CN113537578A - 一种电力用户行为预测方法 - Google Patents
一种电力用户行为预测方法 Download PDFInfo
- Publication number
- CN113537578A CN113537578A CN202110716582.3A CN202110716582A CN113537578A CN 113537578 A CN113537578 A CN 113537578A CN 202110716582 A CN202110716582 A CN 202110716582A CN 113537578 A CN113537578 A CN 113537578A
- Authority
- CN
- China
- Prior art keywords
- load
- power consumer
- power
- prediction method
- incentive
- 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 52
- 230000004044 response Effects 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000002776 aggregation Effects 0.000 claims abstract description 8
- 238000004220 aggregation Methods 0.000 claims abstract description 8
- 230000005284 excitation Effects 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 6
- 230000033228 biological regulation Effects 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 4
- 238000004378 air conditioning Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000009423 ventilation Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000000717 retained effect Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005070 sampling 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/16—Energy services, e.g. dispersed generation or demand or load or energy savings aggregation
Abstract
本发明公开了一种电力用户行为预测方法,构建负荷聚合商模式下的激励型需求响应模型;根据激励型需求响应模型获取历史电力用户负荷量、激励价格;将历史电力用户负荷量、激励价格作为训练样本,对LSTM神经网络进行训练,得到训练后的LSTM神经网络;将已知的激励价格输入训练后的LSTM神经网络,预测出电力用户负荷量。本发明提供的一种电力用户行为预测方法,显著提高了电力用户行为的预测精度,能够准确预测负荷聚合商的响应行为。
Description
技术领域
本发明涉及一种电力用户行为预测方法,属于电力用户响应行为预测技术领域。
背景技术
随着需求响应激励政策的不断落实,电力用户参与电网调度的广度、深度也不断的提高。负荷资源作为需求侧资源之一,通过一系列途径,例如经济补贴手段、强制法律手段、宣传手段等调整用户负荷或者用电模式,引导用户科学合理的用电,提升电网灵活性,降低电网调峰压力。
但是,根据用户行为调整负荷资源具有很强的不确定性,限制了需求响应服务的发展。随着负荷类型与数量的不断发展,传统的电网侧集中调度用户使用负荷量面临极大挑战,负荷聚合商参与电力市场调度就显得尤为重要,目前大部分需求响应中的负荷预测侧重于对用户负载的预测,缺乏对用户在负荷聚合商模式下的用户行为的不确定性预测。因此,本领域技术人员急需要设计出新的负荷预测的方法,以提高电力市场调度精准度。
发明内容
目的:为了克服现有技术中存在的不足,本发明提供一种电力用户行为预测方法。
技术方案:为解决上述技术问题,本发明采用的技术方案为:
一种电力用户行为预测方法,包括如下步骤:
步骤S1、构建负荷聚合商模式下的激励型需求响应模型。
步骤S2、根据激励型需求响应模型获取历史电力用户负荷量、激励价格。
步骤S3、将历史电力用户负荷量、激励价格作为训练样本,对LSTM神经网络进行训练,得到训练后的LSTM神经网络。
步骤S4、将已知的激励价格输入训练后的LSTM神经网络,预测出电力用户负荷量。
作为优选方案,所述负荷聚合商模式下的激励型需求响应模型,包括:电力企业、负荷聚合商和可参与需求响应的电力用户。电力企业与负荷聚合商提前设定价格并签订合同,电力企业依据自身运行情况判断是否需要用户侧参与调节,若需要则提前向负荷聚合商下发负荷调节量指标。由于不同用户参与电网调节的成本各不相同,负荷聚合商根据自身利益调节电力用户负荷量并给与相应的激励价格。
作为优选方案,所述电力用户负荷量包括:工业园区负荷、商业温控负荷、电动汽车、照明负荷、供热通风与空气调节负荷、家用负荷。
作为优选方案,影响电力用户负荷量对不同激励价格的响应的因素,包括:
(1)备选方案的可用性。
(2)用户的当前负载状态。
(3)用电支出占总支出的比例。
(4)外部环境。
作为优选方案,所述LSTM神经网络构建如下所示:
LSTM通过3个控制门单元:遗忘门、输入门、输出门,选择保留或者丢弃信息。
在LSTM结构中,遗忘门决定何种信息被保留。遗忘门读取上一时刻的状态信息ht-1和当前时刻的输入信息xt,然后向细胞输出0至1位数字,当输出值为0,将丢弃所有信息,当输出值为1,将保留所有信息。细胞中存储的信息是前一次的状态信息,根据遗忘门的输入,只保留有用的信息。遗忘门更新公式见式:
ft=σ(Wf·[ht-1,xt]+bf)
式中,σ表示sigmoid函数,Wf表示遗忘门的权重,bf表示遗忘门的偏置常数,ht-1表示上一时刻的输出,xt表示当前时刻的输入。
输入门利用sigmoid函数处理生成输入量,同时使用tanh函数生成候选值向量。输入门更新公式如下:
it=σ(Wi·[ht-1,xt]+bi)
细胞记录了上一时刻状态,并基于当前输入数据,更新细胞中的状态信息。细胞格的更新公式见如下:
更新细胞的状态后,需要根据细胞状态内容和当前输入,即用户的预期响应量,确定要输出的内容。输出门更新公式见式:
Ot=σ(WO·[ht-1,xt]+bO)
ht=Ot×tanh(Ct)
式中,WO、bO分别是输出门的重量和偏移量。
作为优选方案,所述LSTM神经网络采用梯度下降法对参数进行训练。
有益效果:本发明提供的一种电力用户行为预测方法,本发明显著提高了电力用户行为的预测精度,能够准确预测负荷聚合商的响应行为。
附图说明
图1是本发明电力用户行为预测方法流程图。
图2是本发明负荷聚合商模式下的需求响应实现过程。
图3是几种预测方法的负荷预测结果与真实值对比的示意图。
图4是逐点平均绝对百分比误差对比几种预测方法的示意图。
具体实施方式
以下结合附图和具体实施方式对本发明提出的一种电力用户行为预测方法作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了保证用户侧调节量能够满足电力企业要求,负荷聚合商所提供的负荷调节量应具有一定的冗余,因此,可要求负荷聚合商在调节期内即使未参与调度的负荷必须进行测试,以保证负荷聚合商所提供的负荷调节量能够应对突发情况,否则将受到处罚。若负荷聚合商上报的负荷容量较少,利润就会减少,并且如果未达到电力企业的负荷调节目标会受到一定程度的惩罚。因此,负荷聚合商在整合需求侧资源参与电力市场时,需要对电力用户行为即电力用户的负荷进行精确的预测。
结合附图1所示,本实施例提供的一种电力用户行为预测方法,包括如下步骤:
步骤S1、构建负荷聚合商模式下的激励型需求响应模型。
步骤S2、根据激励型需求响应模型获取历史电力用户负荷量、激励价格。
步骤S3、将历史电力用户负荷量、激励价格作为训练样本,对LSTM神经网络进行训练,得到训练后的LSTM神经网络。
步骤S4、将已知的激励价格输入训练后的LSTM神经网络,预测出电力用户负荷量。
所述负荷聚合商模式下的激励型需求响应模型,包括:电力企业、负荷聚合商和可参与需求响应的电力用户。电力企业与负荷聚合商提前设定价格并签订合同,电力企业依据自身运行情况判断是否需要用户侧参与调节,若需要则提前向负荷聚合商下发负荷调节量指标。由于不同用户参与电网调节的成本各不相同,负荷聚合商根据自身利益调节电力用户负荷量并给与相应的激励价格。
所述电力用户负荷量包括:工业园区负荷、商业温控负荷、电动汽车、照明负荷、供热通风与空气调节负荷、家用负荷。
电力用户负荷量对不同激励价格的响应受到多种因素的影响。主要包含以下几点因素:
(1)备选方案的可用性。如利用其他非电力设备代替电力设备,并且效果相差不大,在这种情况下,用户的响应灵活性可能很高。
(2)用户的当前负载状态。如果当前负载较高,可中断或可转移负载相对较大,用户更有可能对激励做出响应,响应弹性较高。
(3)用电支出占总支出的比例。一般情况下,当用户经济状况较好时,电费支出占其总支出的比例较小,用户可能对激励不太敏感。相反,用户可能对激励更敏感。
(4)外部环境。例如,在夏季中午的高温下,用户的需求弹性可能较低。因此,如果负荷聚合商希望通过激励使得用户更换或关闭温控设备以减少负载,则需要较高的成本。而在晚上,随着外部环境温度的降低,用户的需求弹性可能会增加。
所述LSTM神经网络构建如下所示:
LSTM通过3个控制门单元:遗忘门、输入门、输出门,选择保留或者丢弃信息。
在LSTM结构中,遗忘门决定何种信息被保留。遗忘门读取上一时刻的状态信息ht-1和当前时刻的输入信息xt,然后向细胞输出0至1位数字,当输出值为0,将丢弃所有信息,当输出值为1,将保留所有信息。细胞中存储的信息是前一次的状态信息,根据遗忘门的输入,只保留有用的信息。遗忘门更新公式见式:
ft=σ(Wf·[ht-1,xt]+bf)
式中,σ表示sigmoid函数,Wf表示遗忘门的权重,bf表示遗忘门的偏置常数,ht-1表示上一时刻的输出,xt表示当前时刻的输入。
输入门利用sigmoid函数处理生成输入量,同时使用tanh函数生成候选值向量。输入门更新公式如下:
it=σ(Wi·[ht-1,xt]+bi)
细胞记录了上一时刻状态,并基于当前输入数据,更新细胞中的状态信息。细胞格的更新公式见如下:
更新细胞的状态后,需要根据细胞状态内容和当前输入,即用户的预期响应量,确定要输出的内容。输出门更新公式见式:
Ot=σ(WO·[ht-1,xt]+bO)
ht=Ot×tanh(Ct)
式中,WO、bO分别是输出门的重量和偏移量。
训练LSTM神经网络时,使用梯度下降法对参数进行训练。若用θ来表示神经网络的参数(权重和偏差),则LOSS(θ)表示整个网络的损失函数。优化过程是找到一个参数θ,使得LOSS(θ)最小。梯度下降法沿着梯度的相反方向(即参数朝着总损耗变小的方向)以迭代方式更新参数θ:
在训练中利用梯度下降法可有效缩短训练时间,即在每次迭代中,随机选取训练样本的损失函数进行优化,可有效加快每次迭代更新的速度。当LSTM神经网络训练n次后,损失函数降低到一个较低的水平。此时,训练过程完成,然后保存LSTM神经网络。
参考图3,为了验证基于LSTM的激励型需求响应电力用户行为预测方法的性能和计算效率,实验数据采用采用国家电网某公司提供的100条负荷数据,数据采样周期为15min,即24h含96组负荷数据以及相对应的激励价格。选取80组数据作为训练数据对LSTM模型进行训练,剩余20组数据作为测试数据进行测试,并与实际负荷数据进行对比。
结合统计学误差分析与实际调度运行的需要,主要使用平均误差(mean error,ME)、均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolutepercentage error,MAPE)作为评价指标。计算方法分别见式
为体现本文所提基于LSTM模型的负荷预测方法的准确性,将本文所提预测方法与最小二乘法及k邻近(KNN)预测方法进行对比,预测结果见表1。
表1不同算法预测结果比较
首先对预测结果进行横向对比分析。由表1可知基于LSTM模型的负荷预测方法的ME、RMSE、MAPE分别为3.83MW、5.12MW、1.08%,相比于最小二乘法分别低了7.31MW、8.32MW、2.06%,相比于K邻近预测方法分别低了10.62MW、13.46MW、3.09%。
通过以上评价指标数值的横向对比不难发现:基于LSTM模型的负荷预测方法优于最小二乘法和K邻近预测方法。为更直观地对比三种方法的预测效果,图3对比了三种方法的预测值与真实值,图4对比了逐点平均绝对百分比误差。
通过图3可以看出,相比于最小二乘法和k邻近预测结果,基于LSTM模型的负荷预测结果最贴近真实值;通过图4可进一步发现基于LSTM模型的负荷预测误差最小,k邻近法的预测误差最大。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (7)
1.一种电力用户行为预测方法,其特征在于:包括如下步骤:
步骤S1、构建负荷聚合商模式下的激励型需求响应模型;
步骤S2、根据激励型需求响应模型获取历史电力用户负荷量、激励价格;
步骤S3、将历史电力用户负荷量、激励价格作为训练样本,对LSTM神经网络进行训练,得到训练后的LSTM神经网络;
步骤S4、将已知的激励价格输入训练后的LSTM神经网络,预测出电力用户负荷量。
2.根据权利要求1所述的一种电力用户行为预测方法,其特征在于:所述负荷聚合商模式下的激励型需求响应模型,包括:电力企业、负荷聚合商和可参与需求响应的电力用户;电力企业与负荷聚合商提前设定价格并签订合同,电力企业依据自身运行情况判断是否需要用户侧参与调节,若需要则提前向负荷聚合商下发负荷调节量指标;由于不同用户参与电网调节的成本各不相同,负荷聚合商根据自身利益调节电力用户负荷量并给与相应的激励价格。
3.根据权利要求1所述的一种电力用户行为预测方法,其特征在于:所述电力用户负荷量包括:工业园区负荷、商业温控负荷、电动汽车、照明负荷、供热通风与空气调节负荷、家用负荷。
4.根据权利要求1所述的一种电力用户行为预测方法,其特征在于:影响电力用户负荷量对不同激励价格的响应的因素,包括:
(1)备选方案的可用性;
(2)用户的当前负载状态;
(3)用电支出占总支出的比例;
(4)外部环境。
5.根据权利要求1所述的一种电力用户行为预测方法,其特征在于:所述LSTM神经网络构建如下所示:
LSTM通过3个控制门单元:遗忘门、输入门、输出门,选择保留或者丢弃信息。
6.根据权利要求5所述的一种电力用户行为预测方法,其特征在于:所述遗忘门更新公式见式:
ft=σ(Wf·[ht-1,xt]+bf)
式中,σ表示sigmoid函数,Wf表示遗忘门的权重,bf表示遗忘门的偏置常数,ht-1表示上一时刻的输出,xt表示当前时刻的输入;
所述输入门更新公式如下:
it=σ(Wi·[ht-1,xt]+bi)
细胞格的更新公式见如下:
输出门更新公式见式:
Ot=σ(WO·[ht-1,xt]+bO)
ht=Ot×tanh(Ct)
式中,WO、bO分别是输出门的重量和偏移量。
7.根据权利要求1所述的一种电力用户行为预测方法,其特征在于:所述LSTM神经网络采用梯度下降法对参数进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110716582.3A CN113537578A (zh) | 2021-06-25 | 2021-06-25 | 一种电力用户行为预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110716582.3A CN113537578A (zh) | 2021-06-25 | 2021-06-25 | 一种电力用户行为预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113537578A true CN113537578A (zh) | 2021-10-22 |
Family
ID=78096903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110716582.3A Pending CN113537578A (zh) | 2021-06-25 | 2021-06-25 | 一种电力用户行为预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537578A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114623569A (zh) * | 2021-11-04 | 2022-06-14 | 国网浙江省电力有限公司湖州供电公司 | 一种基于深度强化学习的集群空调负荷差异化调控方法 |
CN115841188A (zh) * | 2022-12-30 | 2023-03-24 | 北京热力智能控制技术有限责任公司 | 一种基于用户行为分析的供热系统供需优化方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014124065A (ja) * | 2012-12-21 | 2014-07-03 | Fuji Electric Co Ltd | 電力需要予測装置、プログラム |
CN108416690A (zh) * | 2018-01-19 | 2018-08-17 | 中国矿业大学 | 基于深度lstm神经网络的电网负荷预测方法 |
CN108830487A (zh) * | 2018-06-21 | 2018-11-16 | 王芊霖 | 基于长短时神经网络的电力负荷预测方法 |
CN109447373A (zh) * | 2018-11-16 | 2019-03-08 | 上海海事大学 | 基于python平台的LSTM神经网络来预测雾霾方法 |
CN109886463A (zh) * | 2019-01-18 | 2019-06-14 | 杭州电子科技大学 | 考虑需求响应不确定性的用户侧优化控制方法 |
CN110895773A (zh) * | 2019-11-29 | 2020-03-20 | 合肥工业大学 | 一种基于广义需求侧资源的dbn电网负荷预测方法及装置 |
CN111340300A (zh) * | 2020-02-29 | 2020-06-26 | 上海电力大学 | 一种基于faf-lstm深度神经网络的居民负荷预测方法及系统 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN112633571A (zh) * | 2020-12-18 | 2021-04-09 | 浙江大学 | 源网荷互动环境下基于lstm的超短期负荷预测方法 |
-
2021
- 2021-06-25 CN CN202110716582.3A patent/CN113537578A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014124065A (ja) * | 2012-12-21 | 2014-07-03 | Fuji Electric Co Ltd | 電力需要予測装置、プログラム |
CN108416690A (zh) * | 2018-01-19 | 2018-08-17 | 中国矿业大学 | 基于深度lstm神经网络的电网负荷预测方法 |
CN108830487A (zh) * | 2018-06-21 | 2018-11-16 | 王芊霖 | 基于长短时神经网络的电力负荷预测方法 |
CN109447373A (zh) * | 2018-11-16 | 2019-03-08 | 上海海事大学 | 基于python平台的LSTM神经网络来预测雾霾方法 |
CN109886463A (zh) * | 2019-01-18 | 2019-06-14 | 杭州电子科技大学 | 考虑需求响应不确定性的用户侧优化控制方法 |
CN110895773A (zh) * | 2019-11-29 | 2020-03-20 | 合肥工业大学 | 一种基于广义需求侧资源的dbn电网负荷预测方法及装置 |
CN111340300A (zh) * | 2020-02-29 | 2020-06-26 | 上海电力大学 | 一种基于faf-lstm深度神经网络的居民负荷预测方法及系统 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN112633571A (zh) * | 2020-12-18 | 2021-04-09 | 浙江大学 | 源网荷互动环境下基于lstm的超短期负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
郭亦宗,冯斌,岳铂雄,郭创新,潘军,朱以顺: "负荷聚合商模式下考虑需求响应的超短期负荷预测", 电力系统自动化, vol. 45, no. 1, pages 1 - 9 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114623569A (zh) * | 2021-11-04 | 2022-06-14 | 国网浙江省电力有限公司湖州供电公司 | 一种基于深度强化学习的集群空调负荷差异化调控方法 |
CN114623569B (zh) * | 2021-11-04 | 2023-09-29 | 国网浙江省电力有限公司湖州供电公司 | 一种基于深度强化学习的集群空调负荷差异化调控方法 |
CN115841188A (zh) * | 2022-12-30 | 2023-03-24 | 北京热力智能控制技术有限责任公司 | 一种基于用户行为分析的供热系统供需优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Oprea et al. | Machine learning algorithms for short-term load forecast in residential buildings using smart meters, sensors and big data solutions | |
Mansoor et al. | Comparison of echo state network and feed-forward neural networks in electrical load forecasting for demand response programs | |
Javaid et al. | Towards buildings energy management: using seasonal schedules under time of use pricing tariff via deep neuro-fuzzy optimizer | |
Kouzelis et al. | Estimation of residential heat pump consumption for flexibility market applications | |
Liu et al. | Automated control of transactive hvacs in energy distribution systems | |
Alduailij et al. | Forecasting peak energy demand for smart buildings | |
Xiao et al. | Impacts of data preprocessing and selection on energy consumption prediction model of HVAC systems based on deep learning | |
Mao et al. | Short-term and midterm load forecasting using a bilevel optimization model | |
Do et al. | Residential building energy consumption: a review of energy data availability, characteristics, and energy performance prediction methods | |
CN113537578A (zh) | 一种电力用户行为预测方法 | |
Lee et al. | Incorporating technology buying behaviour into UK-based long term domestic stock energy models to provide improved policy analysis | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
Al-Mousa et al. | A fuzzy-based customer response prediction model for a day-ahead dynamic pricing system | |
CN113297799A (zh) | 一种基于数据驱动的空调集群负荷需求响应潜力评估方法 | |
Souhe et al. | A hybrid model for forecasting the consumption of electrical energy in a smart grid | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
Nazari et al. | Evaluating the performance of genetic and particle swarm optimization algorithms to select an appropriate scenario for forecasting energy demand using economic indicators: residential and commercial sectors of Iran | |
Zheng et al. | Short-term energy consumption prediction of electric vehicle charging station using attentional feature engineering and multi-sequence stacked Gated Recurrent Unit | |
Tsaur et al. | Tourism demand forecasting using a novel high-precision fuzzy time series model | |
US20220237476A1 (en) | Machine learning predictive model based on electricity load shapes | |
Popoola et al. | Residential lighting load profile modelling: ANFIS approach using weighted and non-weighted data | |
Alikhani et al. | Optimal demand response programs selection using CNN‐LSTM algorithm with big data analysis of load curves | |
Pandey et al. | Indoor room temperature forecasting in buildings: a literature review (2001-21) |
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 |