CN113312843A - 一种大型多变压器极限负载预测系统和装置 - Google Patents

一种大型多变压器极限负载预测系统和装置 Download PDF

Info

Publication number
CN113312843A
CN113312843A CN202110589792.0A CN202110589792A CN113312843A CN 113312843 A CN113312843 A CN 113312843A CN 202110589792 A CN202110589792 A CN 202110589792A CN 113312843 A CN113312843 A CN 113312843A
Authority
CN
China
Prior art keywords
time
denotes
transformer
decoder
load
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
CN202110589792.0A
Other languages
English (en)
Other versions
CN113312843B (zh
Inventor
李建欣
周号益
彭杰奇
张帅
王栋
朱天晨
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202110589792.0A priority Critical patent/CN113312843B/zh
Publication of CN113312843A publication Critical patent/CN113312843A/zh
Application granted granted Critical
Publication of CN113312843B publication Critical patent/CN113312843B/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
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • 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)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)

Abstract

本发明通过人工智能领域的方法，尤其是长序列时空预测领域，实现了一种大型多变压器极限负载预测系统。系统分为编码器和解码器两部分，所述编码器是使用结合了历史相关性信息的邻接矩阵数据以及加入了位置编码与额外编码的时序数据，并通过采用了邻近空间结构感知增强后的注意力机制，得到的时空特征表征经过多层编码器后输出至解码器；所述解码器是由非自回归预测器构成，使用一步推理这种高效的预测方式对未来一段时间内的多电网负载进行预测。在大型多变压器极限负载预测的工业场景下的落地。使用计算机的深度学习算法对大型多变压器的历史负载进行分析，并对未来一段时间内的极限负载进行预测，加强了模型在多电网负载长期预测中的能力。

Description

一种大型多变压器极限负载预测系统和装置
技术领域
本发明涉及时空序列预测领域，特别是长序列时空预测领域，尤其涉及一种大型多变压器极限负载预测系统和装置。
背景技术
电力系统的主要任务是为各类用户提供经济、可靠和高质量的电能，可随时满足用户的负载需求和负载特性的要求。为此，在整个电力系统规划设计、运行管理和电力市场交易中，必须对多电力变压器负载需求变化和负载特性有一个准确的预测。
电力变压器(尤其是油浸式电力变压器)作为电力系统中的核心设备，其运行负载直接影响着整条电网的输电能力，而不同区域的电网之间又存在影响与依赖关系。因此，多电力变压器负载预测作为电力系统调度、用电、计划、规划的重要工作，可以对发电提出预告，使得发电出力变化可以得到预先估计，经济合理的安排发电启动与停止，同时可以预测与防御事故，为电网的状态评估、安全预警等提供重要保障，而且在电力市场运营模式下，负载预测的精度也关系到电力部门的经济利益，它已成为现代化电力系统运行和管理中的一个重要领域。
当前，很多方法都是在有限的预测需求下设计的，例如预测两天或者更少的负载，亦或是单一变电站的预测而非多变电站的预测。其中更长的序列长度会使得模型的预测能力受到很大影响，而多变电站的预测考虑了复杂的空间相关性与依赖性，一方面预测误差越来越大，另一方面预测速度也会很慢；长期多变电站负载预测面临的主要挑战是提高预测能力，以满足日益增长的长序列需求，这就需要模型具有非凡的远程对齐能力，对长序列输入输出的高效操作能力以及能够有效捕捉空间的依赖性。
在最近的研究中，基于Transformer的模型在捕捉远程依赖关系方面表现出了优异的性能，其中自注意力机制可以讲网络信号的最大路径长度间小道理论最短的O(1),避免使用递归的结构，从而在该问题中表现出极大的潜力。在空间方面，则主要使用图卷积层作为图形结构表示和特征的提取，并使用控制信息流的门机制融入时序预测神经网络模型。但另一方面，自注意力机制的计算和内存开销是输入/输出长度L二次相关的，这导致资源的大量消耗，昂贵的训练和部署成本也使得模型难以解决实际的负载预测问题。
但用于时空序列预测的深度学习方法，无论是将时间信息融入基于图卷积神经网络的模型，还是将空间特征融入时序预测模型，都在解决长期时空负载预测问题时面临三点限制：
1)时间和空间维度的不同步传播影响预测准确度；
2)过高的计算开销；
3)预测长期负载时输出速度缓慢。
我们针对这三点问题做了深入探讨，在提出了新型注意力机制的同时，轻量化了解码器。提出了用于解决多电网负载长序列预测的方法，其试图解决其他深度学习方法在解决该问题时的上述弊病。
发明内容
为此，本发明首先提出一种大型多变压器极限负载预测系统，系统分为编码器和解码器两部分，编码器使用结合了历史相关性信息的邻接矩阵数据以及加入了位置编码与额外编码的时序数据，并对其进行特殊处理后，通过采用了邻近空间结构感知增强后的注意力机制，得到时空特征表征，然后经过多层编码器后输出至解码器；所述解码器是由非自回归预测器构成，使用一步推理这种简单高效的预测方式对未来一段时间内的多电网负载进行预测。
上面提到，编码器使用两种数据，一种是结合了历史相关信息的邻接矩阵数据，一种是加入了位置编码与额外编码的时序数据。对这两种数据，我们有如下特殊处理：
上述特殊处理为，对于邻接矩阵数据，我们将递归机制引入了邻接矩阵A的构建中，具体构建方式如下：
θ′＝SG(θc-1,τ)
Figure BDA0003088936060000021
Figure BDA0003088936060000022
其中，
Figure BDA0003088936060000023
表示松弛的邻接矩阵，
Figure BDA0003088936060000024
表示经过特殊处理后更新的邻接矩阵，α表示更新权重，θ表示特征图，下标c表示第c层，下标τ表示时序上的第τ个切片，SG[·]表示停止梯度，θ′θ′T表示上一个特征图结构的点积相似度，用于表示历史记录之间潜在联系的紧密程度，此过程能够将历史信息融入邻接矩阵中。
而在时序数据的输入处理上，除了运用标准编码器中的位置信息编码还在原本的时序数据中添加了额外的标记信息编码，用于代表春节等此类特殊时间信息。
所述增强后的注意力机制的具体定义如下：
Figure BDA0003088936060000031
Figure BDA0003088936060000032
其中
Figure BDA0003088936060000033
为上文提到的加入了历史信息的邻接矩阵，下标c表示第c层，上标h表示多头注意力机制中的分支h，v表示时空图的节点，q表示注意力机制中的查询，K和V则分别表示注意力机制中的键值矩阵和值矩阵，φ(·)为特征映射函数，ψ(·)表示elu激活函数。在空间这一维度上，由于节点的最近邻有效地共享了空间和时间维度的局部结构信息即邻近信息，所以我们选择了图卷积算子进行一阶近似的计算来捕获图结构中的空间信息。采用线性逼近注意力机制来捕捉长程依赖信息，相比于自注意力机制在时间复杂度上则有不小的提升，所以相应的在输入前加入elu激活函数来使输入数据满足线性逼近的要求。
所述解码器的一步推理预测方式具体为：
选择非自回归预测器作为时空长序列预测任务的解码器，使用可以调整到与输出长度一致的全连接层来一步生成预测结果，时间复杂度大大低于传统解码器。
本发明还包括一种大型多变压器极限负载预测装置，应用上述系统。
本发明所要实现的技术效果在于：
1、加强模型在多电网负载长期预测中的能力，高效捕捉输入多电站负载的长序列和预测多电站负载的长序列之间的时空依赖；
2、针对长序列多电站负载输入，提出一种改进后的注意力机制，实现同步捕捉时间与空间信息的远程依赖；
3、当负载输入序列过长时，使用线性逼近注意力机制，大大提高了编码器中注意力模块的计算速度；
4、使用轻量化的解码器进行多电网负载的长序列预测输出，大大提高预测速度，同时提供了微调的可能性，提高了系统的可扩展性与可移植性。
附图说明
图1系统整体架构；
图2编码器架构；
图3增强注意力机制架构；
具体实施方式
以下是本发明的优选实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于此实施例。
本发明提出了一种大型多变压器极限负载预测系统，系统按照处理过程分为两部分，一部分是基于改进后注意力机制的编码器，使用增强临近空间结构感知来同时提取时间与空间信息；另一部分是由非自回归的预测方式来构成轻量化的解码器，使得其能够快速对未来一段时间内的电网负载进行预测。
编码器
编码器是整个系统针对输入进行编码的模块，其设计目标是能够从长序列时序信息与多电站构成的图结构中提取鲁棒的长期依赖以及包含的空间信息，其架构图如图2所示。
首先是输入数据的处理，针对图数据的邻接矩阵A，我们对其进行了改进，为了使其能够包含时间演化的信息，我们将递归机制引入了邻接矩阵A的构建中，具体构建方式如下：
θ′＝SG(θc-1,τ)# (1)
Figure BDA0003088936060000041
Figure BDA0003088936060000042
其中SG[·]表示停止梯度，并且在公式(2)中θ′θ′T表示上一个特征图结构的点积相似度，用于表示历史记录之间潜在联系的紧密程度。接着将通过Relu函数消除弱连接并用Softmax函数将这样的相似度缩放以获得最终的邻接矩阵，这样我们便获得了结合历史信息的邻接矩阵。而在时序数据X的输入处理上，除了运用标准编码器中的位置信息编码还在原本的时序数据中添加了额外的标记信息编码，用于代表一些特殊的情况，例如假期的存在可能会影响电力的使用，这样的标记信息编码能够提高模型的鲁棒性。
在输入数据经过处理后，将通过增强后的注意力机制来捕捉其中时间与空间之间的关联，具体的改进机制将在下一节进行描述。得到了时空关联信息后，将上述数据与关联信息的求和与标准化，并经过一层前馈神经网络，最后得到学习后的时空特征表征。
增强后的注意力机制
作为本发明的核心部分，增强后的注意力机制的主要功能是捕捉数据中的时空关联。其架构如图3所示。
其主要是在传统的自注意力机制上进行了改进，在空间这一维度上，由于节点的最近邻有效地共享了空间和时间维度的局部结构信息即邻近信息，所以我们选择了图卷积算子进行一阶近似的计算来捕获图中的空间信息。标准的自注意力机制能够有效的捕捉长依赖信息，但是其计算量相对较大，经过实验发现线性逼近注意力机制在捕捉长依赖信息上与标准的自注意力机制有几乎相同的效果，在时间复杂度上则有不小的提升，所以我们选择通过线性逼近注意力机制来代替自注意力机制，相应的在输入前加入elu激活函数来使输入数据满足线性逼近的要求。最后增强后的注意力机制可以如下式进行定义：
Figure BDA0003088936060000051
Figure BDA0003088936060000052
其中
Figure BDA0003088936060000053
为上文提到的加入了历史信息的邻接矩阵,φ(·)为特征映射函数，ψ(·)表示elu激活函数。
解码器
在输入的时间特征数据与邻接矩阵数据通过多层编码器，并在其中的增强注意力机制作用下，捕获了时空信息的远程依赖后，我们选择非自回归预测器作为时空长序列预测任务的解码器，如图1中所示。与传统的动态解码的解码器相比，非自回归预测并不需要递归来生成一定长度的输出，由于最后的全链接层长度可以调整到与输出一致，所以在预测过程中仅需要一步即可产生预测结果，时间复杂度大大低于传统解码器。同时这样快速高效的解码器，使得在任务过程中参数的微调成为可能，大大提高了解码器的可扩展性，以及针对不同任务的可移植性。

Claims (5)

1.一种大型多变压器极限负载预测系统，其特征在于：系统分为编码器和解码器两部分，所述编码器是使用结合了历史相关性信息的邻接矩阵数据以及加入了位置编码与额外编码的时序数据，并对其进行特殊处理后，采用邻近空间结构感知增强后的注意力机制，得到时空特征表征，然后经过多层编码器后输出至解码器；所述解码器由非自回归预测器构成，使用一步推理预测方式预测得到未来一段时间内的多电网负载。
2.如权利要求1所述的一种大型多变压器极限负载预测系统，其特征在于：所述特殊处理为，将递归机制引入所述邻接矩阵的构建中，具体构建方式如下：θ′＝SG(θc-1，τ)
Figure FDA0003088936050000011
Figure FDA0003088936050000012
其中，
Figure FDA0003088936050000013
表示松弛的邻接矩阵，
Figure FDA0003088936050000014
表示经特殊处理后更新的邻接矩阵，α表示更新权重，θ表示特征图，下标c表示第c层，下标τ表示时序上的第τ个切片，SG[·]表示停止梯度，θ′θ′T表示上一个特征图结构的点积相似度，在时序数据的输入处理上，在运用标准编码器中的位置信息编码之外，也原本的时序数据中添加了额外的标记信息编码，用于代表特殊时间信息。
3.如权利要求2所述的一种大型多变压器极限负载预测系统，其特征在于：所述增强后的注意力机制的具体定义如下：
Figure FDA0003088936050000015
Figure FDA0003088936050000016
其中
Figure FDA0003088936050000017
为加入了历史信息的邻接矩阵，下标c表示第c层，上标h表示多头注意力机制中的分支h，v表示时空图的节点，q表示注意力机制中的查询，K和V则分别表示注意力机制中的键值矩阵和值矩阵，φ(·)为特征映射函数，ψ(·)表示elu激活函数。
4.如权利要求3所述的一种大型多变压器极限负载预测系统，其特征在于：所述一步推理预测方式为选择非自回归预测器作为时空长序列预测任务的解码器，使用可以调整到与输出长度一致的全连接层来一步生成预测结果。
5.一种大型变压器极限负载预测装置，其特征在于：应用如权利要求1-4中任一所述的一种大型多变压器极限负载预测系统。
CN202110589792.0A 2021-05-28 2021-05-28 一种大型多变压器极限负载预测系统和装置 Active CN113312843B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110589792.0A CN113312843B (zh) 2021-05-28 2021-05-28 一种大型多变压器极限负载预测系统和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110589792.0A CN113312843B (zh) 2021-05-28 2021-05-28 一种大型多变压器极限负载预测系统和装置

Publications (2)

Publication Number Publication Date
CN113312843A true CN113312843A (zh) 2021-08-27
CN113312843B CN113312843B (zh) 2022-12-30

Family

ID=77375886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110589792.0A Active CN113312843B (zh) 2021-05-28 2021-05-28 一种大型多变压器极限负载预测系统和装置

Country Status (1)

Country Link
CN (1) CN113312843B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114036823A (zh) * 2021-10-26 2022-02-11 天津大学 基于编解码和记忆机制的电力变压器负载控制方法及装置
CN114818515A (zh) * 2022-06-24 2022-07-29 中国海洋大学 一种基于自注意力机制和图卷积网络的多维时序预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080032A (zh) * 2019-12-30 2020-04-28 成都数之联科技有限公司 一种基于Transformer结构的负荷预测方法
CN112418409A (zh) * 2020-12-14 2021-02-26 南京信息工程大学 一种利用注意力机制改进的卷积长短期记忆网络时空序列预测方法
CN112801355A (zh) * 2021-01-20 2021-05-14 南京航空航天大学 基于长短期时空数据多图融合时空注意力的数据预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080032A (zh) * 2019-12-30 2020-04-28 成都数之联科技有限公司 一种基于Transformer结构的负荷预测方法
CN112418409A (zh) * 2020-12-14 2021-02-26 南京信息工程大学 一种利用注意力机制改进的卷积长短期记忆网络时空序列预测方法
CN112801355A (zh) * 2021-01-20 2021-05-14 南京航空航天大学 基于长短期时空数据多图融合时空注意力的数据预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HAOYI ZHOU 等: "Informer: Beyond efficient transformer for long sequence time-series forecasting", 《HTTPS://ARXIV.ORG/ABS/2012.07436》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114036823A (zh) * 2021-10-26 2022-02-11 天津大学 基于编解码和记忆机制的电力变压器负载控制方法及装置
CN114036823B (zh) * 2021-10-26 2024-05-10 天津大学 基于编解码和记忆机制的电力变压器负载控制方法及装置
CN114818515A (zh) * 2022-06-24 2022-07-29 中国海洋大学 一种基于自注意力机制和图卷积网络的多维时序预测方法

Also Published As

Publication number Publication date
CN113312843B (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
CN113312843B (zh) 一种大型多变压器极限负载预测系统和装置
CN116895157A (zh) 一种基于趋势时空图卷积的交通流量预测方法、系统及介质
Cao et al. UTrans-Net: A model for short-term precipitation prediction
CN116865261B (zh) 基于孪生网络的电力负荷预测方法及系统
CN114817773A (zh) 一种基于多级分解和融合的时序预测系统及方法
Li et al. Temporal attention based tcn-bigru model for energy time series forecasting
Bao et al. Short-term electricity price forecasting based on empirical mode decomposition and deep neural network
Xu et al. Multi‐Dimensional Attention Based Spatial‐Temporal Networks for Traffic Forecasting
CN115938112A (zh) 交通需求预测方法、系统、电子设备及计算机存储介质
Chen et al. Short-term traffic flow prediction of expressway based on Seq2seq model
Zhao et al. Enformer: Encoder-based sparse periodic self-attention time-series forecasting
Yimeng et al. A Prediction Method of 5G Base Station Cell Traffic Based on Improved Transformer Model
Chen et al. Research on load forecasting method of distribution transformer based on deep learning
Emarati et al. Application of hybrid neural networks combined with comprehensive learning particle swarm optimization to short-term load forecasting
Lin et al. SWSA transformer: a forecasting method of ultra-short-term wind speed from an offshore wind farm using global attention mechanism
Duong et al. Application of Seasonal Trend Decomposition using Loess and Long Short-Term Memory in Peak Load Forecasting Model in Tien Giang
Wang et al. An input sampling scheme to radar echo extrapolation for RNN-based models
Su et al. AGCNT: Adaptive Graph Convolutional Network for Transformer-based Long Sequence Time-Series Forecasting
Choi et al. Deep Learning-Based Multi-Horizon forecasting for automated material handling system throughput in semiconductor Fab
CN118298327B (zh) 一种基于Mamba的北极海冰密集度预测方法
Tian et al. A Review of Time Series Prediction Methods Based on Deep Learning
CN117833243B (zh) 一种电力短期需求预测方法、系统、设备及介质
CN118607718A (zh) 一种基于频率增强分解Transformer网络的建筑能耗预测方法
Tian et al. Application of temporal convolutional neural network combined with autoencoder in short-term bus load forecasting
Qu et al. Time Slot Recurrent Neural Networks for Short-Term Traffic Flow Prediction

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