CN113205174B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113205174B CN113205174B CN202110313318.5A CN202110313318A CN113205174B CN 113205174 B CN113205174 B CN 113205174B CN 202110313318 A CN202110313318 A CN 202110313318A CN 113205174 B CN113205174 B CN 113205174B
- Authority
- CN
- China
- Prior art keywords
- neural network
- peak load
- model
- historical
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003062 neural network model Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 6
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 8
- 238000009825 accumulation Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 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
- 210000002569 neuron Anatomy 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/08—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
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种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,通过对采集的某地区夏季历史气象、历史日峰荷和时间数据进行预处理,以时间、历史气象、历史日峰荷为输入特征生成初始训练特征向量;利用输入特征对夏季峰荷预测影响的差异性,构建三分支特征解耦深度神经网络预测模型;根据训练特征向量进行模型训练和参数调优,确定待预测的输入特征向量及模型参数;利用训练好的特征解耦深度神经网络模型对待预测集合样本的特征向量进行夏季峰荷预测。本发明的夏季峰荷预测方法可以有效反应气象的积累效应,从而有效提高电力系统夏季日峰荷的预测精度。
Description
技术领域
本发明涉及智能电网技术领域,尤其是电力系统负荷预测,具体而言涉及一种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。
背景技术
负荷预测对于电力系统的规划运行、管理运营、市场交易等方面具有重要意义。在日负荷曲线中,峰值是电力部门最为关心的数据。特别是在夏季,负荷功率幅值处于一年中的高位水平,日峰荷与电网安全稳定运行之间具有密切联系。
夏季气象对负荷的影响具有累积迟滞效应,使得负荷与气象之间呈现一种复杂的非线性关系,对预测造成不利影响。现有的峰荷预测方法,主要是应用修正公式或者模糊推理系统描述积累效应,并对预测模型的气象输入进行相应修正以提高预测精度。然而,累积效应是一种复杂的非线性关系,难以被直接量化。而修正公式本质上类似于一种简化方法,且公式的形式依赖于人工经验来确定。
现有技术文献:
专利文献1:CN111598303A一种基于气象成分分解的夏季短期负荷预测方法
专利文献2:CN111160659A一种考虑温度模糊化的电力负荷预测方法
专利文献3:CN110991750A基于神经网络的短期电力负荷预测方法
专利文献4:CN109767037A一种夏季日最大负荷的预测方法
发明内容
针对现有技术存在的缺陷与不足,本发明目的在于提供一种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,从模型结构上对时间、气象、历史峰荷三种输入特征进行解耦处理,可以有效反应气象的积累效应,从而有效提高电力系统夏季日峰荷的预测精度。
根据本发明目的的第一方面提出一种基于特征解耦深度神经网络模型的夏季峰荷预测方法,包括以下步骤:
步骤1、采集预测地区历史夏季数据,包括历史气象数据、历史日峰荷数据以及时间数据,并对历史数据进行预处理;
步骤2、对预处理后的历史数据进行特征提取,生成以时间、历史气象、历史日峰荷为输入特征的训练特征向量ptime、pclimate和pload;
步骤3、利用训练特征向量ptime、pclimate和pload进行模型训练,构建三分支特征解耦深度神经网络预测模型,其中气象特征和峰荷特征均输入隐藏层为长短记忆神经网络(LSTM)神经网络分支,时间特征则输入全连接层神经网络分支;三分支进行拼接后接入全连接层,生成初始的三分支特征解耦深度神经网络预测模型;
步骤4、根据训练特征向量进行模型训练和参数调优,确定最终的三分支特征解耦深度神经网络预测模型的结构与参数;
步骤5、针对预测地区的夏季负荷峰值预测,取预测地区的月份数据输入步骤4的三分支特征解耦深度神经网络预测模型,采用多步迭代预测,输出夏季峰荷预测结果。
优选地,以时间、历史气象、历史日峰荷为输入特征,生成训练特征向量,对于预测的t日的峰荷值,时间、历史气象和历史日峰荷输入特征向量ptime、pclimate和pload的构建如下:
ptime=[Yt Mt Ht Wt];
其中,Yt和Mt表示t日的年份和月份;Ht表示t日是否节假日,1为节假日,0为非节假日;Wt表示t日是否工作日,0为工作日,1为周六,2为周日;Tt-n和Ht-n表示距t日n日前的温度和相对湿度;Lt-k表示距t日k日前的日峰荷值。
优选地,在所述步骤3中,初始的三分支特征解耦深度神经网络预测模型的构建包括以下步骤:
以独热编码格式的年份、月份、是否节假日和工作日作为输入特征,将其输入全连接层,后接一个一维全连接层,构建时间分支;
将每日的温度与相对湿度组成二维特征向量,作为输入特征,将其输入长短记忆神经网络(LSTM)隐藏层,后接一个一维全连接层,构建气象分支;
将历史每日的峰荷数据作为输入特征,将其输入长短记忆神经网络(LSTM)隐藏层,后接一个一维全连接层,构建负荷分支;
将三个分支进行拼接,后接一个全连接层,构建初始的三分支特征解耦深度神经网络预测模型。
优选地,模型训练和参数调优过程中,采用特征解耦深度神经网络夏季峰荷预测模型的模型结构,在保证模型学习曲线稳定收敛的前提下,循环多次改变输入特征向量中的n和k值以及神经网络结构和参数,以验证损失最小化为目标逐步训练模型,并确定n和k的最优值以及最终的模型结构和参数;
其中,损失评价指标采用平均绝对百分比误差MAPE,MAPE表达式如下:
根据本发明第二方面的改进,还提出一种基于特征解耦深度神经网络模型的夏季峰荷预测系统,包括:
用于采集预测地区历史夏季数据,并对历史数据进行预处理的模块;包括历史气象数据、历史日峰荷数据以及时间数据,
用于对预处理后的历史数据进行特征提取,生成以时间、历史气象、历史日峰荷为输入特征的训练特征向量ptime、pclimate和pload的模块;
用于利用训练特征向量ptime、pclimate和pload进行模型训练,构建三分支特征解耦深度神经网络预测模型的模块,其中气象特征和峰荷特征均输入隐藏层为长短记忆神经网络(LSTM)神经网络分支,时间特征则输入全连接层神经网络分支;三分支进行拼接后接入全连接层,生成初始的三分支特征解耦深度神经网络预测模型;
用于根据训练特征向量进行模型训练和参数调优,确定最终的三分支特征解耦深度神经网络预测模型的结构与参数的模块;
用于针对预测地区的夏季负荷峰值预测,取预测地区的月份数据输入最终输出的三分支特征解耦深度神经网络预测模型,采用多步迭代预测,输出夏季峰荷预测结果的模块。
根据本发明第二方面的改进,还提出一种基于特征解耦深度神经网络模型的夏季峰荷预测系统,包括:
一个或多个处理器;
存储器,存储可被操作的指令,所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作,所述操作包括执行前述基于特征解耦深度神经网络模型的夏季峰荷预测处理的过程。
由以上本发明的技术方案,与现有技术相比,其显著的有益效果在于:
本发明建立了一种三分支特征解耦深度神经网络模型用于夏季峰荷预测,从模型结构上对时间、气象、历史峰荷三种输入特征进行解耦处理。其中,气象分支仅以气象相关特征为输入,并采用长短记忆神经网络(LSTM)提取当前气象与历史气象之间的深层特征,可以有效反应气象的积累效应,从而有效提高电力系统夏季日峰荷的预测精度。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1为本发明基于三分支特征解耦深度神经网络模型的夏季峰荷预测方法的流程图;
图2为本发明的三分支特征解耦深度神经网络模型的模型结构图;
图3为本发明所提方法实施例的夏季峰荷预测结果示意;
图4位本发明所提方法实施例中气象分支输出相对于温度的散点图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
结合图1、2所示,根据本发明示例性实施例的基于特征解耦深度神经网络模型的夏季峰荷预测方法,包括以下步骤:
步骤1、采集预测地区历史夏季数据,包括历史气象数据、历史日峰荷数据以及时间数据,并对历史数据进行预处理;
步骤2、对预处理后的历史数据进行特征提取,生成以时间、历史气象、历史日峰荷为输入特征的训练特征向量ptime、pclimate和pload;
步骤3、利用训练特征向量ptime、pclimate和pload进行模型训练,构建三分支特征解耦深度神经网络预测模型,其中气象特征和峰荷特征均输入隐藏层为长短记忆神经网络(LSTM)神经网络分支,时间特征则输入全连接层神经网络分支;三分支进行拼接后接入全连接层,生成初始的三分支特征解耦深度神经网络预测模型;
步骤4、根据训练特征向量进行模型训练和参数调优,确定最终的三分支特征解耦深度神经网络预测模型的结构与参数;
步骤5、针对预测地区的夏季负荷峰值预测,取预测地区的月份数据输入步骤4的三分支特征解耦深度神经网络预测模型,采用多步迭代预测,输出夏季峰荷预测结果。
在具体的实现过程中,我们以某城市的电网历史气象和负荷数据为数据来源,更加具体的描述上述过程的实施。
优选地,对历史数据的预处理包括:
首先,利用三次插值法补全历史数据中的缺失数据;
然后,对时间数据采用独热编码进行数据转化处理,所述时间数据包括时间数据包括年份、月份、节假日和工作日;
最后,对历史气象数据、历史日峰荷数据进行归一化处理。
可选的实施例中,归一化处理的方式为:
式中x表示数据值,Xmin表示样本中的最小值,Xmax表示样本中的最大值。
优选地,以时间、历史气象、历史日峰荷为输入特征,生成训练特征向量,对于预测的t日的峰荷值,时间、历史气象和历史日峰荷输入特征向量ptime、pclimate和pload的构建如下:
ptime=[Yt Mt Ht Wt];
其中,Yt和Mt表示t日的年份和月份;Ht表示t日是否节假日,1为节假日,0为非节假日;Wt表示t日是否工作日,0为工作日,1为周六,2为周日;Tt-n和Ht-n表示距t日n日前的温度和相对湿度;Lt-k表示距t日k日前的日峰荷值。
在所述步骤3中,初始的三分支特征解耦深度神经网络预测模型的构建包括以下步骤:
以独热编码格式的年份、月份、是否节假日和工作日作为输入特征,将其输入全连接层,后接一个一维全连接层,构建时间分支;
将每日的温度与相对湿度组成二维特征向量,作为输入特征,将其输入长短记忆神经网络(LSTM)隐藏层,其中LSTM层的初始步长(time-step)设为7,后接一个一维全连接层,构建气象分支;
将历史每日的峰荷数据作为输入特征,将其输入长短记忆神经网络(LSTM)隐藏层,其中LSTM层的初始步长设为7,后接一个一维全连接层,构建负荷分支;
将三个分支进行拼接,后接一个全连接层,构建初始的三分支特征解耦深度神经网络预测模型,如图2所示的模型结构图。
在初始训练特征向量中,n和k的初始值分别为6和7。
优选地,在步骤4中,模型训练和参数调优过程中,采用特征解耦深度神经网络夏季峰荷预测模型的模型结构,在保证模型学习曲线稳定收敛的前提下,循环多次改变输入特征向量中的n和k值以及改变神经网络结构和参数,例如神经元个数、权重偏置参数,以验证损失最小化为目标逐步训练模型,并确定n和k的最优值以及最终的模型结构与参数。
其中,损失评价指标采用平均绝对百分比误差MAPE,MAPE表达式如下:
实施例中,三分支特征解耦深度神经网络预测模型的网络层参数如表1所示。且最终n和k的取值为3和7。
表1三分支特征解耦深度神经网络预测模型网络层参数
在步骤5中,采用多步迭代预测的过程包括,基于当前日期的输入特征,预测未来1~3个月的夏季日峰荷,下一步的预测值由上一步的预测值递推预测获得。
其中,采用多步迭代预测,即基于当前日期的输入特征,预测未来1~3个月的夏季日峰荷,下一步(日)的预测值由上一步的预测值递推预测获得。
例如,在针对某城市的电网历史气象和负荷数据的实施例中,对测试集中7月1日~8月26日的夏季日峰荷进行多步迭代预测,预测结果如图3所示。
对比支持向量机预测模型(SVM)、极限梯度提升预测模型(XGBoost)和普通的LSTM峰荷预测模型,各自的预测误差如表2所示。可见,本发明所述三分支特征解耦深度神经网络预测模型误差最小,精度最高。
表2不同模型预测误差对比
为了说明本发明所述三分支特征解耦深度神经网络预测模型对气象积累效应的处理效果,如图4所示的特征解耦预测模型中气象分支的输入(温度)-输出散点图。对比可见,分支输出与预测日温度间的关系具有明显的规律性,即当温度逐渐超过人的舒适温度范围后,气象分支输出缓慢增加;随着温度继续升高,气象分支输出快速增长;到一定高温时,由于负荷基本饱和,气象分支输出的变化又趋于平缓。因此,本发明提出的三分支特征解耦深度神经网络预测模型可有效反应气象积累效应,提高电力系统夏季日峰荷的预测精度。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (6)
1.一种基于特征解耦深度神经网络模型的夏季峰荷预测方法,其特征在于,包括以下步骤:
步骤1、采集预测地区历史夏季数据,包括历史气象数据、历史日峰荷数据以及时间数据,并对历史数据进行预处理;
步骤2、对预处理后的历史数据进行特征提取,生成以时间、历史气象、历史日峰荷为输入特征的训练特征向量ptime、pclimate和pload;
步骤3、利用训练特征向量ptime、pclimate和pload进行模型训练,构建三分支特征解耦深度神经网络预测模型,其中气象特征和峰荷特征均输入隐藏层为长短记忆神经网络(LSTM)的神经网络分支,时间特征则输入全连接层神经网络分支;三分支进行拼接后接入全连接层,生成初始的三分支特征解耦深度神经网络预测模型;
步骤4、根据训练特征向量进行模型训练和参数调优,确定最终的三分支特征解耦深度神经网络预测模型的结构与参数;
步骤5、针对预测地区的夏季负荷峰值预测,取预测地区的月份数据输入步骤4的三分支特征解耦深度神经网络预测模型,采用多步迭代预测,输出夏季峰荷预测结果;
其中,以时间、历史气象、历史日峰荷为输入特征,生成训练特征向量,对于预测的t日的峰荷值,时间、历史气象和历史日峰荷输入特征向量ptime、pclimate和pload的构建如下:
ptime=[Yt Mt Ht Wt];
其中,Yt和Mt表示t日的年份和月份;Ht表示t日是否节假日,1为节假日,0为非节假日;Wt表示t日是否工作日,0为工作日,1为周六,2为周日;Tt-n和Ht-n表示距t日n日前的温度和相对湿度;Lt-k表示距t日k日前的日峰荷值;
在所述步骤3中,初始的三分支特征解耦深度神经网络预测模型的构建包括以下步骤:
以独热编码格式的年份、月份、节假日和工作日作为输入特征,将其输入全连接层,后接一个一维全连接层,构建时间分支;
将每日的温度与相对湿度组成二维特征向量,作为输入特征,将其输入长短记忆神经网络(LSTM)隐藏层,后接一个一维全连接层,构建气象分支;
将历史每日的峰荷数据作为输入特征,将其输入长短记忆神经网络(LSTM)隐藏层,后接一个一维全连接层,构建负荷分支;
将三个分支进行拼接,后接一个全连接层,构建初始的三分支特征解耦深度神经网络预测模型。
2.根据权利要求1所述的基于特征解耦深度神经网络模型的夏季峰荷预测方法,其特征在于,对历史数据的预处理包括:
首先,利用三次插值法补全历史数据中的缺失数据;
然后,对时间数据采用独热编码进行数据转化处理,所述时间数据包括年份、月份、是否节假日、是否工作日;
最后,对历史气象数据、历史日峰荷数据进行归一化处理。
4.根据权利要求3所述的基于特征解耦深度神经网络模型的夏季峰荷预测方法,其特征在于,其中,n和k的初始值分别为6和7。
5.根据权利要求3所述的基于特征解耦深度神经网络模型的夏季峰荷预测方法,其特征在于,采用多步迭代预测的过程包括,基于当前日期的输入特征,预测未来1~3个月的夏季日峰荷,下一步的预测值由上一步的预测值递推预测获得。
6.一种基于特征解耦深度神经网络模型的夏季峰荷预测系统,其特征在于,包括:
一个或多个处理器;
存储器,存储可被操作的指令,所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作,所述操作包括执行所述权利要求1-5中任意一项的基于特征解耦深度神经网络模型的夏季峰荷预测方法的过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110313318.5A CN113205174B (zh) | 2021-03-24 | 2021-03-24 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110313318.5A CN113205174B (zh) | 2021-03-24 | 2021-03-24 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113205174A CN113205174A (zh) | 2021-08-03 |
CN113205174B true CN113205174B (zh) | 2022-09-02 |
Family
ID=77025571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110313318.5A Active CN113205174B (zh) | 2021-03-24 | 2021-03-24 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113205174B (zh) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
CN110232476B (zh) * | 2019-05-30 | 2021-12-03 | 华中科技大学 | 一种基于深度学习的微电网负荷预测方法 |
-
2021
- 2021-03-24 CN CN202110313318.5A patent/CN113205174B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113205174A (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027772B (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN109345027B (zh) | 基于独立成分分析与支持向量机的微电网短期负荷预测方法 | |
CN110598929B (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN112651543A (zh) | 一种基于vmd分解与lstm网络的日用电量预测方法 | |
Fan et al. | Multi-objective LSTM ensemble model for household short-term load forecasting | |
CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
CN114693334A (zh) | 基于CEEMD和ConvLSTM的碳价预测方法和系统 | |
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 | |
CN113177355A (zh) | 一种电力负荷预测方法 | |
CN116485443A (zh) | 一种电力现货市场价格信息预测优化方法及系统 | |
CN113191069B (zh) | 基于双分支深度学习模型的空调负荷估算方法与系统 | |
CN115713252A (zh) | 一种水风光储多能互补系统综合效益评估方案寻优方法 | |
CN112446550B (zh) | 一种短期建筑负荷概率密度预测方法 | |
CN116307173A (zh) | 一种消除天气影响的企业用电量的预测方法、装置及系统 | |
CN112308299B (zh) | 用于电力系统负荷预测模型的样本数据提取方法和装置 | |
Dou et al. | Adaptive Encoder-Decoder Model Considering Spatio-Temporal Features for Short-Term Power Prediction of Distributed Photovoltaic Station | |
CN117458489B (zh) | 一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法 | |
CN113743668B (zh) | 一种面向家庭用电的短期负荷预测方法 | |
CN116187497A (zh) | 一种基于混合神经网络的电力负荷预测方法 | |
Fu et al. | Optimal Energy Demand Forecasting for Systems by Improved Manta Ray Foraging Optimizer: A Case Study in Taiwan | |
Resheng et al. | Hyper-sphere support vector machine based on collaborative knowledge mining and SMO optimization in power load forecasting | |
CN117833216A (zh) | 基于混合神经网络的光伏电站发电功率预测方法及装置 | |
CN118094799A (zh) | 一种涡扇发动机不可测量参数估计方法、装置及存储介质 |
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 |