CN113344245A - 混合深度学习短期预测模型、方法、存储介质和计算设备 - Google Patents
混合深度学习短期预测模型、方法、存储介质和计算设备 Download PDFInfo
- Publication number
- CN113344245A CN113344245A CN202110484041.2A CN202110484041A CN113344245A CN 113344245 A CN113344245 A CN 113344245A CN 202110484041 A CN202110484041 A CN 202110484041A CN 113344245 A CN113344245 A CN 113344245A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- training
- prediction
- sequence
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000009467 reduction Effects 0.000 claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 230000008439 repair process Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 230000001364 causal effect Effects 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000010183 spectrum analysis Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/086—Learning methods using 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种混合深度学习短期预测模型、方法、存储介质和计算设备，包括采集近期负荷数据，划分训练集和预测集。首先利用SVD算法对数据进行分解，提取有效信息；其次，采用VMD分解算法对所得残差进行二次分解，减小序列波动性和随机性；再次，将分解获得的分量分别使用LSTM和TCN模型预测；另外，在LSTM和TCN训练时，使用遗传算法寻找模型中的最优超参数；最后，将每个成分的预测值相加，得到预测结果。本发明基于电力负荷数据，依次对数据进行降维、分解，有效组合多种算法，训练LSTM和TCN模型，弥补了单模型的性能缺陷，使模型获得更高的预测精度。
Description
技术领域
本发明属于电力负荷预测技术领域，涉及一种短期电力负荷预测方法及模型，特别涉及 混合深度学习短期预测模型、方法、存储介质和计算设备。
背景技术
电力系统的控制和调度离不开短期负荷预测。短期预测为系统日常运行管理和机组投入 提供必要的信息。近年来机器学习中的深度学习算法，由于其在提取数据特征上的优势，受 到了广泛的关注，并被逐步引入电力负荷预测领域。深度学习模型和信号处理算法结合的混 合模型使电力负荷预测精度进一步提高。
发明内容
1、所要解决的技术问题：
提高电力负荷预测精度。
2、技术方案：
为了解决以上问题，本发明提供一种混合深度学习短期预测模型，其特征在于；包括采 集模块：采集近期负荷数据，构建训练集和预测集；修补模块：在进行降维之前对数据进行 修补；降维模块：对训练集和预测集中的数据进行SVD降维处理，使用SVD算法；分解模块：采用VMD方法对降维后的数据进行分解；训练模块：用训练样本分解获得的分量进行 长短时记忆模型和时序卷积网络训练，同时使用遗传算法寻找最优超参数；预测模块：将预测样本分解获得的分量分别带入训练好的长短时记忆模型和时序卷积网络，获得预测结果。
本发明提供了一种混合深度学习短期预测方法，步骤1：采集近期负荷数据，构建训练 集和预测集；其中，近期数据为当日之前若干天的数据，部分负荷数据作为训练集，剩余数 据作为预测集；步骤2：对训练集和预测集中的数据进行修补；步骤3：对采集的数据进行降 维处理；步骤4：用VMD算法把SVD降维后得到的残差成分分解成K个本征模态函数；步骤5：用训练样本分解获得的分量训练LSTM和TCN模型；步骤6：使用LSTM模型预测趋 势分量和IMF1，TCN预测IMF2和残差项，使用遗传算法对时间窗口长度、分解数量进行寻 优，得到最优混合模型；步骤7：预测结果，将每个成分的预测值相加，得到最终预测结果。
本发明还提供了一种一种存储一个或多个程序的计算机可读存储介质和计算设备。
3、有益效果：
本发明基于电力负荷数据，依次对数据进行降维、分解，有效组合多种算法，训练LSTM 和TCN模型，弥补了单模型的性能缺陷，使模型获得更高的预测精度。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图来对本发明进行详细说明。
一种混合深度学习短期预测方法，包括以下步骤：步骤1，采集近期负荷数据，构建训 练集和预测集；其中，近期数据为当日之前若干天的数据，部分负荷数据作为训练集，剩余 数据作为预测集。
步骤2，对训练集和预测集中的数据进行修补。
现有的数据修补方法有很多，但是考虑采集数据的特点，这里采用AR(AutoRegression) 模型进行数据修补。
AR模型的参数用极大似然法估计获得，具体如下：
定义
其中x1,x2,L,xm为m个修补值，a1,a2,L,ap为p个模型参数；
似然函数为：
其中，σε是样本模型的标准差。
对数似然函数为：
求编导，即可得到参数。
有问题的数据主要有以下三种：
A)非连续缺失数据；
对于非连续缺失数据的修补，采用AR模型从垂直(相似日)和水平(时间序列)两个方向同时修补；
对于相似日预测，将连续一段时间的数据按一天进行划分，序列从一个行向量转变为矩 阵形式，以一小时的时间间隔为例，其序列可写为，
每一列表示相似日序列，采用AR模型来修正；假设
和
分别表示缺失数据xt在 垂直和水平两个方向的修正结果，则最终的修正结果为
B)连续缺失数据；
连续缺失数据的修补，由于缺失数据过多，不适合从水平(时间序列)方向修补缺失数 据，但是在垂直(相似日)方向，经过了序列的矩阵处理，连续缺失数据将转变为非连续数 据，因此可采用AR模型从垂直方向修补。
C)异常数据；
采用基于粗大误差的检测机理对异常数据检测和判断，将异常数据看作是一个测量过程 中粗大误差，对于异常数据采用AR模型进行修补。
步骤3，对采集的数据进行降维处理(SVD)。
具体过程如下：
第一步.将原始序列映射成为K＝N-L+1个滞后L期的滞后序列：
Xt＝(xt,…,xt+L-1)T(1≤t≤K)
其中N为原始序列长度，L为滞后期数，xt为原始序列第t时刻的值。
则序列X的滞后L期的轨迹矩阵为：
第二步：.对轨迹矩阵进行奇异谱分析(SVD)，计算XXT并求得XXT的L个特征值 λ1≥λ2≥…≥λL≥0,U1,…,UL为其所对应的正交特征向量。令 d＝rank(X)＝max(i),s.t.λi>0,并且
则轨迹矩阵X的奇异谱分解为：
X＝Y1+…+Yd
其中
的秩为1。
第三步：将X划分为几个不同的组，并将每组内包含的矩阵相加，令i1,…,ip为第I组所 包含的矩阵，即：
本文将其划分为两组，分别代表趋势分量以及残差成分，即第一组
第 二组
其中r为超参数。
第四步：将矩阵
转化为其对应的序列，每一组数据代表原序列的部分特征。
令ylk为待转化矩阵
的元素，
1≤l≤L,1≤k≤K。设L*＝min(L,K),K*＝max(L,K),N＝L-K+1。
则根据以下公式将矩阵
转化成长度为N的序列
中第k个值
计算公式如下：
则原序列中t时刻的值xt可表示为
步骤4，采用VMD算法把SVD降维后得到的残差成分分解成K个本征模态函数。
通过变分模型来确定并估计相应频段和模态函数，具体步骤为：
对于每个模态，基于希尔伯特变换，获得信号的单边频谱；
对于每个模态，通过结合数调谐到各自的估计中心频率，提升模式的频谱到基带；
对解调信号进行高斯平滑，即梯度的平方范数，估计信号的带宽；
其中，f(t)表示输入信号，uk′(t)表示输入信号的模态函数，{uk′}表示模态函数集合，ωk′表示与输入信号的第k′个模态函数对应的中心频率，{ωk′}分解后的模态对应的一组中心频率，δ(t)为Dirac分布，*代表卷积运算，
是t的偏导数。
引入二次惩罚因子和拉格朗日乘法算子将上一条式子转变为非约束性变分问题；
其中，λ为拉格朗日乘法算子，α为二次惩罚因子；
基于ADMM算法可得到子优化问题的解并直接在频域进行优化；
其中，
分别为
的傅里叶变换后的 形式，n′为迭代次数。
步骤5，用训练样本分解获得的分量训练LSTM和TCN模型:训练模块采用遗传算法进行， 公式如下：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi).
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot×tanh(Ct)
其中，xt为当前时间的电力负荷值，ht-1为上一时间的预测值，it为输入 门的输出，Wf Wi Wc Wo bf bi bc bo分别表示对应的权重系数矩阵和偏置项，为需要LSTM 模型学习的网络参数，
为待加入细胞状态中的信息。σ、tanh分别表示sigmoid和双曲正 切激活函数。
对于1-D序列输入X∈n和滤波器f:{0,...,k-1}→，序列的元素s上的扩张卷积运算F被定义为：
扩张系数k是滤波器大小，s-d·i解释了过去的方向。
LSTM的网络结构,LSTM节点由输入门、输出门、遗忘门组成，遗忘门的输入为当前时 间的电力负荷，以及上一时间的预测值，根据这两个值使用下式计算遗忘门的输出，
ft＝σ(Wf·[ht-1,xt]+bf)
其中，xt为当前时间的电力负荷值，ht-1为上一时间的预测值，ft为遗忘门的输出,Wf为 需要LSTM模型学习的网络参数。遗忘门输出的取值范围是0到1，该值会在更新细胞状态 时使用。
输入门的输入为当前时间状态的电力负荷值，以及上一时间状态的预测值，输入门的输 出为：
it＝σ(Wi·[ht-1,xt]+bi).
其中，xt为当前时间的电力负荷值，ht-1为上一时间的预测值，it为输入门的输出,Wi为 需要LSTM模型学习的网络参数。
其中，xt为当前时间的电力负荷值，ht-1为上一时间的预测值，it为输入门的输出,Wc,Wb为需要LSTM模型学习的网络参数，
为待加入细胞状态中的信息。
将输入门与遗忘门的输出合并，更新细胞状态，并传递给下一时间状态，更新后的细胞 状态里存储了当前新增的信息以及历史的一部分信息，供未来使用。细胞状态更新公式如下：
其中Ct为更新后的细胞状态，Ct-1为上一时刻细胞状态。输出门的输出为：
ot＝σ(Wo·[ht-1,xt]+bo)
其中，xt为当前时间的电力负荷值，ht-1为上一时间的预测值，Ot为需要LSTM模型学习的网络参数，ht＝ot×tanh(Ct)为模型输出值。
使用训练集训练LSTM网络，并用测试集验证模型效果。本文将该模型和遗传算法结合， 寻找最优输入步长和LSTM模型超参数。
TCN的网络结构在1D全卷积网络架构中使用因果卷积和扩张卷积来优化。扩张卷积使 指数大的接受领域，更正式地对于1-D序列输入X∈n和滤波器f:{0,...,k-1}→，序列的元素s 上的扩张卷积运算F被定义为：
扩张系数k是滤波器大小，s-d·i解释了过去的方向，膨胀相当于在每两个相邻滤波器 之间引入固定步长；当d＝1时，扩张的卷积减少到规则的卷积，使得顶层的输出能够表示 更广泛的输入，从而有效地扩展了ConvNet的感受域。所述TCN模型还包括残差连接残差块 包含一个分支，导致一系列变换F，其输出被添加到块的输入x：o＝Activation(x+F(x)) 在残余区块内，TCN具有两层扩张的因果卷积和非线性，并使用整流线性单元，将权重归一 化应用于卷积滤波器，空间辍学dropout在每个扩张卷积之后添加以进行正则化：在每个训练 步骤中，将整个通道归零；使用额外的1x1卷积来确保元素加法
接收相同形状的张量。 使用遗传算法寻找最优输入步长、TCN超参数。
步骤6，使用LSTM模型预测趋势分量和IMF1，TCN预测IMF2和残差项。使用遗传算法对时间窗口长度、分解数量进行寻优。得到最优混合模型。
步骤7，预测结果，将每个成分的预测值相加，得到最终预测结果。
虽然本发明已以较佳实施例公开如上，但它们并不是用来限定本发明的，任何熟习此技 艺者，在不脱离本发明之精神和范围内，自当可作各种变化或润饰，因此本发明的保护范围 应当以本申请的权利要求保护范围所界定的为准。
Claims (9)
1.一种混合深度学习短期预测模型，其特征在于；包括采集模块：采集近期负荷数据，构建训练集和预测集；修补模块：在进行降维之前对数据进行修补；降维模块：对训练集和预测集中的数据进行SVD降维处理，使用SVD算法；分解模块：采用VMD方法对降维后的数据进行分解；训练模块：用训练样本分解获得的分量进行长短时记忆模型和时序卷积网络训练，同时使用遗传算法寻找最优超参数；预测模块：将预测样本分解获得的分量分别带入训练好的长短时记忆模型和时序卷积网络，获得预测结果。
2.一种利用如权利要求1所述的混合深度学习短期预测模型进行预测的方法，其特征在于；步骤1：采集近期负荷数据，构建训练集和预测集；其中，近期数据为当日之前若干天的数据，部分负荷数据作为训练集，剩余数据作为预测集；步骤2：对训练集和预测集中的数据进行修补；步骤3：对采集的数据进行降维处理；步骤4：用VMD算法把SVD降维后得到的残差成分分解成K个本征模态函数；步骤5：用训练样本分解获得的分量训练LSTM和TCN模型；步骤6：使用LSTM模型预测趋势分量和IMF1，TCN预测IMF2和残差项，使用遗传算法对时间窗口长度、分解数量进行寻优，得到最优混合模型；步骤7：预测结果，将每个成分的预测值相加，得到最终预测结果。
3.如权利要求2所述的方法，其特征在于：步骤2中采用采用AR模型进行数据修补，AR模型的参数用极大似然法估计获得，具体如下：
定义
其中x1,x2,L,xm为m个修补值，a1,a2,L,ap为p个模型参数；
似然函数为：
其中，σε是样本模型的标准差，
对数似然函数为：
求编导，即可得到参数。
4.如权利要求2所述的方法，其特征在于：步骤3中对采集的数据进行降维处理的具体过程如下：第一步.将原始序列映射成为K＝N-L+1个滞后L期的滞后序列：
Xt＝(xt,...,xt+L-1)T(1≤t≤K)
其中N为原始序列长度，L为滞后期数，xt为原始序列第t时刻的值，
则序列X的滞后L期的轨迹矩阵为：
第二步：.对轨迹矩阵进行奇异谱分析(SVD)，计算XXT并求得XXT的L个特征值λ1≥λ2≥3≥λL≥0,U1,3,UL为其所对应的正交特征向量，令d＝rank(X)＝max(i),s.t.λi>0,并且
则轨迹矩阵X的奇异谱分解为：
i.X＝Y1+…+Yd
其中
的秩为1，
第三步：将X划分为几个不同的组，并将每组内包含的矩阵相加，令i1,…,ip为第I组所包含的矩阵，即：
将其划分为两组，分别代表趋势分量以及残差成分，即第一组
第二组
其中r为超参数，
第四步：将矩阵
转化为其对应的序列，每一组数据代表原序列的部分特征，令ylk为待转化矩阵
的元素，
1≤l≤L,1≤k≤K。设L*＝min(L,K),K*＝max(L,K),N＝L-K+1。
则根据以下公式将矩阵
转化成长度为N的序列
中第k个值
计算公式如下：
1.
则原序列中t时刻的值xt可表示为
5.如权利要求2所述的方法，其特征在于：步骤4中通过变分模型来确定并估计相应频段和模态函数，具体步骤为：
对于每个模态，基于希尔伯特变换，获得信号的单边频谱；
对于每个模态，通过结合数调谐到各自的估计中心频率，提升模式的频谱到基带；
对解调信号进行高斯平滑，即梯度的平方范数，估计信号的带宽；
其中，f(t)表示输入信号，uk′(t)表示输入信号的模态函数，{uk′}表示模态函数集合，ωk′表示与输入信号的第k′个模态函数对应的中心频率，{ωk′}分解后的模态对应的一组中心频率，δ(t)为Dirac分布，*代表卷积运算，
是t的偏导数。
引入二次惩罚因子和拉格朗日乘法算子将上一条式子转变为非约束性变分问题；
其中，λ为拉格朗日乘法算子，α为二次惩罚因子；
基于ADMM算法可得到子优化问题的解并直接在频域进行优化；
i.
其中，
分别为
的傅里叶变换后的形式，n′为迭代次数。
6.如权利要求6所述的方法，其特征在于：步骤5中，训练模型采用遗传算法进行，公式如下：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
οt＝σ(Wο·[ht-1,xt]+bο)
ht＝οt×tanh(Ct)
其中，xt为当前时间的电力负荷值，ht-1为上一时间的预测值，it为输入门的输出，Wf WiWc Wo bf bi bc bo分别表示对应的权重系数矩阵和偏置项，为需要LSTM模型学习的网络参数，
为待加入细胞状态中的信息，σ、tanh分别表示sigmoid和双曲正切激活函数，
对于1-D序列输入X∈n和滤波器f:{0,...,k-1}→，序列的元素s上的扩张卷积运算F被定义为：
扩张系数k是滤波器大小，s-d·i解释了过去的方向。
7.如权利要求6所述的方法，其特征在于：所述TCN模型还包括残差连接，其输出被添加到块的输入x：o＝Activation(x+F(x))在残余区块内，TCN具有两层扩张的因果卷积和非线性，并使用整流线性单元，将权重归一化应用于卷积滤波器，空间辍学dropout在每个扩张卷积之后添加以进行正则化：在每个训练步骤中，将整个通道归零；使用额外的1x1卷积来确保元素加法⊕接收相同形状的张量，使用遗传算法寻找最优输入步长、TCN超参数。
8.一种存储一个或多个程序的计算机可读存储介质，其特征在于：所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求2至8所述的方法中的任一方法。
9.一种计算设备，其特征在于：包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求2至8所述的方法中的任一方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110484041.2A CN113344245A (zh) | 2021-04-30 | 2021-04-30 | 混合深度学习短期预测模型、方法、存储介质和计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110484041.2A CN113344245A (zh) | 2021-04-30 | 2021-04-30 | 混合深度学习短期预测模型、方法、存储介质和计算设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113344245A true CN113344245A (zh) | 2021-09-03 |
Family
ID=77469418
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110484041.2A Withdrawn CN113344245A (zh) | 2021-04-30 | 2021-04-30 | 混合深度学习短期预测模型、方法、存储介质和计算设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113344245A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115907131A (zh) * | 2022-11-16 | 2023-04-04 | 国网宁夏电力有限公司经济技术研究院 | 一种北方地区电采暖负荷预测模型搭建方法和系统 |
-
2021
- 2021-04-30 CN CN202110484041.2A patent/CN113344245A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115907131A (zh) * | 2022-11-16 | 2023-04-04 | 国网宁夏电力有限公司经济技术研究院 | 一种北方地区电采暖负荷预测模型搭建方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN113722877B (zh) | 一种对锂电池放电时温度场分布变化进行在线预测的方法 | |
| CN109886464B (zh) | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 | |
| CN112115419B (zh) | 系统状态估计方法、系统状态估计装置 | |
| CN109376897A (zh) | 一种基于混合算法的短期风电功率预测方法 | |
| CN111144644B (zh) | 基于变分异方差高斯过程回归的短期风速预测方法 | |
| Zhang et al. | Wind speed prediction research considering wind speed ramp and residual distribution | |
| CN101739819A (zh) | 预测交通流的方法和装置 | |
| CN109767043B (zh) | 一种电力负荷时间序列大数据智能建模与预测方法 | |
| CN112381279B (zh) | 一种基于vmd和bls组合模型的风电功率预测方法 | |
| CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
| CN115587666A (zh) | 基于季节趋势分解和混合神经网络的负荷预测方法及系统 | |
| CN114358389A (zh) | 结合vmd分解和时间卷积网络的短期电力负荷预测方法 | |
| CN110969293B (zh) | 一种基于迁移学习的短期广义电力负荷预测方法 | |
| CN103530819A (zh) | 并网型光伏电站发电系统的输出功率的测定方法及设备 | |
| CN115601182A (zh) | 一种基于改进型XGBoost类方法的数据分析方法、定价方法以及相关设备 | |
| CN116502774B (zh) | 一种基于时间序列分解和勒让德投影的时间序列预测方法 | |
| CN113449920A (zh) | 一种风电功率预测方法、系统及计算机可读介质 | |
| CN116106761A (zh) | 基于典型相关分析的锂离子电池电量实时估计方法 | |
| CN112379274A (zh) | 一种动力电池剩余寿命预测方法 | |
| CN116665483A (zh) | 一种新的预测剩余停车位的方法 | |
| CN110852522A (zh) | 一种短期电力负荷预测方法及系统 | |
| CN116632820A (zh) | 基于序列延拓vmd与风速波动特性的风电功率预测方法 | |
| CN113344245A (zh) | 混合深度学习短期预测模型、方法、存储介质和计算设备 | |
| CN118040678A (zh) | 一种短期海上风电功率组合预测方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210903 |
|
| WW01 | Invention patent application withdrawn after publication |