发明内容
本发明实施例的目的在于提供一种电力负荷预测方法，以解决现有电力负荷预测模型训练耗时长、由于网络模型本身容易陷入局部极小点导致模型电力负荷预测准确性不高的技术问题。
本发明实施例提供一种电力负荷预测方法，包括：
获取模型原始输入特征；其中，所述原始输入特征包括电力负荷数据和气象因素数据；
将所述原始输入特征输入多层RBM网络中进行训练学习，经过RBM网络的多次非线性变换以及对于参数的重构和微调，得到第二输入特征；
根据所述第二输入特征和遗传算法，得到第三输入特征；根据BP神经网络的初始权值和遗传算法，得到第二权值；
将所述第三输入特征以及所述第二权值输入到BP神经网络，根据设定误差阈值，使用BP算法进行反向参数微调，直至误差小于等于预设的阈值，得到用于预测电力负荷的模型；
将待预测时间输入到所述用于预测电力负荷的模型进行预测。
进一步地，所述气象因素数据包括但不限于：日最高温度、日平均温度、日最低温度、日降雨量和日相对湿度。
进一步地，在根据所述第二输入特征和遗传算法，得到第三输入特征之前，还包括：
对所述模型输入特征中的错误数据进行修正或对缺失数据进行补全。
进一步地，在对所述模型输入特征中的错误数据进行修正或对缺失数据进行补全后，还包括：
对所述模型输入特征中的各类数据分别进行归一化处理。
进一步地，所述对所述模型输入特征中的错误数据进行修正，具体包括：
若max[|Y(d,t)-Y(d,t-1)|,|Y(d,t)-Y(d,t+1)|]＞ε(t)；
则根据公式
Figure BDA0003044840310000021
修正Y(d,t)；
其中，ε(t)为第二预设阈值，t为采样点，取值范围为[1.96]；Y(d,t)表示第d天t时刻的电力负荷值；Y(d,t-1)表示第d天t-1时刻的电力负荷值；Y(d,t+1)表示第d天t+1时刻的电力负荷值。
进一步地，所述对所述模型输入特征中的错误数据进行修正，具体包括：
若|Y(d,t)-m(t)|＞r(t)；
则根据公式
Figure BDA0003044840310000031
修正Y(d,t)；
其中，Y(d,t)表示第d天t时刻的电力负荷值；，m(t)为待处理数据近几天t时刻的负荷平均值；r(t)为第三预设阈值。
进一步地，所述对所述模型输入特征中的缺失数据进行补全，具体包括：
若出现数据缺失的情况，则采用缺失日前几日或后几的正常数据进行曲线拟合，得到拟合曲线；
采用所述拟合曲线计算缺失的数据进行数据补全。
进一步地，对所述模型输入特征中的各类数据分别进行归一化处理，具体包括：
应用StandardScaler实现对所述输入特征中的各类数据分别进行标准化。
本发明实施例通过在工业电量神经网络预测领域，在原有网络模型基础上增加DBN，初步筛选特征和计算权重参数，降低遗传算法复杂度，提高效率和收敛性。另外，本发明还通过在工业电量神经网络预测领域，在原有网络模型基础上增加遗传算法，优化了BP网络，避免局部最优，从而提高了电力负荷预测的准确性。
附图说明
图1是本发明一实施例提供的一种电力负荷预测方法流程示意图。
图2是本发明一实施例提供的获得用于预测电力负荷模型的流程示意图。
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作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。
请参阅图1，本发明实施例提供一种电力负荷预测方法，包括：
S1、获取模型原始输入特征；其中，所述原始输入特征包括电力负荷数据和气象因素数据。
在本发明实施例中，所述输入特征包括电力负荷数据以及日最高温度、日平均温度、日最低温度、日降雨量、日相对湿度等气象因素数据，共28个变量作为所述模型的输入向量。
S2、将所述原始输入特征输入多层RBM网络中进行训练学习，经过RBM网络的多次非线性变换以及对于参数的重构和微调，得到第二输入特征。
在本发明实施例中，需要说明的是，所述第二输入特征即为RBM的输出，所述第二输入特征为对电力负荷影响程度很大的信息。此外，还应当理解的是，RBM网络是一种基于统计力学和马尔可夫随机场的神经网络，它具有很强的特征学习能力，其能够准确地从给定数据集的原始特征中学习和提取出新的特征。
S3、根据所述第二输入特征和遗传算法，得到第三输入特征；根据BP神经网络的初始权值和遗传算法，得到第二权值。
具体地，将第二输入特征输入到遗传操作(GA)进行计算，得到第三输入特征。将BP神经网络的初始权值按实数编码方式编码，然后将编码后的初始权值输入到遗传操作(GA),并通过译码得到第二权值。另外，还需说明的是，本发明实施例所述的遗传算法中包括交叉、变异和选择操作，因此，能够提高遗传算法的效率和收敛性。
S4、将所述第三输入特征以及所述第二权值输入到BP神经网络，根据设定误差阈值，使用BP算法进行反向参数微调，直至误差小于等于预设的阈值，得到用于预测电力负荷的模型。
在本发明实施例中，应当理解的是，BP神经网络是一种经典的有监督的前馈网络模型。BP神经网络学习的目标是使得输出层的值与已给定的目标值之间的误差最小，按照误差来反向传播学习的多层前馈神经网络，具有很强的非线性能力，常用于分类预测等。
在本发明实施例中，更具体的获得用于预测电力负荷模型的方法如图2所示，由于各个算法、模型均采用的是现有技术，因此，在此不作赘述。
S5、将待预测时间输入到所述用于预测电力负荷的模型进行预测。
本发明实施例通过在工业电量神经网络预测领域，在原有网络模型基础上增加DBN，初步筛选特征和计算权重参数，降低遗传算法复杂度，提高效率和收敛性。另外，本发明还通过在工业电量神经网络预测领域，在原有网络模型基础上增加遗传算法，优化了BP网络，避免局部最优，从而提高了电力负荷预测的准确性。
由于模型输入特征中的数据可能会存在错误数据或缺失数据，为避免错误数据或缺失数据降低模型准确性，因此，作为本发明实施例的一种举例，在根据所述第二输入特征和遗传算法，得到第三输入特征之前，还包括：
对所述模型输入特征中的错误数据进行修正或对缺失数据进行补全。
具体地，一般正常情况下，电力负荷不会出现突变，负荷数据是连续平稳的序列，因此某指定时刻负荷数据和相邻时刻负荷数据相差不大。当某时刻的负荷变化值超过某一阈值时，则表明该某时刻对应的数据为错误数据，为避免此种错误数据降低电力荷预测模型准确度，因此，作为本发明实施例的一种举例，所述对所述模型输入特征中的错误数据进行修正，具体包括：
若max[|Y(d,t)-Y(d,t-1)|,|Y(d,t)-Y(d,t+1)|]＞ε(t)；
则根据公式
Figure BDA0003044840310000051
修正Y(d,t)；
其中，ε(t)为第二预设阈值，t为采样点，取值范围为[1.96]；Y(d,t)表示第d天t时刻的电力负荷值；Y(d,t-1)表示第d天t-1时刻的电力负荷值；Y(d,t+1)表示第d天t+1时刻的电力负荷值。
需要说明的是，上述修正方式为水平处理方式。
由于电力负荷数据具有相似性特征，因此相邻日的同一时刻的电力负荷值较为接近。因此，当出现某一时刻的负荷值与相邻几日同一时刻的负荷均值之差超过某一阈值时，则该某一时刻对应的数据为错误数据，为避免此种错误数据降低电力荷预测模型准确度，因此，作为本发明实施例的一种举例，所述对所述模型输入特征中的错误数据进行修正，具体包括：
若|Y(d,t)-m(t)|＞r(t)；
则根据公式
Figure BDA0003044840310000061
修正Y(d,t)；
其中，Y(d,t)表示第d天t时刻的电力负荷值；，m(t)为待处理数据近几天t时刻的负荷平均值；r(t)为第三预设阈值。
需要说明的是，上述的修正方式为垂直处理方式。
由于种种原因会出现数据缺失的情况，当情况严重时会出现数据的连续缺失，此种情况发生时采用数据的水平处理或垂直处理均不能将数据补齐，此时考虑选用缺失日前几日或后几日相同日类型的正常数据进行曲线拟合，然后用拟合曲线计算缺失数据，进行数据的补全。假定拟合曲线为：
f＝g(y,a1,a2,....an)＝a1g1(y)+a2g2(y)+....+angn(y)
应用最小二乘原理：
Figure BDA0003044840310000062
以及极限概念：
Figure BDA0003044840310000063
解出出系数a1,a2,....an，即得到拟合曲线。
作为本发明实施例的一种举例，在对所述模型输入特征中的错误数据进行修正或对缺失数据进行补全后，还包括：
对所述模型输入特征中的各类数据分别进行归一化处理。
由于考虑到MinMaxScaler实现对特征数据进行归一化存在如下缺陷:1)最大最小值是变化的；2)最大值与最小值非常容易受异常点影响，鲁棒性较差，只适合传统小数据场景，因此，作为本发明实施例的一种举例，对所述模型输入特征中的各类数据分别进行归一化处理，具体包括：
应用StandardScaler实现对所述输入特征中的各类数据分别进行标准化。具体地，根据公式
Figure BDA0003044840310000071
把数据变换到均值为0,标准差为1范围内；其中，mean为平均值，σ为方差。
需要说明的是，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要进一步说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述是本发明的优选实施方式，应当指出，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，这些改进和润饰也视为本发明的保护范围。

Claims (8)

1.一种电力负荷预测方法，其特征在于，包括：
获取模型原始输入特征；其中，所述原始输入特征包括电力负荷数据和气象因素数据；
将所述原始输入特征输入多层RBM网络中进行训练学习，经过RBM网络的多次非线性变换以及对于参数的重构和微调，得到第二输入特征；
根据所述第二输入特征和遗传算法，得到第三输入特征；根据BP神经网络的初始权值和遗传算法，得到第二权值；
将所述第三输入特征以及所述第二权值输入到BP神经网络，根据设定误差阈值，使用BP算法进行反向参数微调，直至误差小于等于预设的阈值，得到用于预测电力负荷的模型；
将待预测时间输入到所述用于预测电力负荷的模型进行预测。
2.根据权利要求1所述的短期电力负荷预测方法，其特征在于，所述气象因素数据包括但不限于：日最高温度、日平均温度、日最低温度、日降雨量和日相对湿度。
3.根据权利1所述的短期电力负荷预测方法，其特征在于，在根据所述第二输入特征和遗传算法，得到第三输入特征之前，还包括：
对所述模型输入特征中的错误数据进行修正或对缺失数据进行补全。
4.根据权利3所述的短期电力负荷预测方法，其特征在于，在对所述模型输入特征中的错误数据进行修正或对缺失数据进行补全后，还包括：
对所述模型输入特征中的各类数据分别进行归一化处理。
5.根据权利3所述的电力负荷预测方法，其特征在于，所述对所述模型输入特征中的错误数据进行修正，具体包括：
若max[|Y(d,t)-Y(d,t-1)|,|Y(d,t)-Y(d,t+1)|]＞ε(t)；
则根据公式
Figure FDA0003044840300000021
修正Y(d,t)；
其中，ε(t)为第二预设阈值，t为采样点，取值范围为[1.96]；Y(d,t)表示第d天t时刻的电力负荷值；Y(d,t-1)表示第d天t-1时刻的电力负荷值；Y(d,t+1)表示第d天t+1时刻的电力负荷值。
6.根据权利3所述的短期电力负荷预测方法，其特征在于，所述对所述模型输入特征中的错误数据进行修正，具体包括：
若|Y(d,t)-m(t)|＞r(t)；
则根据公式
Figure FDA0003044840300000022
修正Y(d,t)；
其中，Y(d,t)表示第d天t时刻的电力负荷值；，m(t)为待处理数据近几天t时刻的负荷平均值；r(t)为第三预设阈值。
7.根据权利3所述的短期电力负荷预测方法，其特征在于，所述对所述模型输入特征中的缺失数据进行补全，具体包括：
若出现数据缺失的情况，则采用缺失日前几日或后几的正常数据进行曲线拟合，得到拟合曲线；
采用所述拟合曲线计算缺失的数据进行数据补全。
8.根据权利4所述的短期电力负荷预测方法，其特征在于，对所述模型输入特征中的各类数据分别进行归一化处理，具体包括：
应用StandardScaler实现对所述输入特征中的各类数据分别进行标准化。
CN202110467963.2A 2021-04-28 2021-04-28 一种电力负荷预测方法 Active CN113177355B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110467963.2A CN113177355B (zh) 2021-04-28 2021-04-28 一种电力负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110467963.2A CN113177355B (zh) 2021-04-28 2021-04-28 一种电力负荷预测方法

Publications (2)

Publication Number Publication Date
CN113177355A true CN113177355A (zh) 2021-07-27
CN113177355B CN113177355B (zh) 2024-01-12

Family

ID=76926894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110467963.2A Active CN113177355B (zh) 2021-04-28 2021-04-28 一种电力负荷预测方法

Country Status (1)

Country Link
CN (1) CN113177355B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114180023A (zh) * 2021-12-08 2022-03-15 中国船舶重工集团公司第七一六研究所 基于负荷预测算法的多能源船舶控制管理方法及装置
CN115392594A (zh) * 2022-10-27 2022-11-25 南方电网数字电网研究院有限公司 一种基于神经网络和特征筛选的用电负荷模型训练方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002341793A (ja) * 2001-05-18 2002-11-29 Bunka Shutter Co Ltd 表示装置
CN106709820A (zh) * 2017-01-11 2017-05-24 中国南方电网有限责任公司电网技术研究中心 一种基于深度置信网络的电力系统负荷预测方法及装置
CN108549960A (zh) * 2018-04-20 2018-09-18 国网重庆市电力公司永川供电分公司 一种24小时电力负荷预测方法
WO2019037409A1 (zh) * 2017-08-22 2019-02-28 华为技术有限公司 神经网络训练系统、方法和计算机可读存储介质
CN110009160A (zh) * 2019-04-11 2019-07-12 东北大学 一种基于改进的深度信念网络的电力价格预测方法
WO2019141040A1 (zh) * 2018-01-22 2019-07-25 佛山科学技术学院 一种短期电力负荷预测方法
CN110222888A (zh) * 2019-05-27 2019-09-10 深圳供电局有限公司 一种基于bp神经网络的日平均电力负荷预测方法
CN110766190A (zh) * 2019-08-08 2020-02-07 国网浙江省电力有限公司衢州供电公司 一种配电网负荷预测方法
CN111598225A (zh) * 2020-05-15 2020-08-28 西安建筑科技大学 一种基于自适应深度置信网络的空调冷负荷预测方法
CN111898825A (zh) * 2020-07-31 2020-11-06 天津大学 一种光伏发电功率短期预测方法及装置
CN112418526A (zh) * 2020-11-24 2021-02-26 国网天津市电力公司 基于改进深度信念网络的综合能源负荷控制方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002341793A (ja) * 2001-05-18 2002-11-29 Bunka Shutter Co Ltd 表示装置
CN106709820A (zh) * 2017-01-11 2017-05-24 中国南方电网有限责任公司电网技术研究中心 一种基于深度置信网络的电力系统负荷预测方法及装置
WO2019037409A1 (zh) * 2017-08-22 2019-02-28 华为技术有限公司 神经网络训练系统、方法和计算机可读存储介质
WO2019141040A1 (zh) * 2018-01-22 2019-07-25 佛山科学技术学院 一种短期电力负荷预测方法
CN108549960A (zh) * 2018-04-20 2018-09-18 国网重庆市电力公司永川供电分公司 一种24小时电力负荷预测方法
CN110009160A (zh) * 2019-04-11 2019-07-12 东北大学 一种基于改进的深度信念网络的电力价格预测方法
CN110222888A (zh) * 2019-05-27 2019-09-10 深圳供电局有限公司 一种基于bp神经网络的日平均电力负荷预测方法
CN110766190A (zh) * 2019-08-08 2020-02-07 国网浙江省电力有限公司衢州供电公司 一种配电网负荷预测方法
CN111598225A (zh) * 2020-05-15 2020-08-28 西安建筑科技大学 一种基于自适应深度置信网络的空调冷负荷预测方法
CN111898825A (zh) * 2020-07-31 2020-11-06 天津大学 一种光伏发电功率短期预测方法及装置
CN112418526A (zh) * 2020-11-24 2021-02-26 国网天津市电力公司 基于改进深度信念网络的综合能源负荷控制方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
金士琛;薛会;林霞;张智晟;: "基于FDNN的电力系统短期负荷预测模型研究", 青岛大学学报(工程技术版), no. 04 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114180023A (zh) * 2021-12-08 2022-03-15 中国船舶重工集团公司第七一六研究所 基于负荷预测算法的多能源船舶控制管理方法及装置
CN114180023B (zh) * 2021-12-08 2023-09-01 中国船舶集团有限公司第七一六研究所 基于负荷预测算法的多能源船舶控制管理方法及装置
CN115392594A (zh) * 2022-10-27 2022-11-25 南方电网数字电网研究院有限公司 一种基于神经网络和特征筛选的用电负荷模型训练方法

Also Published As

Publication number Publication date
CN113177355B (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
CN111027772B (zh) 基于pca-dbilstm的多因素短期负荷预测方法
CN110751318B (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN113177355B (zh) 一种电力负荷预测方法
CN112215442B (zh) 电力系统短期负荷预测方法、系统、设备及介质
CN110347192B (zh) 基于注意力机制和自编码器的玻璃炉温智能预测控制方法
CN113689029A (zh) 基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法
CN109615124B (zh) 一种基于深度学习的scada主站负荷预测方法
CN110689190A (zh) 一种电网负荷预测方法、装置及相关设备
CN110598929A (zh) 一种风电功率非参数概率区间超短期预测方法
CN107643684B (zh) 一种阀门流量函数优化方法及装置
CN116979505A (zh) 一种电网短期负荷预测方法及系统
CN116562454A (zh) 一种应用于bim的长短时注意力机制网络的造价预测方法
CN116416073A (zh) 风险控制方法、系统、装置及存储介质
Yu GDP Economic forecasting model based on improved RBF neural network
CN115983095A (zh) 一种基于聚类算法、神经网络和遗传算法的光伏发电预测方法
CN113627687A (zh) 一种基于arima-lstm组合模型的供水量预测方法
Al Haromainy et al. Improving Performance of RNN-Based Models With Genetic Algorithm Optimization For Time Series Data
CN115343784A (zh) 一种基于seq2seq-attention模型的局部气温预测方法
CN114066250A (zh) 一种输电项目修理成本测算方法、装置、设备及存储介质
CN113705929A (zh) 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法
CN113657936A (zh) 电力负荷预测方法及终端
CN113205174B (zh) 基于特征解耦深度神经网络模型的夏季峰荷预测方法与系统
CN117274748B (zh) 基于离群抑制的终生学习电力模型训练及检测方法
CN110458364B (zh) 一种短期负荷预测的平滑数据预处理方法
CN117856230A (zh) 融合非量化气象条件变化因素的电力负荷预测方法及系统

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