CN113570106B - 基于高速公路神经网络的电力负荷预测方法及设备 - Google Patents
基于高速公路神经网络的电力负荷预测方法及设备 Download PDFInfo
- Publication number
- CN113570106B CN113570106B CN202110535062.2A CN202110535062A CN113570106B CN 113570106 B CN113570106 B CN 113570106B CN 202110535062 A CN202110535062 A CN 202110535062A CN 113570106 B CN113570106 B CN 113570106B
- Authority
- CN
- China
- Prior art keywords
- data
- power load
- load
- weather
- neural 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 72
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 238000007621 cluster analysis Methods 0.000 claims abstract description 16
- 230000015654 memory Effects 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 22
- 238000013178 mathematical model Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 9
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 24
- 230000006870 function Effects 0.000 description 10
- 230000005611 electricity Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (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)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于高速公路神经网络的电力负荷预测方法及设备，方法包括：获取预测地点的历史时间段的电力负荷数据及天气数据，并求取电力负荷数据及天气数据的相关性系数；根据所述相关性系数得到特征矩阵，并采用聚类分析法对历史负荷的运行日进行分类；针对每类运行日，以运行日类型、日电力负荷数据及相关天气数据为输入，分别建立对应的基于人工智能高速公路神经网络的负荷预测模型；确定当前运行日类型，并采用与当前运行日类型对应的负荷预测模型进行电力负荷预测。本方案，有效确保了电力负荷预测的准确性。
Description
技术领域
本发明涉及电力负荷预测技术领域，具体涉及一种基于高速公路神经 网络的电力负荷预测方法及设备。
背景技术
电力产业是国民经济的基础产业，对于国家的安定稳固、社会的发展 建设和人民的安居乐业起着至关重要的作用。随着社会经济的发展和人民 生活水平的提高，智能电网建设全面开展，于是在电力系统的运行、监管 和调度等过程中产生了海量、多维度的电力数据。为了实现高效、准确的 电力负荷预测，大数据挖掘技术成为一种十分重要的工具方法。考虑到电力系统的一大特点是无法完成电能的大量存储，发电和用电几乎同时完成，这就对负荷预测的精度和实时性提出了较高的要求。准确的短期负荷预测 不仅是电力系统安全、经济运行的基础，更是电网生产规划和运行调度的 重要依据。
在实际的电力系统短期负荷预测中，电力结构日趋复杂、电网信息量 逐年增多并且电力负荷受到多种非线性因素的影响，这都使得负荷预测的 精度无法保证。因此，针对现有负荷预测方法存在的不足，众多国内外学 者致力于电力负荷精度问题的研究，提出了多种新的负荷预测方法和模型。 但是，传统的负荷预测方法考虑的因素单一，没有考虑不同影响因素对负荷的影响，导致电力预测不准确。
发明内容
因此，本发明要解决现有电力负荷预测方法中考虑的影响因素单一导 致电力负荷预测不准确的技术问题，从而提供了一种基于高速公路神经网 络的电力负荷预测方法及设备。
第一方面，根据本发明实施提供一种基于高速公路神经网络的电力负 荷预测方法，对电力系统的短期用电负荷进行预测，所述方法，包括：
获取预测地点的预设历史时间段的电力负荷数据及天气数据，并求取 电力负荷数据及天气数据的相关性参数系数；
根据所述相关性参数选取系数得到特征矩阵，并采用聚类分析法对选 取的特征矩阵对应的历史负荷的运行日进行分类；
针对每类运行日，以运行日类型、日电力负荷数据及相关天气数据为 输入，分别建立对应的基于人工智能高速公路神经网络的负荷预测模型；
确定当前运行日类型，并采用与所述当前运行日类型对应的负荷预测 模型进行电力负荷预测。
优选地，所述获取预测地点的历史时间段的电力负荷数据及天气数据， 并求取电力负荷数据及天气数据的相关性系数，包括：
获取预设地点的预设历史时间段内等时间间隔的多个电力负荷数据及 对应的天气数据，构成电力负荷数据-天气数据对；
针对每个电力负荷数据-天气对，采用第一数学模型计算电力负荷数据 与天气数据的相关性参数系数；
其中，所述第一数学模型根据电力负荷数据-天气数据对的个数、样点 的用电负荷值、负荷样本数据的平均值、取样时间点各天气影响因素的样 本值、各天气影响因素样本数据的平均值来确定。
优选地，所述第一数学模型为：
其中，ρx,y为皮尔逊相关系数，N电力负荷数据-天气数据对的个数，xi为 取样点的用电负荷值、为负荷样本数据的平均值、yi为取样点各天气影响 因素的样本值、/>为各天气影响因素样本数据的平均值。
优选地，根据所述相关性系数得到特征矩阵，并采用聚类分析法对历 史负荷的运行日进行分类，包括：
选取相关性参数系数满足预设要求的日特征数据构成特征矩阵；
采用主成分分析法对所述特征矩阵进行降维；
将降维后的特征矩阵作为输入，采用聚类分析法对历史负荷运行日完 成分类；
其中，所述特征数据包括天气数据和电力负荷数据。
优选地，所述基于人工智能高速公路神经网络的负荷预测模型，包括：
所述基于人工智能高速公路神经网络的负荷预测模型由多层高速公路 神经网络堆叠而成；
其中，在相邻两层高速公路神经网络中，前一层高速神经网络的输出 作为后一层高速神经网络的输入。
优选地，每一层高速神经网络，包括用于：
接收输入的运行日类型、日电力负荷数据及天气运行相关数据；
根据‘控制门’将输入信息分为两部分；
将第一部分日运行日、电力负荷数据及天气运行数据与‘控制门’执 行按位乘操作，得到第一子结果；
将第二部分电力负荷及天气运行数据运行日、电力负荷运行数据进行 非线性变换后再与‘控制门’执行按位乘操作，得到第二子结果；
将第一子结果和第二子结果送入加法模块整合，得到输出结果。
第二方面，根据本发明实施例提供一种基于高速公路神经网络的电力 负荷预测设备，用于对电力系统的短期用电负荷进行预测，包括：
数据处理模块，用于获取预测地点的历史时间段的电力负荷数据及天 气数据，并求取电力负荷数据及天气数据的相关性系数；
分类模块，用于根据所述相关性系数得到特征矩阵，并采用聚类分析 法对历史负荷的运行日进行分类；
模型建立模块，用于针对每类运行日，以运行日类型、日电力负荷数 据及相关天气数据为输入，分别建立对应的基于人工智能高速公路神经网 络的负荷预测模型；
预测模块，用于确定当前运行日类型，并采用与当前运行日类型对应 的负荷预测模型进行电力负荷预测。
优选地，所述数据处理模块，还用于：
获取预设地点的历史时间段内等时间间隔的多个电力负荷数据及对应 的天气数据，构成电力负荷数据-天气数据对；
针对每个电力负荷数据-天气对，采用第一数学模型计算电力负荷数据 与天气数据的相关性系数；
其中，所述第一数学模型根据电力负荷数据-天气数据对的个数、样点 的用电负荷值、负荷样本数据的平均值、取样时间点各天气影响因素的样 本值、各天气影响因素样本数据的平均值来确定。
第三方面，根据本发明实施例提供一种基于高速公路神经网络的电力 负荷预测设备，包括：存储器和处理器，所述存储器和所述处理器之间互 相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述 计算机指令，从而执行上述任一项所述的基于高速公路神经网络的电力负 荷预测方法。
第四方面，根据本发明实施例提供一种计算机可读存储介质，所述计 算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机 执行上述任一项所述的基于高速公路神经网络的电力负荷预测方法。
本发明提供的电力负荷预测方法、设备及存储介质，具有如下优点：
本发明提供的电力负荷预测方法、设备及存储介质，基于人工智能高 速公路神经网络，用于对电力系统的短期用电负荷进行预测，包括：获取 预测地点的历史时间段的电力负荷数据及天气数据，并求取电力负荷数据 及天气数据的相关性系数；根据所述相关性系数得到特征矩阵，并对特征 矩阵完成降维，之后采用聚类分析法对历史负荷运行日进行分类；针对每类运行日，以电力负荷及相关天气数据为输入，分别建立基于人工智能高 速公路神经网络的负荷预测模型；确定当前运行日类型，采用与当前运行 日类型对应的负荷预测模型进行电力负荷预测。本方案，综合电力负荷的 多个因素进行考虑，针对不同类型的运行日，分别建立相应的电力负荷预 测模型，实现对短期电力负荷的高精度预测，为电力行业的发展提供了良 好的保障。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下 面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍， 显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普 通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获 得其他的附图。
图1为本发明实施例提供的电力负荷预测方法的流程图；
图2为本发明实中步骤S12的流程图；
图3为本发明实中步骤S14的流程图；
图4为人工智能高速公路神经网络的负荷预测模型的示意图；
图5a为k-mean聚类结果x-y轴图像的示意图；
图5b为k-mean聚类结果x-z轴图像；
图5c为k-mean聚类结果y-z轴图像；
图6为长短时记忆网络单元结构图；
图7a为采用本发明实施例提供的负荷预测方法对节假日(2013.4.29) 电力负荷的预测结果与实际负荷的对比；
图7b为采用本发明实施例提供的负荷预测方法对工作日(2013.5.13) 电力负荷的预测结果与实际负荷的对比；
图7c为采用本发明实施例提供的负荷预测方法对周末(2013.5.18) 电力负荷的预测结果与实际负荷的对比；
图7d为采用本发明实施例提供的负荷预测方法对用电高峰日 (2013.7.17)电力负荷的预测结果与实际负荷的对比；
图8为本发明实施例提供的一种电力负荷预测设备的模块图；
图9为本发明实施例提供的一种电力负荷预测设备的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然， 所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发 明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得 的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、 “右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附 图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是 指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第 三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术 语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接， 也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接； 可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部 的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼 此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供一种基于高速公路神经网络的电力负荷预测方法， 基于人工智能高速公路(Highway)神经网络，用于对电力系统的短期用电 负荷进行预测，参见图1所示，所述方法，包括：
步骤S12、获取预测地点的历史时间段的电力负荷数据及天气数据，并 求取电力负荷数据及天气数据的相关性系数；
在本发明实施例中，参见图2所述，步骤S12，包括：
步骤S121、获取预设地点的历史时间段内等时间间隔的多个电力负荷 数据及对应的天气数据，构成电力负荷数据-天气数据对；
步骤S122、针对每个电力负荷数据-天气对，采用第一数学模型计算电 力负荷数据与天气数据的相关性系数；
其中，所述第一数学模型根据电力负荷数据-天气数据对的个数、样点 的用电负荷值、负荷样本数据的平均值、取样时间点各天气影响因素的样 本值、各天气影响因素样本数据的平均值来确定。
具体地，在本发明实施例中，对预测地点的历史时间段内的电力负荷 数据及天气数据进行获取，然后求取电力负荷数据与天气数据的相关性系 数，如皮尔逊相关系数。其中，历史时间段可根据实际需求进行，如过去 一年的时间段，或者某一自然年的时间段等。
作为一个具体实施例，可以选取2012年每天的96个取样点的用点负 荷值、温度、湿度、降雨、风速、风向等天气因素数据，并采用公式(1-1) 计算电力负荷数据与温度、湿度、降雨、风速、风向等天气因素数据之间 的皮尔逊相关系数，其中，公式(1-1)为：
公式(1-1)中，ρx,y为皮尔逊相关系数，N为样本个数，xi为取样点的 用电负荷值、为负荷样本数据的平均值、yi为取样点各天气影响因素的样 本值、/>为各天气影响因素样本数据的平均值。其中，N在此为366*96，即 针对预测地点，选取2012年中每天的96组数据，其中，96组数据的选取 采用等时间间隔，即每天中，每15分钟选取一组。
步骤S14、根据所述相关性参数选取特征矩阵，并采用聚类分析法对历 史负荷的运行日进行分类；
在本发明实施例，参见图3所示，步骤S14，包括：
步骤S141、选取相关性系数满足预设要求的日特征数据构成特征矩阵；
步骤S142、采用主成分分析法对所述特征矩阵进行降维；
作为一个具体实施例，选取相关性系数值最大的天气影响因素形成特 征值，与日电力负荷值构成特征矩阵，然后，采用主成分分析法对特征矩 阵进行降维。
步骤S143、将降维后的特征矩阵作为输入，采用聚类分析法对历史负 荷运行日完成分类；
其中，所述特征数据包括天气数据和电力负荷数据。
作为本发明实施例一个具体实施例，将降维后的特征矩阵作为K-means 聚类的输入得到可视化分类结果，最终将收集的电力负荷数据按照运行日 类型划分为三类，分别是：特殊节假日、夏季冬季用电高峰日、周末及工 作日。其中特殊节假日、周末及工作日按照日期类型判断即可，而夏季冬 季用电高峰日的判断根据规律分析总结为温度判据，夏季用电高峰日判据：连续5天的日最高温度均高于30度且连续5天的日最低温度均高于25度。冬季用电高峰日判据：考虑各单位、企业年底经济发展较快的因素，认为 只有在12月的连续5天最高温低于10度且连续5天最低温低于5度时为冬季用电高峰日。
步骤S16、针对每类运行日，以运行日的电力负荷及相关天气数据为输 入，建立基于人工智能高速公路神经网络的负荷预测模型；
作为一个具体实施例，针对采用K-means聚类分析法确定的三类运行 日(特殊节假日、夏季冬季用电高峰日、周末及工作日)，以运行日类型、日电力负荷和天气数据作为输入，建立基于人工智能高速公路神经网络的 负荷预测模型。在建立预测模型之后，利用测试数据，以运行日、历史负 荷及天气数据作为输入，以电力负荷数据作为输出，以对模型进行测试， 当预测输出的电力负荷满足精度要求时，确定该模型为满足要求的电力负 荷预测模型。具体的，针对三类运行日中的每一类运行日，分别建立相应 的模型，模型的输入为历史负荷及天气数据，而模型的输出为电力负荷数据。
步骤S18、确定当前运行日类型，并采用与当前运行日类型对应的负荷 预测模型完成电力负荷预测。
在本发明实施例中，在建立电力负荷预测模型之后，可以对待预测时 间的电力负荷进行预测，具体为：确定需要预测的运行日类型，然后采用 与运行日类型对应的负荷预测模型进行电力负荷预测。
具体的，在步骤S16中建立电力负荷预测模型时，针对三种类型的运 行日，分别建立相应的电力负荷预测模型，然后，在对当前运行日的电力 负荷进行预测时，在确定当前运行日类型后，输入历史负荷数据、天气数 据等，预测当前运行日的电力负荷。
在本发明一个实施例中，步骤S18中，所述基于人工智能高速公路神 经网络的负荷预测模型由多层高速神经网络堆叠而成；
其中，在相邻两层高速神经网络中，前一层高速神经网络的输出作为 后一层高速神经网络的输入。
本发明实施例中，人工智能高速公路神经网络的负荷预测模型是通过 堆叠多个单层高速公路神经网络得到的一个较深的神经网，其中高速公路 神经网络的层数是一个可调参数记为layer_size。参见图4所示，第一层高速神经网络Layer_size＝1的输出作为第二层高速神经网络Layer_size＝2 的输入，而第二层高速神经网络Layer_size＝2的输出作为第三层高速神经 网络Layer_size＝3的输入……最后一层高速神经网络的输出作为基于高 速神经网络负荷预测模型的输出。
进一步地，本发明实施例中，每一层高速神经网络，用于：
接收输入的运行日类型、日电力负荷数据及天气相关数据；
根据‘控制门’将输入信息分为两部分；
将第一部分日电力负荷数据及天气运行数据与‘控制门’执行按位乘 操作，得到第一子结果；
将第二部分电力负荷及天气运行数据进行非线性变换后再与‘控制门’ 执行按位乘操作，得到第二子结果；
将第一子结果和第二子结果送入加法模块整合，得到输出结果。
作为一个具体实施例，每层高速公路神经网络包含输入模块(input)6 个功能模块(门控单元T、门控单元C、非线性变换函数H、2个按位乘法 模块、1个加法模块)、输出模块(output)。T(Transform gate，转换门) 是网络中的门控单元，其作用是控制通过变换输入而产生输出的信息量大 小；C(Carry gate，携带门)是网络中的另一个门控单元，其作用是控制直 接输入而产生输出的信息量大小，通常认为C可以用T表示，即C＝1-T； 非线性变换函数H通常为激活函数，可以取tanh、relu、Elu、Leaky relu等 激活函数，在具体模型中可通过调整得到最适用的H函数。
信息在第i层高速公路神经网络中的传递路径为：对于输入input而言， 一部分信息直接按位乘控制门C(x，wC)模块、另一部分则需要先进行非线性 变换H(X，WH)再按位乘控制门T(x，wT)，之后将两部分信息送入加法模块 做整合，得到本层的输出hi。综上，定义高速公路层如公式(1-2)：
y＝H(x，wH)·T(x，wT)+x·C(x，wc) (1-2)
为了简化，通常认为C可以用T表示，即C＝1-T，所以该网络还可 以写成公式(1-3)的形式。不难看出，为了保证公式(1-3)的有效性，该模型的一个限制条件是输入x、输出y、非线性变换H、非线性变换T的维 度必须相匹配。
y＝H(x，wH)·T(x，wT)+x·(1-T(x，wT)) (1-3)
公式(1-2)、(1-3)中T通常取公式(1-4)的形式，其中σ是数值范围 为(0，1)的sigmoid函数：
由公式(3)可得：在一些特殊的条件下，高速公路层还可以表示如公 式(5)：
公式(2)、(3)、(4)、(5)中WT是权重矩阵；bT是转换门的偏差矢量， bT的初始化通常用负值(-1、-3)等，目的是使得网络最初偏向于carry行 为即直接通过，这是该网络的一个重要属性，可以避免在一开始时由于陷 入退化为普通深层网络而导致无法训练的情况。由于σ(x)∈(0，1)，所以公式(5)中的条件永远不可能完全正确，但它可以更清晰地体现出该 网络信息流通的灵活性。
如下，列举一个具体实施例进行阐述：
为验证本发明实施例提供的电力负荷预测方法的有效性，先对用电负 荷、相关影响因素数据完成预处理，之后分别求解预测地点2012年每天96 个取样点用电负荷值和温度、湿度、降雨、风速、风向等天气因素数据之 间的皮尔逊相关系数，求解结果如表1。
表1 2012年全年负荷与各影响因素之间的相关系数
考虑夏季用电负荷的波动性较大，且受到天气影响因素的影响较大， 所以再特别针对预测对象2012年夏季求解每天96个取样点用电负荷值和 温度、湿度、降雨、风速、风向等天气因素数据之间的皮尔逊相关系数， 求解结果如表2。
表2 2012年夏季负荷与各影响因素之间的相关系数
从表1、表2中可得，相对于其他影响因素而言，温度、湿度与用电负荷之间的相 关系数较大，特别是夏季表现得尤为明显，故可得出结论：对于该预测对象而言，温度、 湿度是对用电负荷影响较大的两个天气因素。
基于相关系数的计算结果，以日为单位利用相关性最大的天气影响因素温度形成特 征值(最高温度、最低温度、平均温度)，并与日负荷特征值(最大负荷、最小负荷、 平均负荷、负荷峰谷差、负荷标准差)一起构成特征矩阵(八维)。为实现分类结果的 可视化，采用主成分分析法对特征矩阵完成降维(两维)，再将降维结果作为K-means聚类的输入得到可视化分类结果分别得到x-y轴图像、x-z轴图像、y-z轴图像，分别如 图4(a)、4(b)、4(c)所示。图4(a)、4(b)、4(c)中，x轴表示1到366天；y、 z轴分别是主成分分析法降维得到的两维特征数据。图中可直观地看出电力负荷按照日 期类型被分为三大类，对照2012年日历可得，图中方块代表工作日和周末、圆圈代表 国家法定节假日、三角代表夏季冬季用电高峰日。综上，基于聚类结果，将历史负荷按 照日期类型划分为三类，分别是：特殊节假日、夏季冬季用电高峰日、周末及工作日。
基于以上研究结果，以预测对象2012年日96点负荷数据及影响较大 的天气因素(温度、湿度)数据作为输入，针对不同的运行日(特殊节假 日、夏季冬季用电高峰日、周末及工作日)分别建立基于人工智能高速公 路神经网络的负荷预测模型，对2013年待预测日的日96点负荷进行预测。
高速公路神经网络模型(Highway network)是基于长短时记忆网络模 型(LSTM)“门控机制”的思想来调节信息流。单个长短时记忆网络单元 的结构如图(5)，下标t表示当前时刻、t-1表示上一时刻、Ct表示内部状 态、ht表示外部状态(最后一层则表示输出yt)、xt表示输入、σ和tanh分 别表示sigmoid激活函数和tanh激活函数。当前时刻的LSTM单元有三个 输入，分别是：Ct-1、ht-1、xt；有两个输出，分别是Ct、ht。LSTM网络 包含三个“门”结构，分别是：“输入门”，决定了当前时刻的状态有多少 保存到内部状态中；“遗忘门”，决定对于过去的状态有多少需要丢弃；“输 出门”，决定当前时刻的内部状态有多少需要输出给外部状态。综上，LSTM 利用三个“门”结构完成了信息的选择性更新、遗忘和输出，也实现了信息在层内的相邻时刻间和相邻层间的传递。
高速公路神经网络特殊的门控机制使得它可以获得一些路径，信息沿 着这些路径可以流过几个层而没有衰减，故该模型可以针对深层次网络训 练困难的问题提出新的解决思路，本发明提出将其应用于电力系统负荷预 测领域。
为了验证本发明负荷预测方法的有效性，分别建立针对特殊节假日、 工作日及周末、夏季冬季用电高峰日的人工智能高速公路神经网络负荷预 测模型。以预测对象2012年的负荷、天气、星期类型及节假日作为样本数 据，对同地区2013年的日96点负荷完成预测。图6(a)、6(b)、6(c)、 6(d)是针对2013年4月29日(节假日)、5月13日(工作日)、5月18 日(周末)、7月17日(用电高峰日，温度情况见表3)几个典型日的日96 点负荷预测结果，并与不做运行日分类的Highway network负荷预测方法、经典的支持向量机(SVM)负荷预测方法及长短时记忆网络(LSTM)负荷 预测方法的预测结果形成对比。图中横坐标表示96个采样点，纵坐标表示 负荷值。综合对比四张图中预测曲线可知，本文所提方法的预测结果相较于其他三种方法更接近于真实值，认为预测效果更优。
表3 2013年7月17日前5天温度情况
为了更直观的评价四种方法的荷预测结果，定量分析计算各模型预测 结果的平均绝对百分比误差(MAPE)，MAPE的计算公式如式(6)。
公式(6)中，表示预测值、yi表示真实值、n表示预测数值个数。显 然可得MAPE取值为[0,+∞]，MAPE越小说明预测误差越小、准确率越高。基于四种方法别对2013年典型日进行负荷预测的MAPE误差对比如表(4)。
表4 2013年典型运行日的日负荷预测MAPE误差
从表(4)可以明显看出：针对2013年三类典型日的日96点负荷预测 结果，本发明所提出的负荷预测方法的MAPE误差均在5％以下，而不聚类 的人工智能高速公路负荷预测方法、经典支持向量机模型预测、长短时记 忆网络模型预测的MAPE误差都明显高出几个百分点。针对预测平均 MAPE误差，本文方法的平均误差为2.87％，相对于其他三种方法的平均误 差降低了3％-6％。
综上，以上四种负荷预测方法的对比证明了本发明所提出的基于人工 智能高速公路神经网络的短期负荷预测方法具有有效性和优越性。
实施例2
本发明实施例还提供一种基于高速公路神经网络的电力负荷预测设备， 基于人工智能高速公路神经网络对电力负荷进行预测，用于对电力系统的 短期用电负荷进行预测，参见图8所示，包括：
数据处理模块81，用于获取预测地点的历史时间段的电力负荷数据及 天气数据，并求取电力负荷数据及天气数据的相关性系数；
分类模块82，用于根据所述相关性系数得到特征矩阵，并采用聚类分 析法对历史负荷的运行日进行分类；
模型建立模块83，用于针对每类运行日，以运行日类型、日电力负荷 数据及相关天气数据为输入，分别建立对应的基于人工智能高速公路神经 网络的负荷预测模型；
预测模块84，用于确定当前运行日类型，并采用与当前运行日类型对 应的负荷预测模型进行电力负荷预测。
在本发明实施例中，所述数据处理模块81，还用于：
获取预设地点的历史时间段内等时间间隔的多个电力负荷数据及对应 的天气数据，构成电力负荷数据-天气数据对；
针对每个电力负荷数据-天气对，采用第一数学模型计算电力负荷数据 与天气数据的相关性系数；
其中，所述第一数学模型根据电力负荷数据-天气数据对的个数、样点 的用电负荷值、负荷样本数据的平均值、取样时间点各天气影响因素的样 本值、各天气影响因素样本数据的平均值来确定。
实施例3
本实施例提供了一种基于高速公路神经网络的电力负荷预测设备，基 于人工智能高速公路神经网络对电力负荷进行预测，如图9所示，该电力 负荷预测设备包括处理器901和存储器902，其中处理器901和存储器902 可以通过总线或者其他方式连接，图9中以通过总线连接为例。
处理器901可以为中央处理器(Central Processing Unit，CPU)也 可以为其他通用处理器、数字信号处理器(Digital Signal Processor， DSP)、图形处理器(GraphicsProcessing Unit，GPU)、嵌入式神经网络 处理器(Neural-network Processing Unit，NPU)或者其他专用的深度学 习协处理器、专用集成电路(Application SpecificIntegrated Circuit， ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或 者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯 片，或者上述各类芯片的组合。
存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态 软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中电力负 荷预测方法对应的程序指令/模块(如图8所示的数据处理模块81、分类模块82、模型建立模块83及预测模块84)。处理器901通过运行存储在存储 器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能 应用以及数据处理，即实现上述方法实施例1中的基于高速公路神经网络 的电力负荷预测方法。
存储器902可以包括存储程序区和存储数据区，其中，存储程序区可 存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理 器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器， 还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其 他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处 理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通 信网及其组合。
所述一个或者多个模块存储在所述存储器902中，当被所述处理器901 执行时，执行如图1所示的基于高速公路神经网络的电力负荷预测方法。
在本实施例中，存储器902存储有电力负荷预测方法的程序指令或模 块，处理器901执行存储在存储器902内的程序指令或模块时，基于人工智能高速公路神经网络，用于对电力系统的短期用电负荷进行预测，包括： 获取预测地点的历史时间段的电力负荷数据及天气数据，并求取电力负荷 数据及天气数据的相关性系数；根据所述相关性系数得到特征矩阵，并采 用聚类分析法对历史负荷的运行日进行分类；针对每类运行日，以运行日 类型、日电力负荷数据及相关天气数据为输入，分别建立对应的基于人工 智能高速公路神经网络的负荷预测模型；确定当前运行日类型，并采用与当前运行日类型对应的负荷预测模型进行电力负荷预测。
本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储 介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法 实施例中的电力负荷预测方法。其中，所述存储介质可为磁碟、光盘、只 读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(HardDisk Drive， 缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方 式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可 以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予 以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保 护范围之中。
Claims (7)
1.一种基于高速公路神经网络的电力负荷预测方法，用于对电力系统的短期用电负荷进行预测，其特征在于，所述方法，包括：
获取预测地点的历史时间段的电力负荷数据及天气数据，并求取电力负荷数据及天气数据的相关性系数；
根据所述相关性系数得到特征矩阵，并采用聚类分析法对历史负荷的运行日进行分类；
所述根据所述相关性系数得到特征矩阵，并采用聚类分析法对历史负荷的运行日进行分类，包括：
选取相关性系数满足预设要求的日特征数据构成特征矩阵；其中，所述特征矩阵为八维矩阵，包括天气数据和电力负荷数据，所述天气数据包括最高温度、最低温度、平均温度，所述电力负荷数据包括最大负荷、最小负荷、平均负荷、负荷峰谷差、负荷标准差；
采用主成分分析法对所述特征矩阵进行降维；
将降维后的特征矩阵作为输入，采用聚类分析法对历史负荷运行日完成分类；
针对每类运行日，以运行日类型、日电力负荷数据及相关天气数据为输入，分别建立对应的基于人工智能高速公路神经网络的负荷预测模型；
确定当前运行日类型，并采用与当前运行日类型对应的负荷预测模型进行电力负荷预测；
所述基于人工智能高速公路神经网络的负荷预测模型由多层高速公路神经网络堆叠而成；
其中，在相邻两层高速公路神经网络中，前一层高速神经网络的输出作为后一层高速神经网络的输入；
每一层高速神经网络用于：
接收输入的运行日类型、日电力负荷数据及天气相关数据；
根据‘控制门’将输入信息分为两部分；
将第一部分日电力负荷数据及天气运行数据与‘控制门’执行按位乘操作，得到第一子结果；
将第二部分电力负荷及天气运行数据进行非线性变换后再与‘控制门’执行按位乘操作，得到第二子结果；
将第一子结果和第二子结果送入加法模块整合，得到输出结果。
2.根据权利要求1所述的电力负荷预测方法，其特征在于，所述获取预测地点的历史时间段的电力负荷数据及天气数据，并求取电力负荷数据及天气数据的相关性系数，包括：
获取预设地点的历史时间段内等时间间隔的多个电力负荷数据及对应的天气数据，构成电力负荷数据-天气数据对；
针对每个电力负荷数据-天气对，采用第一数学模型计算电力负荷数据与天气数据的相关性系数；
其中，所述第一数学模型根据电力负荷数据-天气数据对的个数、样点的用电负荷值、负荷样本数据的平均值、取样时间点各天气影响因素的样本值、各天气影响因素样本数据的平均值来确定。
3.根据权利要求2所述的电力负荷预测方法，其特征在于，所述第一数学模型为：
其中，ρx,y为皮尔逊相关系数，N电力负荷数据-天气数据对的个数，xi为取样点的用电负荷值、为负荷样本数据的平均值、yi为取样点各天气影响因素的样本值、/>为各天气影响因素样本数据的平均值。
4.一种基于高速公路神经网络的电力负荷预测设备，用于对电力系统的短期用电负荷进行预测，其特征在于，包括：
数据处理模块，用于获取预测地点的历史时间段的电力负荷数据及天气数据，并求取电力负荷数据及天气数据的相关性系数；
分类模块，用于根据所述相关性系数得到特征矩阵，并采用聚类分析法对历史负荷的运行日进行分类；所述根据所述相关性系数得到特征矩阵，并采用聚类分析法对历史负荷的运行日进行分类，包括：
选取相关性系数满足预设要求的日特征数据构成特征矩阵；其中，所述特征矩阵为八维矩阵，包括天气数据和电力负荷数据，所述天气数据包括最高温度、最低温度、平均温度，所述电力负荷数据包括最大负荷、最小负荷、平均负荷、负荷峰谷差、负荷标准差；
采用主成分分析法对所述特征矩阵进行降维；
将降维后的特征矩阵作为输入，采用聚类分析法对历史负荷运行日完成分类；
模型建立模块，用于针对每类运行日，以运行日类型、日电力负荷数据及相关天气数据为输入，分别建立对应的基于人工智能高速公路神经网络的负荷预测模型；所述基于人工智能高速公路神经网络的负荷预测模型由多层高速公路神经网络堆叠而成；
其中，在相邻两层高速公路神经网络中，前一层高速神经网络的输出作为后一层高速神经网络的输入；
每一层高速神经网络用于：
接收输入的运行日类型、日电力负荷数据及天气相关数据；
根据‘控制门’将输入信息分为两部分；
将第一部分日电力负荷数据及天气运行数据与‘控制门’执行按位乘操作，得到第一子结果；
将第二部分电力负荷及天气运行数据进行非线性变换后再与‘控制门’执行按位乘操作，得到第二子结果；
将第一子结果和第二子结果送入加法模块整合，得到输出结果；
预测模块，用于确定当前运行日类型，并采用与当前运行日类型对应的负荷预测模型进行电力负荷预测。
5.根据权利要求4所述的电力负荷预测设备，其特征在于，所述数据处理模块，还用于：
获取预设地点的历史时间段内等时间间隔的多个电力负荷数据及对应的天气数据，构成电力负荷数据-天气数据对；
针对每个电力负荷数据-天气对，采用第一数学模型计算电力负荷数据与天气数据的相关性系数；
其中，所述第一数学模型根据电力负荷数据-天气数据对的个数、样点的用电负荷值、负荷样本数据的平均值、取样时间点各天气影响因素的样本值、各天气影响因素样本数据的平均值来确定。
6.一种基于高速公路神经网络的电力负荷预测设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-3中任一项所述的基于高速公路神经网络的电力负荷预测方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的基于高速公路神经网络的电力负荷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110535062.2A CN113570106B (zh) | 2021-05-17 | 2021-05-17 | 基于高速公路神经网络的电力负荷预测方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110535062.2A CN113570106B (zh) | 2021-05-17 | 2021-05-17 | 基于高速公路神经网络的电力负荷预测方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113570106A CN113570106A (zh) | 2021-10-29 |
| CN113570106B true CN113570106B (zh) | 2023-11-17 |
Family
ID=78161534
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110535062.2A Active CN113570106B (zh) | 2021-05-17 | 2021-05-17 | 基于高速公路神经网络的电力负荷预测方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113570106B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113792828A (zh) * | 2021-11-18 | 2021-12-14 | 成都数联云算科技有限公司 | 基于深度学习的电网负荷预测方法、系统、设备及介质 |
| CN115829152B (zh) * | 2022-12-21 | 2023-07-07 | 杭州易龙电安科技有限公司 | 一种基于机器学习算法的电力负荷预测方法、装置及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108780519A (zh) * | 2016-03-11 | 2018-11-09 | 奇跃公司 | 卷积神经网络中的结构学习 |
| CN109472404A (zh) * | 2018-10-31 | 2019-03-15 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
| CN109886389A (zh) * | 2019-01-09 | 2019-06-14 | 南京邮电大学 | 一种基于Highway和DC的新型双向LSTM神经网络构建方法 |
| CN110930008A (zh) * | 2019-11-15 | 2020-03-27 | 中国矿业大学 | 一种基于卷积神经网络的矿山灾害事件检测方法 |
| CN111241232A (zh) * | 2018-11-29 | 2020-06-05 | 北京京东尚科信息技术有限公司 | 业务服务的处理方法、装置、服务平台及存储介质 |
| CN111428926A (zh) * | 2020-03-23 | 2020-07-17 | 国网江苏省电力有限公司镇江供电分公司 | 一种考虑气象因素的区域电力负荷预测方法 |
| CN112215490A (zh) * | 2020-10-12 | 2021-01-12 | 国网重庆市电力公司电力科学研究院 | 一种基于相关性系数改进K-means的电力负荷聚类分析方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
-
2021
- 2021-05-17 CN CN202110535062.2A patent/CN113570106B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108780519A (zh) * | 2016-03-11 | 2018-11-09 | 奇跃公司 | 卷积神经网络中的结构学习 |
| CN109472404A (zh) * | 2018-10-31 | 2019-03-15 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
| CN111241232A (zh) * | 2018-11-29 | 2020-06-05 | 北京京东尚科信息技术有限公司 | 业务服务的处理方法、装置、服务平台及存储介质 |
| CN109886389A (zh) * | 2019-01-09 | 2019-06-14 | 南京邮电大学 | 一种基于Highway和DC的新型双向LSTM神经网络构建方法 |
| CN110930008A (zh) * | 2019-11-15 | 2020-03-27 | 中国矿业大学 | 一种基于卷积神经网络的矿山灾害事件检测方法 |
| CN111428926A (zh) * | 2020-03-23 | 2020-07-17 | 国网江苏省电力有限公司镇江供电分公司 | 一种考虑气象因素的区域电力负荷预测方法 |
| CN112215490A (zh) * | 2020-10-12 | 2021-01-12 | 国网重庆市电力公司电力科学研究院 | 一种基于相关性系数改进K-means的电力负荷聚类分析方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
Non-Patent Citations (2)
| Title |
|---|
| 基于LSTM 深度网络和改进核极限学习机的短期电力负荷预测;张冲冲;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(第1期);2-76 * |
| 基于相似日聚类和改进DRESN 的短期负荷预测研究;陈馨凝;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(第8期);2-73 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113570106A (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Adaptive learning based data-driven models for predicting hourly building energy use | |
| Zheng et al. | Addressing the conditional and correlated wind power forecast errors in unit commitment by distributionally robust optimization | |
| JP6292076B2 (ja) | 時系列予測アンサンブル | |
| CN112686464A (zh) | 短期风电功率预测方法及装置 | |
| CN113570106B (zh) | 基于高速公路神经网络的电力负荷预测方法及设备 | |
| CN113255973A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
| CN110648014A (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
| CN104156786A (zh) | 一种考虑气象多因素影响的非工作日最大日负荷预测系统 | |
| CN109523077B (zh) | 一种风电功率预测方法 | |
| CN114330935A (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
| Ruan et al. | Estimating demand flexibility using Siamese LSTM neural networks | |
| Safi | A comparison of artificial neural network and time series models for forecasting GDP in Palestine | |
| CN112215398A (zh) | 电力用户负荷预测模型建立方法、装置、设备及存储介质 | |
| CN116186548A (zh) | 电力负荷预测模型训练方法及电力负荷预测方法 | |
| CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
| Ghassemi et al. | Optimal surrogate and neural network modeling for day-ahead forecasting of the hourly energy consumption of university buildings | |
| Zhang et al. | Building energy consumption prediction based on temporal-aware attention and energy consumption states | |
| CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
| CN116826745A (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
| CN116307250A (zh) | 一种基于典型日特征选择的短期负荷预测方法及系统 | |
| CN116613732A (zh) | 一种基于shap值选择策略的多元负荷预测方法及系统 | |
| CN115549082A (zh) | 基于负荷挖掘和lstm神经网络的电力负荷预测方法 | |
| Goumas et al. | Modeling and forecasting of tourist arrivals in crete using statistical models and models of computational intelligence: A comparative study | |
| Gavrilas et al. | Electricity load forecasting based on a mixed statistical-neural-computational intelligence approach | |
| CN113191540A (zh) | 一种产业链路制造资源的构建方法及装置 |
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 |