CN113254857A - 一种基于ssa-elm的短期电力负荷预测方法 - Google Patents
一种基于ssa-elm的短期电力负荷预测方法 Download PDFInfo
- Publication number
- CN113254857A CN113254857A CN202110461412.5A CN202110461412A CN113254857A CN 113254857 A CN113254857 A CN 113254857A CN 202110461412 A CN202110461412 A CN 202110461412A CN 113254857 A CN113254857 A CN 113254857A
- Authority
- CN
- China
- Prior art keywords
- elm
- power load
- ssa
- model
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 241000287127 Passeridae Species 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000002431 foraging effect Effects 0.000 claims 4
- 239000011159 matrix material Substances 0.000 claims 3
- 244000062645 predators Species 0.000 claims 3
- 230000006399 behavior Effects 0.000 claims 2
- 238000005265 energy consumption Methods 0.000 claims 1
- 230000002068 genetic effect Effects 0.000 claims 1
- 235000003642 hunger Nutrition 0.000 claims 1
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于SSA‑ELM的短期电力负荷预测方法,首先对电力负荷样本数据进行归一化处理;然后建立ELM模型并利用SSA算法优化ELM的初始权值和阈值,利用归一化后的样本数据训练优化后的ELM模型;然后采用优化后的ELM模型对新的样本数据进行预测;最后对预测的结果进行反归一化处理,得到最终的短期电力负荷预测结果。本发明可有效的应用于短期电力负荷预测,具有良好的预测精度和稳定性。
Description
技术领域
本发明涉及短期电力负荷预测领域,特别是一种基于SSA-ELM的短期电力负荷预测方法。
背景技术
随着我国经济的快速发展,能源行业面临着巨大的压力,电能作为能源系统的重要组成部分之一,对其进行合理的利用和规划已经成为供配电等部门的重要课题之一。在电力系统内部,根据短期电力负荷的预测结果可以对供配电部门及时的应对紧急的电力事故,并合理的满足社会各单位的需求。在城市电网的运营过程中,若电力调度部门不能准确预测出未来时刻的负荷值,可能会造成电力系统内部设备利用率降低、社会各单位的用电量短缺和能源的浪费。
由于电力负荷与经济、天气、节假日等多种影响因素之间存在着复杂的非线性关系,而且各因素之间存在很强的相关性,在建模过程中会降低建模精度,增加计算复杂度。传统方法难以捕捉电力负荷变化规律,因此预测精度较低。
说明内容
本发明的目的是提出一种基于SSA-ELM的短期电力负荷预测方法,可有效的应用于短期电力负荷负荷预测,具有良好的预测精度和稳定性。
本发明采用以下方案实现:一种基于SSA-ELM的短期电力负荷预测方法,具体包括以下步骤:
对电力负荷样本数据进行归一化处理;
建立ELM模型并利用SSA算法优化ELM的初始权值和阈值,利用归一化后的样本数据训练优化后的ELM模型;
采用优化后的ELM模型对新的样本数据进行预测;
对预测的结果进行反归一化处理,得到最终的短期电力负荷预测结果。
进一步地,所述电力负荷样本数据xt包括五个输入变量:
进一步地,所述建立ELM模型并利用SSA算法优化ELM的初始权值和阈值,利用归一化后的样本数据训练优化后的ELM模型具体为:
构造SSA算法的适应度函数,即确定优化目标函数:
式中,yi为第i个归一化电力负荷实际值,为第i个通过ELM模型预测的归一化电力负荷预测值,设定约束条件:设隐含层与输出层间的连接权值为β,隐含层神经元的阈值b;设隐含层神经元的激活函数为f(x),输出target t和输入有如下关系:
步骤S12:初始化,麻雀搜索优化算法SSA;
步骤S13:运行麻雀搜索优化算法SSA;
步骤S14:通过SSA算法优化ELM模型的连接权值β和隐含层神经元的阈值b;
步骤S15:采用归一化后的样本数据训练ELM模型并对比模型训练结果;
步骤S16:当满足目标函数或者达到迭代次数时输出连接权值β和隐含层神经元的阈值b,否则返回步骤S13.
一种基于SSA-ELM的短期电力负荷预测方法在计算机程序上运行,其特征在于,所述处理器在执行所述计算机程序时,实现如权利要求1-3任一项所述方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-3任一项所述方法的步骤。
与现有技术相比,本发明有以下有益效果:本发明的方法训练集拟合效果明显优于传统算法,提高了训练集数据点的利用率,有利于提高模型预测精度,并且利用SSA算法优化了ELM算法中初始权值和阈值,在此基础上建立的短期电力负荷预测模型比起ELM预测模型,具有更强的学习能力,并且减小了建模结果的随机性,提高了建模精度和可靠性。
附图说明
图1为本发明步骤流程图。
图2为本发明实施例的ELM与SAA-ELM平均绝对百分误差结果对比图。
图3为本发明实施例的ELM与SAA-ELM短期电力负荷预测结果对比图
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
如图1所示,本实施例提供了一种基于SSA-ELM的短期电力负荷预测方法,具体包括以下步骤:
对电力负荷样本数据进行归一化处理;
建立ELM模型并利用SSA算法优化ELM的初始权值和阈值,利用归一化后的样本数据训练优化后的ELM模型;
采用优化后的ELM模型对新的样本数据进行预测;
对预测的结果进行反归一化处理,得到最终的短期电力负荷预测结果
所述短期电力负荷样本数据xt包括五个输入变量:
较佳的,样本数据归一化处理。为了规避出现计算饱和现象以及减少变量差异较大对模型性能的影响,充分发挥预测模型的功能,提高其预测精度,需对训练样本数根据下式进行归一化处理:
式中,T为目标数据;Tmax为目标数据的最大值;Tmin目标数据的最小值;Xmax为样本数据中最大值;Xmin样本数据中最小值;X为原始样本数据。[0042]在本实施例中,所述建立ELM模型并利用SSA算法优化ELM的初始权值和阈值,利用归一化后的样本数据训练优化后的ELM模型具体为:
构造SSA算法的适应度函数,即确定优化目标函数:
式中,yi为第i个归一化电力负荷实际值,为第i个通过ELM模型预测的归一化电力负荷预测值,设定约束条件:设隐含层与输出层间的连接权值为β,隐含层神经元的阈值b;设隐含层神经元的激活函数为f(x),输出target t和输入有如下关系:
步骤S12:初始化,麻雀搜索优化算法SSA;
步骤S13:运行麻雀搜索优化算法SSA;
步骤S14:通过SSA算法优化ELM模型的连接权值β和隐含层神经元的阈值b;
步骤S15:采用归一化后的样本数据训练ELM模型并对比模型训练结果;
步骤S16:当满足目标函数或者达到迭代次数时输出连接权值β和隐含层神经元的阈值b,否则返回步骤S13。
本实施例还提供了一种基于SSA-ELM的短期电力负荷预测方法在计算机程序上运行,其特征在于,所述处理器在执行所述计算机程序时,实现如权利要求1-3任一项所述方法的步骤。
本实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-3任一项所述方法的步骤。
特别的,为了更一步验证本实施例所建立的SSA-ELM短期电力负荷预测模型,选取了第九届电工数学建模竞赛中的A题提供的电力系统短期电力负荷数据进行实例分析。该数据记录了国内某地区从2009年1月1日至2012年1月10日的电力负荷数据,时间间隔为15min,即每日有96个负荷采集点,量纲为MW。并且还记录了该地区相对应的气象因素数据,选取了电力负荷共2000组数据,其中1900组作为训练样本,100组作为测试样本。
由于极限学习机的学习性能和泛化性能受到初始权值和阈值的影响,为避免主观经验选取的盲目性,本实施例采用SSA算法对ELM的参数进行寻优,其中隐含层个数100,种群个数取50,最大迭代次数取50,优化后的参数为LW=20,满足预测模型对精度和稳定性的要求。
为了更加直观地分析模型的预测结果,除了建立基于SSA-ELM短期电力负荷预测模型,还同时建立了传统的BP模型和ELM模型对短期电力负荷进行预测,将负荷训练样本分别带入BP模型、ELM模型和SSA-ELM模型,可得三种预测模型训练拟合结果对比图如图2所示;再基于三种模型训练结果,将电力负荷预测样本输入三种预测模型,可得三种模型预测结果如图3所示。
从图2可以看出,这三种模型的预测结果大致都能反映短期电力负荷的变化趋势,这体现了基于神经网络理论的BP神经网络和极限学习机对于非线性系统建模的可行性。但从2和图3能够看出,BP的训练精度虽然较高,但用于电力负荷预测时,模型的跟踪效果不佳,并且与本实施例的SSA-ELM模型相比而言,BP和ELM模型中有个别样本点的预测值偏差较大,为了进一步从整体上评价上述三种预测模型的预测精度与抗干扰能力,本实施例采用三个性能指标对三个预测模型的性能进行了评估,分别是平均绝对误差(MAE),均方根误差(RMSE)以及平均相对误差(MRE),性能指标定义如下式:
模型 | MAE(MW) | RMSE(MW) | MAPE(%) |
BP | 28.2123 | 38.0918 | 0.39715 |
ELM | 24.8963 | 32.9046 | 0.33836 |
SSA-ELM | 23.5861 | 29.7843 | 0.30786 |
从上表的性能指标计算结果可以看出,本实施例提出的SSA-ELM模型预测的平均绝对误差(MAE),均方根误差(RMSE)和平均相对百分误差(MAPE)与传统的BP神经网络短期电力负荷预测模型预测结果相比,分别降16.4%,21.8%和22.5%;比起ELM短期电力负荷预测模型预测结果,分别降低了5.26%,9.48%和9.01%;从三种模型的三个性能指标计算结果分析可知,本实施例提出的SSA-ELM模型的三个性能指标均比其余两个模型明显下降,表明了本实施例方法有效地提高了模型抗干扰能力,消除了预测的随机性,缩小了预测值的偏差,大大改善了预测的可靠性。综上所述,本实施例基于SSA-ELM短期电力负荷模型具有更高的预测精度和预测稳定性,泛化性能也得到了显著提高,更适合应用于短期电力负荷预测。
本申请是参照根据本申请实施例的方法、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (5)
1.一种基于SSA-ELM的短期电力负荷预测方法,其特征在于,包括以下步骤:
对电能耗样本数据进行归一化处理;
建立ELM模型并利用SSA算法优化ELM的初始权值和阈值,利用归一化后的样本数据训练优化后的ELM模型;
采用优化后的ELM模型对新的样本数据进行预测;
对预测的结果进行反归一化处理,得到最终的电力负荷预测结果。
3.根据权利要求1所述的一种基于SSA-ELM的短期电力负荷预测方法,其特征在于,所述建立ELM模型并利用SSA算法优化ELM的的初始权值和阈值,利用归一化后的样本数据训练优化后的ELM模型具体为:
步骤S11:建立ELM模型,令ELM模型的输入为t时刻的温度ct、湿度降雨量p;前一小时的电力负荷yt-1;前两小时的电力负荷yt-2。令ELM模型的输出为t时刻的电力负荷预测值构造SSA算法的适应度函数,即确定优化目标函数:
式中,yi为第i个归一化电力负荷实际值,为第i个通过ELM模型预测的归一化电力负荷预测值,设定约束条件:设隐含层与输出层间的连接权值为β,隐含层神经元的阈值b;设隐含层神经元的激活函数为f(x),输出target t和输入有如下关系:
引入遗传算法具体步骤如下:
(1)其中n表示麻雀的数量,在SSA中,适应度值较好的生产者在搜索过程中优先获取食物。此外,因为发现者负责为整个麻雀种群寻找食物并为所有加入者提供觅食的方向。因此,发现者可以获得比加入者更大的觅食搜索范围。在每次迭代中,发现者的位置更新如下:
其中,t代表当前迭代数,itemmax是一个常数,表示最大的迭代次数。Xi,j表示第i个麻雀在第j维中的位置信息。α∈(0,1]是一个随机数。
R2(R2∈[0,1])ST(ST∈[0.5,1])分别表示预警值和安全值。Q是服从正态分布的随机数。L表示一个1×d的矩阵,其中该矩阵内每个元素全部为1。当R2<ST时,这意味着此时的觅食环境周围没有捕食者,发现者可以执行广泛的搜索操作。当R2≥ST,这表示种群中的一些麻雀已经发现了捕食者,并向种群中其它麻雀发出了警报,此时所有麻雀都需要迅速飞到其它安全的地方进行觅食。
(2)加入者(追随者)的位置更新描述如下:
其中,Xp是目前发现者所占据的最优位置,Xworst则表示当前全局最差的位置。A表示一个1×d的矩阵,其中每个元素随机赋值为1或-1,并且A+=AT(AAT)-1。当i>n/2时,这表明,适应度值较低的第i个加入者没有获得食物,处于十分饥饿的状态,此时需要飞往其它地方觅食,以获得更多的能量。
(3)当意识到危险时,麻雀种群会做出反捕食行为,其数学表达式如下:
其中,其中Xbest是当前的全局最优位置。β作为步长控制参数,是服从均值为0,方差为1的正态分布的随机数。K∈[-1,1]是一个随机数,fi则是当前麻雀个体的适应度值。
fg和fw分别是当前全局最佳和最差的适应度值。ε是最小的常数,以避免分母出现零。为简单起见,当fi>fg表示此时的麻雀正处于种群的边缘,极其容易受到捕食者的攻击。fi=fg时,这表明处于种群中间的麻雀意识到了危险,需要靠近其它的麻雀以此尽量减少它们被捕食的风险。K表示麻雀移动的方向同时也是步长控制参数.
获得最优权值和阈值的步骤为:根据Step5中的过程计算目标函数的最优解;
步骤S12:初始化,麻雀搜索优化算法SSA;
步骤S13:运行麻雀搜索优化算法SSA;
步骤S14:通过SSA算法优化ELM模型的连接权值β和隐含层神经元的阈值b;
步骤S15:采用归一化后的样本数据训练ELM模型并对比模型训练结果;
步骤S16:当满足目标函数或者达到迭代次数时输出连接权值β和隐含层神经元的阈值b,否则返回步骤S13。
4.一种基于SSA-ELM的短期电力负荷预测方法在计算机程序上运行,其特征在于,所述处理器在执行所述计算机程序时,实现如权利要求1-3任一项所述方法的步骤。
5.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-3任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110461412.5A CN113254857A (zh) | 2021-04-27 | 2021-04-27 | 一种基于ssa-elm的短期电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110461412.5A CN113254857A (zh) | 2021-04-27 | 2021-04-27 | 一种基于ssa-elm的短期电力负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113254857A true CN113254857A (zh) | 2021-08-13 |
Family
ID=77221874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110461412.5A Pending CN113254857A (zh) | 2021-04-27 | 2021-04-27 | 一种基于ssa-elm的短期电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113254857A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962458A (zh) * | 2021-10-20 | 2022-01-21 | 江南大学 | 基于蜉蝣优化算法的短期负荷预测系统及方法 |
CN113962458B (zh) * | 2021-10-20 | 2024-06-07 | 江南大学 | 基于蜉蝣优化算法的短期负荷预测系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106997495A (zh) * | 2017-04-13 | 2017-08-01 | 云南电网有限责任公司电力科学研究院 | 一种电力负荷预测方法 |
CN108647824A (zh) * | 2018-05-10 | 2018-10-12 | 广东工业大学 | 一种电价超短期预测方法 |
CN110009140A (zh) * | 2019-03-20 | 2019-07-12 | 华中科技大学 | 一种日电力负荷预测方法及预测装置 |
CN110610275A (zh) * | 2019-09-18 | 2019-12-24 | 福州大学 | 一种基于acqpso-elm的变风量空调负荷预测方法及系统 |
CN110728401A (zh) * | 2019-10-10 | 2020-01-24 | 郑州轻工业学院 | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 |
CN112183849A (zh) * | 2020-09-25 | 2021-01-05 | 贵州乌江水电开发有限责任公司 | 一种基于人工神经网络的短期电力电量预测方法 |
-
2021
- 2021-04-27 CN CN202110461412.5A patent/CN113254857A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106997495A (zh) * | 2017-04-13 | 2017-08-01 | 云南电网有限责任公司电力科学研究院 | 一种电力负荷预测方法 |
CN108647824A (zh) * | 2018-05-10 | 2018-10-12 | 广东工业大学 | 一种电价超短期预测方法 |
CN110009140A (zh) * | 2019-03-20 | 2019-07-12 | 华中科技大学 | 一种日电力负荷预测方法及预测装置 |
CN110610275A (zh) * | 2019-09-18 | 2019-12-24 | 福州大学 | 一种基于acqpso-elm的变风量空调负荷预测方法及系统 |
CN110728401A (zh) * | 2019-10-10 | 2020-01-24 | 郑州轻工业学院 | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 |
CN112183849A (zh) * | 2020-09-25 | 2021-01-05 | 贵州乌江水电开发有限责任公司 | 一种基于人工神经网络的短期电力电量预测方法 |
Non-Patent Citations (2)
Title |
---|
JANKAI XUE 等: "A novel swarm intelligence optimization approach:sparrow search algorithm", Retrieved from the Internet <URL:《https://baike.baidu.com/reference/49735775/b818hTmAf_CzBxnJQgDxn41jC5heU4XgmFQG9-GvNsJmVK8GoSSqV9URJ0uduJPtqDBOreIqo581W81CpG1Ek8cSMpuOXADSauw》> * |
智能算法研学社(JACK旭: "基于麻雀搜索算法的极限学习机(ELM)回归预测-附代码", Retrieved from the Internet <URL:《https://blog.csdn.net/u011835903/article/details/111073635》> * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962458A (zh) * | 2021-10-20 | 2022-01-21 | 江南大学 | 基于蜉蝣优化算法的短期负荷预测系统及方法 |
CN113962458B (zh) * | 2021-10-20 | 2024-06-07 | 江南大学 | 基于蜉蝣优化算法的短期负荷预测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ke et al. | Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network | |
CN112116144B (zh) | 一种区域配电网短期负荷预测方法 | |
CN112733462B (zh) | 一种结合气象因素的超短期风电场功率预测方法 | |
CN109948845A (zh) | 一种配电网负荷长短期记忆神经网络预测方法 | |
CN112215442B (zh) | 电力系统短期负荷预测方法、系统、设备及介质 | |
KR20200034023A (ko) | 열·공조 시스템에 대한 수요 반응 결정 모델을 생성하는 방법 및 수요 반응을 수행하기 위한 방법 | |
CN112465256A (zh) | 一种基于Stacking模型融合的楼宇用电量预测方法和系统 | |
CN113887801A (zh) | 建筑冷负荷预测方法、系统、设备及可读存储介质 | |
Alamin et al. | An Artificial Neural Network (ANN) model to predict the electric load profile for an HVAC system | |
Kaboli et al. | An expression-driven approach for long-term electric power consumption forecasting | |
CN116186548B (zh) | 电力负荷预测模型训练方法及电力负荷预测方法 | |
Shaikh et al. | A new approach to seasonal energy consumption forecasting using temporal convolutional networks | |
CN114066071A (zh) | 一种基于能耗的电力参数优化方法、终端设备及存储介质 | |
CN112884238A (zh) | 光伏发电功率预测方法及装置 | |
CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
CN113177673B (zh) | 一种空调冷负荷预测优化方法、系统及设备 | |
Nezzar et al. | Mid-long term Algerian electric load forecasting using regression approach | |
CN113254857A (zh) | 一种基于ssa-elm的短期电力负荷预测方法 | |
CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及系统 | |
Wang et al. | Rolling forecast nature gas spot price with back propagation neural network | |
CN115907131A (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
Jovova et al. | Air pollution forecasting using CNN-LSTM deep learning model | |
CN114511078A (zh) | 基于多策略麻雀搜索算法的bp神经网络预测方法及装置 | |
CN113723670A (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
CN113191526A (zh) | 一种基于随机敏感度的短期风速区间多目标优化预测方法及系统 |
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 |