CN113177666A - 一种基于非侵入式注意力预处理过程与BiLSTM模型的预测方法 - Google Patents

一种基于非侵入式注意力预处理过程与BiLSTM模型的预测方法 Download PDF

Info

Publication number
CN113177666A
CN113177666A CN202110557297.1A CN202110557297A CN113177666A CN 113177666 A CN113177666 A CN 113177666A CN 202110557297 A CN202110557297 A CN 202110557297A CN 113177666 A CN113177666 A CN 113177666A
Authority
CN
China
Prior art keywords
data
window
bilstm
model
result
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
Application number
CN202110557297.1A
Other languages
English (en)
Inventor
李丹丹
史清江
曾歆
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202110557297.1A priority Critical patent/CN113177666A/zh
Priority to PCT/CN2021/105889 priority patent/WO2022241932A1/zh
Publication of CN113177666A publication Critical patent/CN113177666A/zh
Pending legal-status Critical Current

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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于非侵入式注意力预处理过程与BiLSTM模型的预测方法，采用非侵入式注意机制增强的深度学习模型用于长期能量消耗预测，由一个基于注意机制的预处理模型和一个通用的BiLSTM网络组成，称为AP‑BiLSTM。基于注意机制的预处理模型是由卷积层和全连接层的点积来完成，这两层进行原始输入数据的特征映射，这是提高AP‑BiLSTM方法性能的关键。通过这种方式，输入数据长期依赖关系中的本地和全局关联都得到了增强。本发明包括以下步骤：S1：非侵入式的数据预处理过程；S2：将S1中的结果输入进BiLSTM网络模型中，得出最终的预测结果。

Description

一种基于非侵入式注意力预处理过程与BiLSTM模型的预测 方法
技术领域
本发明涉及电力负荷预测技术领域，具体为基于已有时间段的用电数据，利用结合非侵入式注意力预处理与BiLSTM模型的预测方法来预测未来时间段的用电数据。
背景技术
电力负荷预测是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：基于卷积神经网络模型的预测方法，利用LSTM(long-short-term memory长短期记忆网络模型)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。
其中，BiLSTM(Bi-directional long-short-term memory双向长短期记忆网络模型)是一种人工循环神经网络结构，非常适合基于时间序列数据的预测。BiLSTM模型解决了梯度消失问题，并提供了长期的相关性。然而，虽然BiLSTM在时间序列预测任务中表现良好，但序列计算的基本约束仍然存在。注意力机制可以解决这个问题，注意力机制使得模型在输入或输出序列中，无论输入数据的长度如何，都能获得更好的结果。但是当前结合注意力与BiLSTM等循环神经网络的模型中，通常需要对BiLSTM内部结构进行修改，增加了模型设计的难度。基于此，本发明将注意力机制作为一个预处理过程，再结合BiLSTM模型，既增强了模型的长期记忆能力，又避免了对BiLSTM模型内部的修改。
发明内容
本发明公开了一种基于非侵入式注意力预处理过程与BiLSTM模型的预测方法，采用非侵入式注意机制增强的深度学习模型用于长期能量消耗预测，由一个基于注意机制的预处理模型和一个通用的BiLSTM网络组成，称为AP-BiLSTM。基于注意机制的预处理模型是由卷积层和全连接层的点积来完成，这两层进行原始输入数据的特征映射，这是提高AP-BiLSTM方法性能的关键。通过这种方式，输入数据长期依赖关系中的本地和全局关联都得到了增强。
技术方案
一种新的用于电力负荷预测的基于非侵入式注意力预处理过程与BiLSTM模型的预测方法，包括以下步骤：
S1：非侵入式的数据预处理过程；
S2：将S1中的结果输入进BiLSTM网络模型中，得出最终的预测结果。
S1中：基于非侵入式注意力机制的数据预处理，训练数据经过该处理模块后所得出的输出已经学习了时间序列前后数据之间的关系，但是仍然可以作为新的输入，输入进BiLSTM网络中，具体包括以下步骤：
S1.1：将原始输入数据表示为：x1,x2,…,xm，其中1,2,…,m表示输入时间序列的时长，则总长度为m，则该数据可用形状为(m,1)的矩阵表示。对数据进行根据时间序列滑动窗口采样预处理，窗口长度记为window_size，依次截取形状为(window_size,1)的窗口数据，作为样本，构造样本数据集，则预处理后的每个样本可以表示为：x1,x2,…,xwindow_size，则总样本数据可用形状为：(m,window_size,1)的矩阵表示；
S1.2：将数据按照20％，10％，70％的比例分为：测试集，验证集，训练集；
S1.3：对S1.2中的每个输入训练数据做一维卷积操作，卷积核大小为k，卷积过程表示为：
Figure BDA0003077651920000021
其中cxt表示卷积结果，xt表示t时刻输入数据，xt+n表示xt的n阶近邻，其中n<k,即k阶近邻，wc和bc表示要学习的参数；
S1.4：对S1.2中的输入训练数据做全连接计算，计算过程可表示为：dxt＝ωdxt+bd,其中wd和bd表示要学习的参数，dxt表示该步输出结果；
S1.5：对S1.3和S1.4中结果做加权求和，计算过程可表示为：
Figure BDA0003077651920000022
Figure BDA0003077651920000023
其中cxt是S1.3中的卷积结果，dxt是S1.4中的全连接层的计算结果，[·]表示点乘；
S1.6：将S1.5中的输出结果(即
Figure BDA0003077651920000024
)，与原始输入序列：x1,x2,…,ｘwindow_size做连接操作，过程可以表示为：
Figure BDA0003077651920000025
其中
Figure BDA0003077651920000026
表示S1.5中的计算结果，xt表示原始输入，连接处理后的数据可用形状为(window_size,2)的矩阵表示，window_size是S1.1中输入数据的滑动窗口大小；
S2中：所述的BiLSTM网络模型为，具有Encoder-Decoder架构，Encoder架构由BiLSTM网络层组成，Decoder架构由LSTM网络层和Dense网络层组成，具体包括以下步骤：
S2.1：将S1.6中的结果输入BiLSTM网络层中，BiLSTM的前向传播层具有15个神经元，反向传播层具有15个神经元，神经元个数可用units表示，则输出数据可用形状为(m,window_size,30)的矩阵表示，m表示样本数量；
S2.2：将S2.1中的输出表示为(ｙ′ｔ1,ｙ′ｔ2,…,ｙ′units),并输入到LSTM网络层中；
S2.3：将S2.2中的输出表示为(ｙ″ｔ1,ｙ″t2,…,y″window_size-1)，并输入到Dense网络层中，输出最终的预测结果output，即形状为(m,1)的矩阵；
S2.4：通过S1和S2.1-S2.3所述的网络模型，所输出的预测序列output,可展开表示为(y1,y2,…yi)，其中yi,i＝1…m,分别表示第i个样本的数据的预测结果，再将yi与真实值对比，使用通过反向传播更新网络参数，其中损失函数为均值平方差(MSE)损失函数，学习率设置为0.01。并利用模型在验证集上的表现实现早停，重复以上步骤，不断调整模型参数，得到较好的准确率。
S2.5：使用步骤S1及S2.1-S2.4得到优化后的最终网络模型，通过测试集测试模型表现，最终应用在实际的预测工作中。
本发明有益效果：本发明方法通过一个新的非侵入式注意力预处理过程，通过将注意力操作从内部模型提取到预处理过程中，输入数据长期依赖关系中的本地和全局关联都得到了增强。同时，该预处理过程可以应用于大多数深度学习网络，并避免了对其网络结构的修改。因此，本发明所述方法在长期预测中表现仍然较好。
附图说明
图1是本发明预测方法流程图。
图2是本发明整体模型架构图。
图3是本发明基于非侵入式注意力预处理模块结构图。(创新部分)
图4是本发明实例中用到的数据可视化图。
图5是本发明方法与其他4种对比方法的预测结果指标图。
具体实施方式
为了使本发明的目的和效果更加清楚，下面以本发明中一种基于非侵入式注意力预处理过程与BiLSTM模型的预测方法为例，利用美国全国2015年7月1日至2020年1月23日共1667条每日总用电负荷数据，对本发明的集成模型进行详细描述。
S1：将原始输入数据表示为：x1,x2,…,xm，其中1,2,…,m表示输入时间序列的时长，则总长度为m，数据形状为(m,1)。对数据进行根据时间序列滑动窗口采样预处理，窗口记为window_size，依次截取形状为(window_size,1)的窗口数据，作为样本，构造样本数据集，则预处理后的样本数据为：(m,window_size,1)，本发明中输入时间序列长度为1667，window_size设定为50，则预处理后的样本数据形状为(1667,50,1)；
S2：将数据按照20％，10％，70％的比例分为：测试集，验证集，训练集，则测试集，验证集，训练集样本数量分别为：333，167，1167，形状分别为(333,50,1),(167,50,1),(1167,50,1)；
S3：对S2中的输入训练数据做一维卷积，卷积核为k，过程表示为：
Figure BDA0003077651920000041
Figure BDA0003077651920000042
其中xt表示t时刻输入数据，xt+n表示xt的n阶近邻，其中n<k，即k阶近邻，wc和bc表示要学习的参数。本发明中，卷积核设为3；
S4：对S2中的输入训练数据做全连接计算，计算过程可表示为：dxt＝ωdxt+bd,其中wd和bd表示要学习的参数；
S5：对S2和S4中结果做加权求和，计算过程可表示为：
Figure BDA0003077651920000043
Figure BDA0003077651920000044
其中cxt是S3中的卷积结果，dxt是S4中的全连接层的计算结果；
S6：将S5中的输出结果，与原始输入数据做连接操作，每个数据样本可以表示为：x1,x2,…,x50，过程可以表示为：
Figure BDA0003077651920000045
其中
Figure BDA0003077651920000046
表示S5中的计算结果，xt表示原始输入，连接处理后的数据形状为(50,2)；
S7：将S5中的结果输入BiLSTM网络层中，BiLSTM的前向传播层具有15个神经元，反向传播层具有15个神经元，则输出数据的形状为(1167,50,30)；
S8：将S7中的输出输入到LSTM网络层中，设置有10个神经元，则输出形状为(1167,10)；
S9：将S8中的输入到Dense网络层中，输出最终的预测结果，其输出形状为(1167,1)；
S10：通过S1-S9所述的网络模型，输出预测序列(y1,y2,…y1167)，其中yi，表示第i个训练样本的预测结果，再将yi与真实值对比，通过反向传播更新网络参数。同时，利用验证集进行验证，当验证集的准确率连续10轮不下降时，停止训练，重复以上步骤，不断调整模型参数，得到较好的准确率。
S11：使用步骤S1-S10得到的最终网络模型，利用测试数据集测试其最终的表现，应用在实际的预测工作中。

Claims (3)

1.一种新的用于电力负荷预测的基于非侵入式注意力预处理过程与BiLSTM模型的预测方法，其特征在于，包括以下步骤：
S1：非侵入式的数据预处理过程；
S2：将S1中的结果输入进BiLSTM网络模型中，得出最终的预测结果。
2.如权利要求书1所述一种新的用于电力负荷预测的基于非侵入式注意力预处理过程与BiLSTM模型的预测方法，其特征在于，S1中：基于非侵入式注意力机制的数据预处理过程，具体包括以下步骤：
S1.1：将原始输入数据表示为：x1，x2，...，xm，其中1，2，...，m表示输入时间序列的时长，则总长度为m，则该数据可用形状为(m，1)的矩阵表示；对数据进行根据时间序列滑动窗口采样预处理，窗口长度记为window_size，依次截取形状为(window_size，1)的窗口数据，作为样本，构造样本数据集，则预处理后的每个样本可以表示为：x1，x2，...，xwindow_size，则总样本数据可用形状为：(m，window_size，1)的矩阵表示；
S1.2：将数据分为：测试集，验证集，训练集；
S1.3：对S1.2中的每个输入训练数据做一维卷积操作，卷积核大小为k，卷积过程表示为：
Figure FDA0003077651910000011
其中cxt表示卷积结果，xt表示t时刻输入数据，xt+n表示xt的n阶近邻，其中n＜k，即k阶近邻，wc和bc表示要学习的参数；
S1.4：对S1.2中的输入训练数据做全连接计算，计算过程可表示为：dxt＝ωdxt+bd，其中wd和bd表示要学习的参数，dxt表示该步输出结果；
S1.5：对S1.3和S1.4中结果做加权求和，计算过程可表示为：
Figure FDA0003077651910000012
Figure FDA0003077651910000013
其中cxt是S1.3中的卷积结果，dxt是S1.4中的全连接层的计算结果，[·]表示点乘；
S1.6：将S1.5中的输出结果(即
Figure FDA0003077651910000014
)，与原始输入序列：x1，x2，...，xwindow_size做连接操作，过程可以表示为：
Figure FDA0003077651910000015
其中
Figure FDA0003077651910000016
表示S1.5中的计算结果，xt表示原始输入，连接处理后的数据可用形状为(window_size，2)的矩阵表示，window_size是S1.1中输入数据的滑动窗口大小。
3.如权利要求书1所述一种新的用于电力负荷预测的基于非侵入式注意力预处理过程与BiLSTM模型的预测方法，其特征在于，S2中：所述的BiLSTM网络模型为，具有Encoder-Decoder架构，Encoder架构由BiLSTM网络层组成，Decoder架构由LSTM网络层和Dense网络层组成，具体包括以下步骤：
S2.1：将S1.6中的结果输入BiLSTM网络层中，BiLSTM的前向传播层具有15个神经元，反向传播层具有15个神经元，神经元个数可用units表示，则输出数据可用形状为(m，window_size，30)的矩阵表示，m表示样本数量；
S2.2：将S2.1中的输出表示为(y′t1，y′t2，...，y′units)，并输入到LSTM网络层中；
S2.3：将S2.2中的输出表示为(y″t1，y″t2，...，y″window_size-1)，并输入到Dense网络层中，输出最终的预测结果output，即形状为(m，1)的矩阵；
S2.4：通过S1和S2.1-S2.3所述的网络模型，所输出的预测序列output，可展开表示为(y1，y2，...yi)，其中yi，i＝1...m，分别表示第i个样本的数据的预测结果，再将yi与真实值对比，使用通过反向传播更新网络参数，其中损失函数为均值平方差(MSE)损失函数，学习率设置为0.01；并利用模型在验证集上的表现实现早停，重复以上步骤，不断调整模型参数，得到较好的准确率；
S2.5：使用步骤S1及S2.1-S2.4得到优化后的最终网络模型，通过测试集测试模型表现，最终应用在实际的预测工作中。
CN202110557297.1A 2021-05-21 2021-05-21 一种基于非侵入式注意力预处理过程与BiLSTM模型的预测方法 Pending CN113177666A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110557297.1A CN113177666A (zh) 2021-05-21 2021-05-21 一种基于非侵入式注意力预处理过程与BiLSTM模型的预测方法
PCT/CN2021/105889 WO2022241932A1 (zh) 2021-05-21 2021-07-13 一种基于非侵入式注意力预处理过程与BiLSTM模型的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110557297.1A CN113177666A (zh) 2021-05-21 2021-05-21 一种基于非侵入式注意力预处理过程与BiLSTM模型的预测方法

Publications (1)

Publication Number Publication Date
CN113177666A true CN113177666A (zh) 2021-07-27

Family

ID=76929640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110557297.1A Pending CN113177666A (zh) 2021-05-21 2021-05-21 一种基于非侵入式注意力预处理过程与BiLSTM模型的预测方法

Country Status (2)

Country Link
CN (1) CN113177666A (zh)
WO (1) WO2022241932A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113553988A (zh) * 2021-08-03 2021-10-26 同济大学 一种基于复数神经网络和注意力机制的模拟信号识别方法
CN113890024A (zh) * 2021-09-30 2022-01-04 清华大学 一种非侵入式负荷智能分解和优化控制方法
CN114676787A (zh) * 2022-04-08 2022-06-28 浙江大学 一种基于BiLSTM-CRF算法的非侵入式负荷识别方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116108350B (zh) * 2023-01-06 2023-10-20 中南大学 一种基于多任务学习的非侵入式电器识别方法及系统
CN117350158A (zh) * 2023-10-13 2024-01-05 湖北华中电力科技开发有限责任公司 一种混合RetNet和AM-BiLSTM算法的电力短期负荷预测方法
CN117674098B (zh) * 2023-11-29 2024-06-07 国网浙江省电力有限公司丽水供电公司 面向不同渗透率的多元负荷时空概率分布预测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200074274A1 (en) * 2018-08-28 2020-03-05 Beijing Jingdong Shangke Information Technology Co., Ltd. System and method for multi-horizon time series forecasting with dynamic temporal context learning
CN110889545A (zh) * 2019-11-20 2020-03-17 国网重庆市电力公司电力科学研究院 一种电力负荷预测方法、装置及可读存储介质
CN111191841A (zh) * 2019-12-30 2020-05-22 润联软件系统(深圳)有限公司 一种电力负荷预测方法、装置、计算机设备及存储介质
CN111652225A (zh) * 2020-04-29 2020-09-11 浙江省北大信息技术高等研究院 基于深度学习的非侵入式摄像读取方法及系统
CN112529283A (zh) * 2020-12-04 2021-03-19 天津天大求实电力新技术股份有限公司 基于注意力机制的综合能源系统短期负荷预测方法
CN112819256A (zh) * 2021-03-08 2021-05-18 重庆邮电大学 一种基于注意力机制的卷积时序房价预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11010559B2 (en) * 2018-08-30 2021-05-18 International Business Machines Corporation Multi-aspect sentiment analysis by collaborative attention allocation
CN109685314B (zh) * 2018-11-20 2021-10-29 中国电力科学研究院有限公司 一种基于长短期记忆网络的非侵入负荷分解方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200074274A1 (en) * 2018-08-28 2020-03-05 Beijing Jingdong Shangke Information Technology Co., Ltd. System and method for multi-horizon time series forecasting with dynamic temporal context learning
CN110889545A (zh) * 2019-11-20 2020-03-17 国网重庆市电力公司电力科学研究院 一种电力负荷预测方法、装置及可读存储介质
CN111191841A (zh) * 2019-12-30 2020-05-22 润联软件系统(深圳)有限公司 一种电力负荷预测方法、装置、计算机设备及存储介质
CN111652225A (zh) * 2020-04-29 2020-09-11 浙江省北大信息技术高等研究院 基于深度学习的非侵入式摄像读取方法及系统
CN112529283A (zh) * 2020-12-04 2021-03-19 天津天大求实电力新技术股份有限公司 基于注意力机制的综合能源系统短期负荷预测方法
CN112819256A (zh) * 2021-03-08 2021-05-18 重庆邮电大学 一种基于注意力机制的卷积时序房价预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张顺淼等: "基于注意力机制与ConvBiLSTM的非侵入式负荷分解", 《福建工程学院学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113553988A (zh) * 2021-08-03 2021-10-26 同济大学 一种基于复数神经网络和注意力机制的模拟信号识别方法
CN113890024A (zh) * 2021-09-30 2022-01-04 清华大学 一种非侵入式负荷智能分解和优化控制方法
CN114676787A (zh) * 2022-04-08 2022-06-28 浙江大学 一种基于BiLSTM-CRF算法的非侵入式负荷识别方法

Also Published As

Publication number Publication date
WO2022241932A1 (zh) 2022-11-24

Similar Documents

Publication Publication Date Title
CN113177666A (zh) 一种基于非侵入式注意力预处理过程与BiLSTM模型的预测方法
CN110084221B (zh) 一种基于深度学习的带中继监督的序列化人脸关键点检测方法
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN110348632A (zh) 一种基于奇异谱分析和深度学习的风电功率预测方法
CN114595874B (zh) 一种基于动态神经网络的超短期电力负荷预测方法
CN108876044B (zh) 一种基于知识增强神经网络的线上内容流行度预测方法
CN115146700B (zh) 一种基于Transformer序列到序列模型的径流预测方法
CN114282443A (zh) 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法
CN117094451B (zh) 一种耗电量的预测方法、装置及终端
CN114781744A (zh) 基于编码解码器的深度学习多步长辐照度预测方法
CN115017826A (zh) 一种装备剩余使用寿命预测方法
CN115456287A (zh) 一种基于长短时记忆网络的综合能源系统多元负荷预测方法
CN112149355A (zh) 基于半监督动态反馈堆栈降噪自编码器模型的软测量方法
CN112580848A (zh) 一种基于pt-lstm的时间序列预测系统与方法
CN114298290A (zh) 一种基于自监督学习的神经网络编码方法及编码器
CN113435321A (zh) 一种主轴轴承状态评估方法、系统、设备及可读存储介质
CN116596150A (zh) 基于多分支自注意力的Transformer霍克斯过程模型的事件预测方法
CN116579505A (zh) 一种无全寿命周期样本的机电设备跨域剩余寿命预测方法及系统
CN116975645A (zh) 一种基于vae-mrcnn的工业过程软测量建模方法
CN116007937A (zh) 一种机械设备传动部件智能故障诊断方法及装置
CN115204362A (zh) 一种机械设备剩余寿命区间预测方法
CN110942831A (zh) 基于自注意力机制的孕期数据建模方法
CN116843012A (zh) 一种融合个性化上下文和时域动态特征的时序预测方法
CN116628444A (zh) 一种基于改进元学习的水质预警方法
CN109146191B (zh) 一种基于泛蕴涵模型的短期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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210727

RJ01 Rejection of invention patent application after publication