CN113435654A - 一种基于elman神经网络的短期负荷的预测方法 - Google Patents

一种基于elman神经网络的短期负荷的预测方法 Download PDF

Info

Publication number
CN113435654A
CN113435654A CN202110755328.4A CN202110755328A CN113435654A CN 113435654 A CN113435654 A CN 113435654A CN 202110755328 A CN202110755328 A CN 202110755328A CN 113435654 A CN113435654 A CN 113435654A
Authority
CN
China
Prior art keywords
neural network
output
layer
elman neural
data
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
CN202110755328.4A
Other languages
English (en)
Other versions
CN113435654B (zh
Inventor
王建玉
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.)
Jiangsu Urban and Rural Construction College
Original Assignee
Jiangsu Urban and Rural Construction College
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 Jiangsu Urban and Rural Construction College filed Critical Jiangsu Urban and Rural Construction College
Priority to CN202110755328.4A priority Critical patent/CN113435654B/zh
Publication of CN113435654A publication Critical patent/CN113435654A/zh
Application granted granted Critical
Publication of CN113435654B publication Critical patent/CN113435654B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/045—Combinations of 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)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于ELMAN神经网络的短期负荷的预测方法，属于冷热电负荷测领域，S1、采集一段时间的综合能源系统、气象数据系统、教务系统中数据；S2、将数据归一化处理；S3、将数据划分为训练样本和测试样本，输入Elman神经网络模型；S4、建立Elman神经网络模型，设置模型参数；S5、设置Elman神经网络模型中隐藏层和承接层神经元的数量；S6、获得Elman神经网络模型最优参数。通过分析影响需求侧冷、热、电负荷的主要因素确定模型结构，通过训练确定模型参数，并用模型精确预测出短期负荷，为电力控制提供依据，通过ELMAN神经网络算法提高预测结果的准确率，减小预测误差。

Description

一种基于ELMAN神经网络的短期负荷的预测方法
技术领域
本发明涉及冷热电负荷预测领域，尤其涉及一种基于ELMAN神经网络的短期负荷的预测方法。
背景技术
按照负荷预测周期分类，电力系统负荷预测可分为中长期负荷预测、短期负荷预测和超短期负荷预测；其中，短期负荷预测是指针对未来一天到一周时间内每天各时段的负荷预测的研宄；短期负荷预测是电力系统负荷预测研宄中的一项研究重点；短期负荷预测的精度直接影响到电力系统安全经济稳定运行、实现电网科学管理和调度，提高短期负荷预测精度具有重大意义。
影响短期电力系统负荷的因素有很多，比如天气因素、季节因素等，其中气象因素对负荷的影响至关重要；目前，随着气象部门技术的不断改进和完善，可以向电力相关部门提供实时气象信息，这为提高电力系统负荷预测精度工作带来了很大的帮助。
现有技术中主要利用神经网络进行短期电力负荷预测的方法，往往使用单一的神经网络(例如BP神经网络)，由于单一神经网络在不同预测环境下的预测效果不同，并且单一的神经网络容易陷入局部最优值而导致预测精度不理想，从而造成预测结果与实际偏差较大，因此，现有的利用神经网络进行短期电力负荷预测的方法的预测精度往往得不到保证。
发明内容
本发明所要解决的技术问题是：通过分析影响冷、热、电负荷的主要因素，建立ELMAN神经网络模型，通过训练样本确定模型参数，并用模型精确预测出短期负荷，为电力控制提供依据；通过ELMAN神经网络算法提高预测结果的准确率，减小预测误差。
本发明解决其技术问题所采用的技术方案是：一种基于ELMAN神经网络的短期负荷的预测方法，包括以下步骤：
S1、分别采集一段时间的综合能源系统电负荷、冷负荷、热负荷等数据；气象数据系统的温度值、湿度值数据；教务系统中理论课程数、实践课程数、校历数据作为输入数据；
输入数据为需要预测时刻的数据，包括：通过校园综合能源平台系统获得上周同一时刻电负荷、上周同一时刻热负荷(或上周同一时刻冷负荷)、昨天同一时刻电负荷，昨天同一时刻热负荷(或昨天同一时刻冷负荷)、上一时刻电负荷、上一时刻热负荷(或上一时刻冷负荷)；通过气象数据系统获得室外温度值、湿度值；通过学校教务系统获取工作安排数据，包括理论课程数、实践课程数、校历数据作为分析输入数据；
预测时刻的预测电负荷、预测热负荷(或预测冷负荷)作为输出数据；
采集一段时间定义为：例如按小时连续采集N小时的校园综合能源平台系统、气象数据系统、学校教务系统的输入数据。
S2、将S1采样到的输入数据归一化处理，映射到-1到1之间；
归一化处理公式为：
Figure BDA0003147102050000021
其中，
Figure BDA0003147102050000031
表示归一化后的样本数据，i为样本数，j为样本的分量，xij表示第i个样本的第j个分量，
Figure BDA0003147102050000032
为第j个样本分量的均值，δj为第j个样本分量的标准差；
由于数据的单位不一样，有些数据的范围比较大，例如工作安排数据非周末和周末数据波动较大，导致的结果是神经网络收敛慢、训练时间长；数据范围大的输入在模式分类中的作用可能会偏大，而数据范围小的输入作用就可能会偏小。
S3、将S2归一化的数据分为训练样本和测试样本，将训练样本数据输入Elman神经网络模型；
训练样本为预测时刻前N小时的数据，以实施例表1所示，以2018年8000至8239小时数据为归一化前的训练样本；以2019年8000至8239小时数据为测试样本；
S4、Elman神经网络模型由输入层、承接层、隐藏层和输出层组成；设定Elman神经网络模型输入变量个数为n，输入向量为x(t)＝[x1(t),x2(t),L,xn(t)]，隐藏层和承接层之间的神经元一一对应，设隐含层和承接层神经元个数为m，承接层描述为u(t)＝[u1(t),u2(t),Λum(t)]，隐藏层描述为h(t)＝[h1(t),h(2),Λ,hm(t)],设输出变量为k,则输出变量为y(t)＝[y1(t),y2(t),Λyk(t)]，t为采样时刻，隐藏层与输入层和承接层间、输出层与隐藏层间的激活函数选择sigmoid函数；
Elman神经网络模型的输出层，隐含层，承接层输出包括：
输出层输出为：y(t)＝g(w3(t)h(t)) (2)
隐含层输出为：h(t)＝g(w1(t)x(t)+w2(t)u(t)) (3)
承接层输出为：u(t)＝x(t-1) (4)
其中，w1∈Rn×m，w2∈Rm×m，w3∈Rm×k分别是输入层到隐含层，承接层到隐含层，隐含层到输出层的权重矩阵；x(t)是t时刻输入向量，x(t-1)是t-1时刻输入向量；g(·)为sigmoid激活函数，t是时间步长；
sigmoid激活函数
Figure BDA0003147102050000041
其中，x为层输入，g(x)为层输出。
S5、设置Elman神经网络模型中隐藏层和承接层神经元的数量；
其中，输入层和输出层的神经元的数量分别为11个和2个，隐含层和承接层节点数均为22；
输入层和输出层神经元数分别对应Elman神经网络模型的输入变量和输出变量，以预测电负荷和预测热负荷为例，输入变量为：上周同一时刻电负荷、上周同一时刻热负荷、昨天同一时刻电负荷，昨天同一时刻热负荷、上一时刻电负荷、上一时刻热负荷、温度值、湿度值、理论课程数、实践课程数、校历数据，则输入层神经元数为11；输出变量为预测时刻电负荷和预测时刻热负荷，则输出层神经元数为2；
隐含层和承接层节点数为输入变量×输出变量。
S6、以Elman神经网络模型输出与实际值的绝对误差最小化为目标，根据梯度下降法，当对权值的偏导数等于0时，获得Elman神经网络模型的权值和偏置参数值，绝对误差函数公式为：
Figure BDA0003147102050000042
其中d(t)为t时刻的实际输出，y(t)为t时刻的模型输出；
Elman神经网络模型的参数值根据误差逆向传播算法，使E(t)对权值求偏导并等于0，得到：
Δw3ij＝η3hi(t)δj,(i＝1,2,Λ,m；j＝1,2,Λk) (6)
Figure BDA0003147102050000043
Δw1ij＝η1xi(t)βj,(i＝1,2,Λ,n；j＝1,2,Λ,m) (8)
其中，η1,η2,η3分别是w1,w2,w3的学习率；δj是输出层神经元的梯度项,hi(t)是隐藏层的第i维输出，k是输出向量维数，m是承接层和隐含层输出向量维数，Δ表示权值的更新，βj是隐含层神经元的梯度项；
δj＝(dj(t)-yj(t))fo′(·) (9)
Figure BDA0003147102050000051
Figure BDA0003147102050000052
其中，yj(t)是第j个结点第t轮的输出值，dj(t)是第t轮第j个结点的标准输出值，fo′(·)是输出层的导数，fh′(·)是隐含层的导数，α为自连接反馈增益因子；
获得的权值和偏置确定Elman神经网络模型。
本发明的有益效果是：
1、采集校园综合能源平台系统、气象数据系统和学校教务系统的数据，通过Elman神经网络模型，对电负荷、冷负荷或电负荷、热负荷进行短期预测，与传统的BP神经网络的预测结果对比，预测误差降低，预测准确率提高。
附图说明
图1为本发明方法的流程图；
图2为本发明Elman神经网络结构图；
图3为本发明2019年9月1日至10日电负荷预测结果；
图4为本发明2019年9月1日至10日冷负荷预测结果；
图5为本发明2019年12月1日至10日电负荷预测结果；
图6为本发明2019年12月1日至10日热负荷预测结果。
具体实施方式
下面结合附图，对本发明的实施例作进一步的详细说明。
本发明的一种基于ELMAN神经网络的短期负荷的预测方法，具体为：
S1、按小时分别采集综合能源系统电负荷、冷负荷、热负荷；气象数据系统的温度值、湿度数据；教务系统中工作安排数据作为数据源；
以某高校综合能源平台系统、气象数据系统和学校教务系统数据为基础，从系统中选取预测前10天(240小时)；
以预测电负荷和热负荷为例，数据格式如下表1所示：
表1 2018年的训练样本
Figure BDA0003147102050000061
将测试日期转换成对应小时数，选取8000-8239共240小时的对应预测时刻的上周同一时刻电负荷、上周同一时刻热负荷、昨天同一时刻电负荷、昨天同一时刻热负荷、上一时刻电负荷、上一时刻热负荷、温度值、湿度值、理论课程数、实践课程数、预测时刻的电负荷、预测时刻的热负荷为分析数据。
其中，理论课程数和实践课程数为课时总时间；校历数据休息日取值2，非休息日取1；上周同一时刻电负荷、上周同一时刻热负荷、昨天同一时刻电负荷、昨天同一时刻热负荷、上一时刻电负荷和上一时刻热负荷的单位为KW/h；预测时刻室外温度值为摄氏度；预测时刻室外湿度为百分比；预测时刻实际电负荷和预测时刻实际热负荷单位为KW/小时。
S2、将所述S1采样到的训练数据和测试数据归一化处理，映射到-1到1之间；
S3、将S2归一化的数据分为训练样本和滚动优化的测试样本，将训练样本数据输入Elman神经网络模型；
其中，测试样本为训练样本对应的输出数据，如表1中测试样本为训练样本对应的预测时刻实际电负荷和预测时刻实际热负荷；
S4、如图2所示的Elman神经网络模型由输入层、承接层、隐藏层和输出层组成；设定Elman神经网络模型输入变量个数为n，输入向量为x(t)＝[x1(t),x2(t),L,xn(t)]，隐藏层和承接层之间的神经元一一对应，设神经元个数为m，承接层描述为u(t)＝[u1(t),u2(t),Λum(t)]，隐藏层描述为h(t)＝[h1(t),h(2),Λ,hm(t)],设输出变量为k,则输出变量为y(t)＝[y1(t),y2(t),Λyk(t)]，t为采样时刻，隐藏层与输入层和承接层间、输出层与隐藏层间的激活函数选择sigmoid函数；Elman神经网络模型的输出层，隐含层，承接层输出包括：
输出层输出为：y(t)＝g(w3(t)h(t)) (2)
隐含层输出为：h(t)＝g(w1(t)x(t)+w2(t)u(t)) (3)
承接层输出为：u(t)＝x(t-1) (4)
其中，w1∈Rn×m，w2∈Rm×m，w3∈Rm×k分别是输入层到隐含层，承接层到隐含层，隐含层到输出层的权重矩阵，g(·)为sigmoid激活函数，t是时间步长；
sigmoid激活函数
Figure BDA0003147102050000081
其中，x为层输入，g(x)为层输出。
S5、设置Elman神经网络模型中隐藏层和承接层神经元的数量；
其中，输入层和输出神经元的数量分别为11个和2个，承接层和隐含层节点数为22。
S6、以Elman神经网络模型输出与实际值的绝对误差最小化为目标，根据梯度下降法，当对权值的偏导数等于0时，获得Elman神经网络模型的参数值，绝对误差函数公式为：
Figure BDA0003147102050000082
其中d(t)为t时刻的实际输出，y(t)为t时刻的模型输出；
Elman神经网络模型的参数值根据误差逆向传播算法，使E(t)对权值求偏导并等于0，得到：
Δw3ij＝η3hi(t)δj,(i＝1,2,Λ,m；j＝1,2,Λk) (6)
Figure BDA0003147102050000083
Δw1ij＝η1xi(t)βj,(i＝1,2,Λ,n；j＝1,2,Λ,m) (8)
其中，η1,η2,η3分别是w1,w2,w3的学习率；δj是输出层神经元的梯度项,hi(t)是隐藏层的第i维输出，k是输出向量维数，m是承接层和隐含层输出向量维数，Δ表示权值的更新，βj是隐含层神经元的梯度项；
δj＝(dj(t)-yj(t))fo′(·) (9)
Figure BDA0003147102050000084
Figure BDA0003147102050000085
其中，yj(t)是第j个结点第t轮的输出值，dj(t)是第t轮第j个结点的标准输出值，fo′(·)是输出层的导数，fh′(·)是隐含层的导数，α为自连接反馈增益因子。Elman神经网络对于训练集
Figure BDA0003147102050000091
的学习算法包括：
初始化网络中所有连按权重和阈值；
对训练集
Figure BDA0003147102050000092
执行以下循环：
根据式(1)计算当前样本输出；
根据式(9)计算输出层神经元梯度；
根据式(10)计算隐含层神经元梯度项；
根据式(6)-(8)更新权值；
如果满足停止条件，跳出循环；停止条件为
|E(t)|＜0.001；
结束循环。
其中，
Figure BDA0003147102050000093
是神经网络模型输入数据，
Figure BDA0003147102050000094
是实测的电、冷或热负荷数据。
以某高校综合能源平台系统、气象数据系统和学校教务系统数据为基础，滚动预测2019年9月1日至10日电负荷和冷负荷，2019年12月1日至10日的电负荷和热负荷(240小时)，分析数据如。
图3为2019年9月1日至10日BP神经网络算法、Elman神经网络和实测电负荷曲线图，BP神经网络预测值与实测电负荷平均绝对百分比误差4.19％，Elman神经网络预测值与实测电负荷平均绝对百分比误差为2.69％；
图4为2019年9月1日至10日BP神经网络算法、Elman神经网络和实测冷负荷曲线图，BP神经网络预测值与实测冷负荷平均绝对百分比误差为3.45％，Elman神经网络预测值与实测电负荷平均绝对百分比误差为2.09％；
图5为2019年12月1日至10日BP神经网络算法、Elman神经网络和实测电负荷曲线图，BP神经网络预测值与实测电负荷平均绝对百分比误差4.24％，Elman神经网络预测值与实测电负荷平均绝对百分比误差为2.75％；
图6为2019年12月1日至10日BP神经网络算法、Elman神经网络和实测热负荷曲线图，BP神经网络预测值与实测热负荷平均绝对百分比误差为4.08％，Elman神经网络预测值与实测电负荷平均绝对百分比误差为2.12％；
本发明的有益效果是采集校园综合能源平台系统、气象数据系统和学校教务系统的数据，通过Elman神经网络模型，对电负荷、冷负荷或电负荷、热负荷进行短期预测，与传统的BP神经网络的预测结果对比，预测误差降低，预测准确率提高。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (3)

1.一种基于ELMAN神经网络的短期负荷的预测方法，其特征在于，包括以下步骤：
S1、采集校园综合能源系统、气象数据系统和教务系统数据作为输入数据；
S2、将所述S1采样到的输入数据归一化处理，映射到-1到1之间；
归一化处理公式为：
Figure FDA0003147102040000011
其中，
Figure FDA0003147102040000012
表示归一化后的样本数据，i为样本数，j为样本的分量，xij表示第i个样本的第j个分量，
Figure FDA0003147102040000013
为第j个样本分量的均值，δj为第j个样本分量的标准差；
S3、将S2归一化的数据分为训练样本和滚动优化的测试样本，将训练样本数据输入Elman神经网络模型；
S4、建立Elman神经网络模型，设定Elman神经网络模型输入变量个数n，隐含层和承接层神经元个数为m，输出变量为k；隐藏层与输入层和承接层间、输出层与隐藏层间的激活函数均选择sigmoid函数；
Elman神经网络模型的输出层，隐含层，承接层输出包括：
输出层输出为：
y(t)＝g(w3(t)h(t)) (2)
隐含层输出为：
h(t)＝g(w1(t)x(t)+w2(t)u(t)) (3)
承接层输出为：
u(t)＝x(t-1) (4)
其中，w1∈Rn×m，w2∈Rm×m，w3∈Rm×k分别是输入层到隐含层，承接层到隐含层，隐含层到输出层的权重矩阵；x(t)是t时刻输入向量，x(t-1)是t-1时刻输入向量；g(·)为sigmoid激活函数，t是时间步长；
S5、设置Elman神经网络模型中隐藏层和承接层神经元的数均为22；
S6、以Elman神经网络模型输出与实际输出的绝对误差最小化为目标，根据梯度下降法，当对权值的偏导数等于0时，获得Elman神经网络模型的参数值。
2.如权利要求1所述的ELMAN神经网络的短期负荷的预测方法，其特征在于，所述绝对误差函数公式为：
Figure FDA0003147102040000021
其中d(t)为t时刻的实际输出，y(t)为t时刻的模型输出。
3.如权利要求1或2所述的ELMAN神经网络的短期负荷的预测方法，其特征在于，所述Elman神经网络模型的参数值是通过误差逆向传播算法，使E(t)对权值求偏导并等于0，得到：
Δw3ij＝η3hi(t)δj,(i＝1,2,Λ,m；j＝1,2,Λk) (6)
Figure FDA0003147102040000022
Δw1ij＝η1xi(t)βj,(i＝1,2,Λ,n；j＝1,2,Λ,m) (8)
其中，η1,η2,η3分别是w1,w2,w3的学习率；δj是输出层神经元的梯度项,hi(t)是隐藏层的第i维输出，k是输出向量维数，m是承接层和隐含层输出向量维数，Δ表示权值的更新，βj是隐含层神经元的梯度项；
δj＝(dj(t)-yj(t))f′o(·) (9)
Figure FDA0003147102040000023
Figure FDA0003147102040000031
其中，yj(t)是第j个结点第t轮的输出值，dj(t)是第t轮第j个结点的标准输出值，f′o(·)是输出层的导数，f′h(·)是隐含层的导数，α为自连接反馈增益因子。
CN202110755328.4A 2021-07-05 2021-07-05 一种基于elman神经网络的短期负荷的预测方法 Active CN113435654B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110755328.4A CN113435654B (zh) 2021-07-05 2021-07-05 一种基于elman神经网络的短期负荷的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110755328.4A CN113435654B (zh) 2021-07-05 2021-07-05 一种基于elman神经网络的短期负荷的预测方法

Publications (2)

Publication Number Publication Date
CN113435654A true CN113435654A (zh) 2021-09-24
CN113435654B CN113435654B (zh) 2024-02-27

Family

ID=77759064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110755328.4A Active CN113435654B (zh) 2021-07-05 2021-07-05 一种基于elman神经网络的短期负荷的预测方法

Country Status (1)

Country Link
CN (1) CN113435654B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN110110930A (zh) * 2019-05-08 2019-08-09 西南交通大学 一种改进鲸鱼算法的循环神经网络短期电力负荷预测方法
CN110210670A (zh) * 2019-06-03 2019-09-06 辽宁工程技术大学 一种基于电力系统短期负荷的预测方法
CN110619389A (zh) * 2019-09-23 2019-12-27 山东大学 一种基于lstm-rnn的冷热电联供系统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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN110110930A (zh) * 2019-05-08 2019-08-09 西南交通大学 一种改进鲸鱼算法的循环神经网络短期电力负荷预测方法
CN110210670A (zh) * 2019-06-03 2019-09-06 辽宁工程技术大学 一种基于电力系统短期负荷的预测方法
CN110619389A (zh) * 2019-09-23 2019-12-27 山东大学 一种基于lstm-rnn的冷热电联供系统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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
常晓雪: "工程科技Ⅱ辑;信息科技", 硕士电子期刊出版, pages: 16 - 20 *

Also Published As

Publication number Publication date
CN113435654B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
CN109711620B (zh) 一种基于gru神经网络和迁移学习的短期电力负荷预测方法
CN111260136A (zh) 一种基于arima-lstm组合模型的楼宇短期负荷预测方法
CN110705743B (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
Liu et al. Heating load forecasting for combined heat and power plants via strand-based LSTM
CN111915092A (zh) 基于长短时记忆神经网络的超短期风电功率预测方法
CN110570023A (zh) 一种基于sarima-grnn-svm的短期商业电力负荷预测方法
CN113139605A (zh) 基于主成分分析和lstm神经网络的电力负荷预测方法
CN112865093A (zh) 一种短时电力负荷组合式预测方法
CN114595861A (zh) 基于mstl和lstm模型的中长期电力负荷预测方法
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN114819395A (zh) 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法
CN113591957B (zh) 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法
CN113887833A (zh) 一种分布式能源用户侧逐时负荷预测方法及系统
CN111815051B (zh) 考虑天气影响因素的grnn光伏发电预测方法
CN113435654B (zh) 一种基于elman神经网络的短期负荷的预测方法
CN110991723A (zh) 一种人工智能在季节性负荷预测中的应用方法
CN114234392B (zh) 一种基于改进pso-lstm的空调负荷精细预测方法
CN114861555A (zh) 一种基于Copula理论的区域综合能源系统短期负荷预测方法
CN115293406A (zh) 基于CatBoost和Radam-LSTM的光伏发电功率预测方法
CN115759343A (zh) 一种基于e-lstm的用户电量预测方法和装置
CN115238952A (zh) 一种Bi-LSTM-Attention的短期电力负荷预测方法
CN114066025A (zh) 长期负荷预测方法及系统
Yu et al. Coordinate-RNN for error correction on numerical weather prediction
Dedović et al. Application of artificial neural network and empirical mode decomposition for predications of hourly values of active power consumption

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