CN113537556A - 一种基于状态频率记忆网络的家庭短期负荷预测方法 - Google Patents
一种基于状态频率记忆网络的家庭短期负荷预测方法 Download PDFInfo
- Publication number
- CN113537556A CN113537556A CN202110618630.5A CN202110618630A CN113537556A CN 113537556 A CN113537556 A CN 113537556A CN 202110618630 A CN202110618630 A CN 202110618630A CN 113537556 A CN113537556 A CN 113537556A
- Authority
- CN
- China
- Prior art keywords
- state
- frequency
- data
- model
- network
- 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
- 230000015654 memory Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000005611 electricity Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 claims description 2
- 238000003064 k means clustering Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000013277 forecasting method Methods 0.000 abstract description 3
- 238000005265 energy consumption Methods 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007619 statistical 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
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于状态频率记忆网络的家庭短期负荷预测方法，使用用户的历史用电数据，实现对未来负荷的预测。家庭的能源消耗通常受到多种因素的影响，包括内部因素、外部因素和人际因素等，这些因素反映了不同频率的用电模式。频率反映了负荷数据的波动性，而现有的模型只考虑了数据的时序特征，而忽略了频率成分。状态频率记忆网络可以将存储单元的隐藏状态分解为多个频率分量，每个频率分量都模拟负荷波动背后的潜在用电模式的特定频率，并通过这些成分的非线性映射来预测未来的家庭负荷。在与其他的负荷预测方法比较后，结果显示：基于状态频率网络的预测方法精度更高，验证了模型的有效性。
Description
技术领域
本发明涉及数据挖掘、时间序列分析等领域，特别涉及一种基于状态频率记忆(SFM)网络的家庭短期负荷预测方法。
背景技术
负荷预测是智能电网技术中最重要的研究课题之一，因为负荷预测的准确性极大地影响着智能电网系统的可靠性。现有的负荷预测方法可以分为统计方法和基于人工智能的方法。
过去，负荷预测是通过时间序列分析和线性回归等分析技术进行，但是这些传统方法很难准确预测波动性很强的家庭负荷；近年来，随着深度学习技术的飞速发展，越来越多的深度学习方法被用到了负荷预测领域，如卷积神经网络、长短期记忆网络等，研究者利用深度学习技术取得了很多研究成果。
家庭的能源消耗通常受到多种因素的影响，包括内部因素(习惯、态度、价值观等)、外部因素(激励、惩罚等)和人际因素(社会规范等)，这些因素导致了用户不同频率的用电模式。频率反映了负荷数据的波动性，但现有方法很少运用数学模型将用电模式明确分解为各种频率成分，并将发现的多频模式应用到负荷预测中。因此，本发明提出了一种基于SFM神经网络进行家庭短期负荷预测模型。
发明内容
本发明提出一种基于SFM网络的家庭短期负荷预测方法，该方法不仅可以提取时序信息，还可以提取用电模式的频率信息，有效的提高了预测精度。
基于SFM网络的家庭短期负荷预测方法，实现包括以下步骤：
步骤一：从数据库中获取某地区用户两年的日用电量历史数据；
步骤二：对于连续N天用电量为0的用户进行剔除；
步骤三：对步骤二处理后的数据进行K均值聚类，通过肘部法则和轮廓系数两个指标共同确定聚类数；
步骤四：采用小波去噪技术，对步骤三处理后的数据进行去噪处理；
步骤五：将步骤四处理后的数据进行归一化处理；
步骤六：构建SFM网络模型；
所述的SFM网络由三个门单元和一个记忆单元组成，其中记忆状态被分解成一组K个离散频率，使模型获得了在不同频率下的学习能力；
①遗忘门
遗忘门由状态遗忘门
和频率遗忘门ft fre组成，以分别调节多状态和多频率的信息。
ft fre＝sigmoid(Wfrext+Ufreht-1+bfre)
其中，xt为当前时刻的输入数据，ht-1为上一时刻的输出数据，Wste、Uste、Wfre、Ufre为权重，bste、bfre为偏置；状态-频率遗忘门Ft被定义为状态遗忘门
与频率遗忘门ft fre之间的外积，以共同调节状态和频率信息，并控制流入存储单元的信息。
②输入门
输入门决定了在当前时刻能够保存多少输入信息到存储单元，计算公式为：
it＝sigmoid(Wixt+Uiht-1+bi)
其中Wi、Wc、Ui、Uc为权重，bi、bc为偏置；
③状态更新
为了实现跨不同频率学习模式的能力，SFM模型的记忆状态被分解成一组K个离散频率
其中，
为当前时刻输入门的输出被分解成的K个离散频率，St为t时刻的记忆状态矩阵，Ft为遗忘门的输出，St-1为上一时刻的记忆状态矩阵，it为输入门，
为输入调制，
表示矩阵对应元素相乘。
记忆状态矩阵St表示为实部和虚部两部分：
计算记忆状态矩阵St的振幅At和相位∠St：
振幅将被用于计算当前时刻输出的隐藏状态ct，相角则被忽略；
ct＝tanh(Atua+ba)
其中ua、ba为偏置；
④输出门
输出门决定了在当前时刻，能够保存多少信息流出神经元。
ot＝sigmoid(Woxt+Uoht-1+bo)
Wo、Uo表示权重，bo为偏置；
步骤七：确定模型的损失函数、优化器以及各项超参数；
步骤八：将步骤五的数据拆分为训练集和测试集，拆分比例为9:1。
步骤九：训练SFM模型。
步骤十：将测试数据输入训练好的模型，得到预测的精度。
作为优选，所述的N设为20。
作为优选，步骤四中采用db8小波进行小波去噪。
本发明相对于现有技术具有的有益效果：
1、本发明把预测的粒度精确到每个家庭用户，该模型可以同时进行大量家庭的负荷预测。
2、本发明提出的模型属于单变量预测模型，只用到了家庭的历史负荷数据，无需其他额外的数据支持。
3、本发明不仅考虑了时序信息，而且引入了频率信息，对于用户负荷这种受多种不确定因素影响的时间序列数据，预测效果显著提升。
附图说明
图1为某一用户连续两年日用电量图；
图2为肘部法则图；
图3为轮廓系数图；
图4为SFM网络结构图；
图5为小波去噪图
图6(a)为用户两种网络预测对比图；
图6(b)为用户两种网络预测对比图；
图6(c)为用户两种网络预测对比图；
图6(d)为用户两种网络预测对比图；
图7为模型整体流程图；
具体实施方式
下面结合附图详细说明本发明的具体实施步骤。
获取某地区用户的历史负荷数据，进行处理、训练。为了更具体地描述本发明，模型整体流程如图7所示；
步骤1、编写SQL脚本语句从数据库中获取负荷数据，并对数据进行预处理，图1展示了某一用户两年的负荷数据；
步骤1.1、对于一些连续N天用电量为0的用户进行剔除，本发明经过数据分析，最终选择N为20；
步骤1.2、根据用户的负荷特性曲线进行聚类；
家庭负荷预测的关键挑战在于负荷曲线的高度波动性和不确定性，而对客户用电负荷数据进行聚类可以有效降低这些问题带来的影响，提高预测精度。由于聚类是一个无监督的学习过程，给定数据集的最优聚类数是未知的，如图2所示，所以选择肘部法则和轮廓系数两个指标共同确定聚类数，具体如图3、4所示，本发明确定的聚类数为4，每类占比如表下：
表1：各类别数量
| A类 | B类 | C类 | D类 |
| 593(11.6％) | 2353(45％) | 1921(36.7％) | 354(6.7％) |
步骤1.3、对数据进行去噪处理，本文采用的是db8小波，去噪前后对比如图5所示；
步骤1.4、对数据进行min-max归一化处理；
本模型采用的是min-max归一化，其公式为：
xi′表示归一化后的值，x为原始数据，xmin为每个用户数据的最小值，xmax为每个用户数据的最大值。
步骤2、将聚类后的数据划分成训练集和测试集；
步骤2.1、对于四类数据，都采用相同的划分方式，将每个家庭负荷数据中的前90％作为训练数据，后10％作为测试数据。具体数据数量如下：
表2：用于训练、测试的具体天数
| 训练数据 | 测试数据 | 总数据量 |
| 658 | 73 | 731 |
步骤3、将训练数据输入构建好的SFM网络，开始模型训练；
步骤3.1、对SFM模型进行初始化，并将训练数据进行随机化处理；
步骤3.2、模型采用sigmoid函数和tanh函数作为激活函数；
步骤3.3、损失函数采用的是均方误差函数，公式为：
其中xi是每个家庭的预测值，yi是每个家庭的真实值。
步骤3.4、选择Adam优化算法，Adam算法结合了动量算法和RMSprop算法的优点，使用动量来累积梯度，并且对梯度计算了微分平方加权平均数，消除了梯度在收敛过程中大的摆动，使得各个维度的摆动都较小，同时还加快了收敛速度；
步骤3.5、设置模型的状态数为50，频率数为20；
步骤4、训练模型并寻找合适的超参数；
步骤4.1、模型达到收敛时即可终止训练，经过多次实验，最终选择模型训练轮数为2000轮，学习率为0.001，并分别进行了未来1天预测(一步预测)、未来3天预测(三步预测)和未来5天预测(五步预测)，具体结果如表3、4、5所示；
步骤5、将测试数据输入SFM网络，计算模型的MSE、RMSE、MAE指标；
步骤6、进行长短期记忆网络的对比实验；
步骤6.1、考虑各个模型的收敛特性，将对比实验的训练轮数设为2000轮。
步骤6.2、这里展示了D类354个家庭的平均预测结果，以及随机选择的两个用户的两种网络预测对比图，如图6(a)、6(c)为LSTM网络预测示意图，如图6(b)、6(d)为SFM网络预测示意图。
表3：一步预测
| MSE | RMSE | MAE | |
| LSTM网络 | 6.47 | 2.54 | 1.27 |
| SFM网络 | 5.09 | 2.25 | 1.10 |
表4：三步预测
| MSE | RMSE | MAE | |
| LSTM网络 | 14.17 | 3.76 | 2.12 |
| SFM网络 | 11.42 | 3.38 | 2.00 |
表5：五步预测
| MSE | RMSE | MAE | |
| LSTM网络 | 22.11 | 4.70 | 2.72 |
| SFM网络 | 16.95 | 4.11 | 2.45 |
可以发现，在一步、三步、五步预测中，SFM网络在三种指标上均低于LSTM网络，充分显示了模型的有效性。
Claims (3)
1.一种基于状态频率记忆网络的家庭短期负荷预测方法，其特征在于：实现包括以下步骤：
步骤一：从数据库中获取某地区用户两年的日用电量历史数据；
步骤二：对于连续N天用电量为0的用户进行剔除；
步骤三：对步骤二处理后的数据进行K均值聚类，通过肘部法则和轮廓系数两个指标共同确定聚类数；
步骤四：采用小波去噪技术，对步骤三处理后的数据进行去噪处理；
步骤五：将步骤四处理后的数据进行归一化处理；
步骤六：构建SFM网络模型；
所述的SFM网络由三个门单元和一个记忆单元组成，其中记忆状态被分解成一组K个离散频率，使模型获得了在不同频率下的学习能力；
①遗忘门
遗忘门由状态遗忘门
和频率遗忘门
组成，以分别调节多状态和多频率的信息；
其中，xt为当前时刻的输入数据，ht-1为上一时刻的输出数据，Wste、Uste、Wfre、Ufre为权重，bste、bfre为偏置；状态-频率遗忘门Ft被定义为状态遗忘门
与频率遗忘门
之间的外积，以共同调节状态和频率信息，并控制流入存储单元的信息；
②输入门
输入门决定了在当前时刻能够保存多少输入信息到存储单元，计算公式为：
it＝sigmoid(Wixt+Uiht-1+bi)
其中Wi、Wc、Ui、Uc为权重，bi、bc为偏置；
③状态更新
为了实现跨不同频率学习模式的能力，SFM模型的记忆状态被分解成一组K个离散频率
这K个频率在[0，2π]上均匀分布；
其中，
为状态序列上的K个频率分量的傅里叶基，St为t时刻的记忆状态矩阵，Ft为遗忘门的输出，St-1为上一时刻的记忆状态矩阵，it为输入门，
为输入调制，
表示矩阵对应元素相乘；
记忆状态矩阵St表示为实部和虚部两部分：
计算记忆状态矩阵St的振幅和相位：
振幅将被用于计算当前时刻输出的隐藏状态ct，相角则被忽略；
ct＝tanh(Atua+ba)
其中ua为权重，ba为偏置；
④输出门
输出门决定了在当前时刻，能够保存多少信息流出神经元；
ot＝sigmoid(Woxt+Uoht-1+bo)
Wo、Uo表示权重，bo为偏置；
步骤七：确定模型的损失函数、优化器以及各项超参数；
步骤八：将步骤五的数据拆分为训练集和测试集，拆分比例为9：1；
步骤九：训练SFM模型；
步骤十：将测试数据输入训练好的模型，得到预测的精度。
2.根据权利要求1所述的一种基于状态频率记忆网络的家庭短期负荷预测方法，其特征在于：所述的N设为20。
3.根据权利要求1所述的一种基于状态频率记忆网络的家庭短期负荷预测方法，其特征在于：步骤四中采用db8小波进行小波去噪。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110618630.5A CN113537556A (zh) | 2021-06-03 | 2021-06-03 | 一种基于状态频率记忆网络的家庭短期负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110618630.5A CN113537556A (zh) | 2021-06-03 | 2021-06-03 | 一种基于状态频率记忆网络的家庭短期负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113537556A true CN113537556A (zh) | 2021-10-22 |
Family
ID=78095505
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110618630.5A Pending CN113537556A (zh) | 2021-06-03 | 2021-06-03 | 一种基于状态频率记忆网络的家庭短期负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537556A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114977176A (zh) * | 2022-07-19 | 2022-08-30 | 深圳江行联加智能科技有限公司 | 电力负荷分解方法、装置、设备及存储介质 |
| CN116596144A (zh) * | 2023-05-22 | 2023-08-15 | 北京建筑大学 | 融入频率注意力的混合深度学习电力负荷预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107622329A (zh) * | 2017-09-22 | 2018-01-23 | 深圳市景程信息科技有限公司 | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 |
| CN108256697A (zh) * | 2018-03-26 | 2018-07-06 | 电子科技大学 | 一种用于电力系统短期负荷的预测方法 |
| CN110070229A (zh) * | 2019-04-26 | 2019-07-30 | 中国计量大学 | 家庭电力负荷的短期预测方法 |
| CN112580876A (zh) * | 2020-12-21 | 2021-03-30 | 国网甘肃省电力公司电力科学研究院 | 基于改进emd-lstm组合模型的光伏电站发电分频段预测方法 |
-
2021
- 2021-06-03 CN CN202110618630.5A patent/CN113537556A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107622329A (zh) * | 2017-09-22 | 2018-01-23 | 深圳市景程信息科技有限公司 | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 |
| CN108256697A (zh) * | 2018-03-26 | 2018-07-06 | 电子科技大学 | 一种用于电力系统短期负荷的预测方法 |
| CN110070229A (zh) * | 2019-04-26 | 2019-07-30 | 中国计量大学 | 家庭电力负荷的短期预测方法 |
| CN112580876A (zh) * | 2020-12-21 | 2021-03-30 | 国网甘肃省电力公司电力科学研究院 | 基于改进emd-lstm组合模型的光伏电站发电分频段预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 余敬柳: "基于状态频率记忆神经网络的短时交通流预测", 武汉理工大学学报（交通科学与工程版）, vol. 44, no. 04, pages 733 - 737 * |
| 余敬柳;陈鹏;谢静敏;: "基于状态频率记忆神经网络的短时交通流预测", 武汉理工大学学报(交通科学与工程版), no. 04, pages 733 - 737 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114977176A (zh) * | 2022-07-19 | 2022-08-30 | 深圳江行联加智能科技有限公司 | 电力负荷分解方法、装置、设备及存储介质 |
| CN114977176B (zh) * | 2022-07-19 | 2022-11-18 | 深圳江行联加智能科技有限公司 | 电力负荷分解方法、装置、设备及存储介质 |
| CN116596144A (zh) * | 2023-05-22 | 2023-08-15 | 北京建筑大学 | 融入频率注意力的混合深度学习电力负荷预测方法及系统 |
| CN116596144B (zh) * | 2023-05-22 | 2024-01-23 | 北京建筑大学 | 融入频率注意力的混合深度学习电力负荷预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Moreno et al. | Wind speed forecasting approach based on singular spectrum analysis and adaptive neuro fuzzy inference system | |
| Tian et al. | Multi-step short-term wind speed prediction based on integrated multi-model fusion | |
| CN110175386B (zh) | 变电站电气设备温度预测方法 | |
| CN109871977A (zh) | 基于离散小波变换和优化最小支持向量机的负荷预测方法 | |
| CN107480815A (zh) | 一种电力系统台区负荷预测方法 | |
| Dou et al. | Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition | |
| CN101414366A (zh) | 基于改进极端学习机方法的电力系统短期负荷预测方法 | |
| CN106022614A (zh) | 一种基于最近邻聚类的神经网络数据挖掘方法 | |
| CN113537556A (zh) | 一种基于状态频率记忆网络的家庭短期负荷预测方法 | |
| CN115099519B (zh) | 一种基于多机器学习模型融合的油井产量预测方法 | |
| CN111985719B (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
| Yang et al. | Short-term load forecasting with an improved dynamic decomposition-reconstruction-ensemble approach | |
| Laurinec et al. | Adaptive time series forecasting of energy consumption using optimized cluster analysis | |
| CN109117992A (zh) | 基于wd-la-wrf模型的超短期风功率预测方法 | |
| CN111222689A (zh) | 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置 | |
| CN113822419A (zh) | 一种基于结构信息的自监督图表示学习运行方法 | |
| CN115758246A (zh) | 基于EMD与AlexNet的非侵入式负荷识别方法 | |
| CN110796303B (zh) | 一种基于ewt和odbscan的短期电力负荷预测方法 | |
| CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
| CN115456312A (zh) | 基于辛几何模态分解的短期电力负荷预测方法及系统 | |
| Sun et al. | The CEEMD-LSTM-ARIMA model and its application in time series prediction | |
| Zhang et al. | Optimal echo state network parameters based on behavioural spaces | |
| CN115018111A (zh) | 融合深度学习和自适应建模机制的风电功率预测方法、系统 | |
| CN113850438A (zh) | 公共建筑能耗预测方法、系统、设备及介质 | |
| Zhao et al. | A frequency item mining based embedded feature selection algorithm and its application in energy consumption prediction of electric bus |
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 |