CN113869616A - 一种自适应的居民用户负荷预测方法 - Google Patents

一种自适应的居民用户负荷预测方法 Download PDF

Info

Publication number
CN113869616A
CN113869616A CN202111471604.0A CN202111471604A CN113869616A CN 113869616 A CN113869616 A CN 113869616A CN 202111471604 A CN202111471604 A CN 202111471604A CN 113869616 A CN113869616 A CN 113869616A
Authority
CN
China
Prior art keywords
data
load
resident
residents
load 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.)
Pending
Application number
CN202111471604.0A
Other languages
English (en)
Inventor
侯婷婷
方仍存
张维
杨东俊
颜玉林
唐金锐
雷何
杨洁
桑子夏
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.)
Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd
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 Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd
Priority to CN202111471604.0A priority Critical patent/CN113869616A/zh
Publication of CN113869616A publication Critical patent/CN113869616A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

一种自适应的居民用户负荷预测方法，包括以下步骤：先对居民用户群中各居民历史负荷数据进行降维和聚类处理，按聚类结果将居民划分为不同类别，再将同类居民的历史负荷数据进行相加，得到代表各类居民用电模式的总负荷数据，然后根据负荷数据分别构造长短期记忆神经网络预测模型，并采用粒子群算法对预测模型超参数进行寻优，最终得到确定各类居民用电模式对应预测模型的最优超参数，并以此为基础建立各居民最优超参数的长短期记忆神经网络预测模型，从而得到各居民的负荷预测结果。本设计通过分析居民历史负荷数据的相似性，并在住宅层面开展准确的居民负荷预测，不仅预测精度高，而且预测效率高。

Description

一种自适应的居民用户负荷预测方法
技术领域
本发明涉及配电网负荷预测技术领域，尤其涉及一种自适应的居民用户负荷预测方法，主要适用于提高预测精度与预测效率。
背景技术
现代电力系统的强随机性特征愈发显著，准确的负荷预测在未来电网的规划和运行中发挥着越来越重要的作用。在过去几年中，诸如智能电表的先进计量基础设施的快速部署，实现了广泛的居民用电负荷数据采集，给居民负荷预测的实现提供了基础数据支撑。
目前，按负荷预测对象量级来看，负荷预测方法可分为网络级（或称系统级）和住宅级负荷预测。传统上研究人员主要关注网络级负荷预测方法，便于开展省级或市级调度控制管理。然而，与网络级负荷相比，住宅负荷具有更高的波动性和更强的不确定性，传统的网络级负荷预测学习方法应用于居民级负荷预测中时，往往无法获得令人满意的预测精度。因此，许多研究人员试图将深度学习应用于住宅负荷预测当中，以挖掘居民负荷的内在规律，提高其预测精度。
基于深度学习算法的负荷预测方法需要大量历史数据来训练形成有效的预测神经模型，并利用部分历史负荷数据形成验证集来对深度学习模型进行确认，避免形成的负荷预测神经模型出现过拟合现象。采用统一的超参数时，基于深度学习算法的住宅负荷预测方法无法反应居民间用电的差异性，将导致部分住宅用电负荷预测精度大幅降低。然而，为每一个住宅用电负荷分别训练合适的超参数既不现实也无必要。
发明内容
本发明的目的是克服现有技术中存在的预测精度低、预测效率低的缺陷与问题，提供一种预测精度高、预测效率高的自适应的居民用户负荷预测方法。
为实现以上目的，本发明的技术解决方案是：一种自适应的居民用户负荷预测方法，该方法包括以下步骤：
S1、先收集居民用户群中各居民历史负荷数据，并将各居民历史负荷数据进行归一化处理，再将归一化处理后的各居民历史负荷数据划分为训练集、验证集和测试集，并将训练集和验证集构成观察集，然后采用自动编码器对观察集数据进行降维处理；
S2、采用K均值聚类算法对降维后的数据进行聚类，按聚类结果将居民划分为不同类别；
S3、先将同类居民的历史负荷数据进行相加，得到代表各类居民用电模式的总负荷数据，再将总负荷数据进行归一化处理，然后将归一化处理后的总负荷数据划分为训练集、验证集和测试集；
S4、构造含有输入层、隐藏层和输出层的长短期记忆神经网络预测模型；
S5、使用步骤S3中训练集和验证集数据分别对步骤S4中构造的长短期记忆神经网络预测模型超参数进行粒子群算法寻优，在满足预测模型评价指标最优的基础上确定各类居民用电模式对应预测模型的最优超参数，并以此为基础建立各居民最优超参数的长短期记忆神经网络预测模型；
S6、使用步骤S1中训练集数据训练步骤S5中各居民最优超参数的长短期记忆神经网络预测模型，将步骤S1中测试集数据作为训练后各居民最优超参数的长短期记忆神经网络预测模型的输入，得到各居民的负荷预测结果。
步骤S1和步骤S3中，归一化处理是指将负荷数据映射到
Figure DEST_PATH_IMAGE001
之间，归一化公式 如下：
Figure 7741DEST_PATH_IMAGE002
上式中，
Figure DEST_PATH_IMAGE003
为归一化之后的数据；
Figure 400677DEST_PATH_IMAGE004
为步骤S1中各居民历史负荷数据或者步骤S3 中各类居民用电模式的总负荷数据，
Figure DEST_PATH_IMAGE005
，数据长度
Figure 972603DEST_PATH_IMAGE006
取决于智能电表的抄表间隔
Figure DEST_PATH_IMAGE007
和 抄表天数
Figure 741976DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
；
Figure 450169DEST_PATH_IMAGE010
和
Figure DEST_PATH_IMAGE011
分别为各居民历史负荷数据中的最大值和最小 值。
步骤S1和步骤S3中，将归一化处理后的负荷数据按7:2:1依次划分为训练集、验证集、测试集。
步骤S1中，采用自动编码器对观察集数据进行降维处理包括以下步骤：
S11、属于训练集和验证集的待降维负荷数据记为
Figure 11076DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE013
为第
Figure DEST_PATH_IMAGE015
户居民历史负荷数据，其负荷数据采样点个数
Figure 804720DEST_PATH_IMAGE016
为
Figure DEST_PATH_IMAGE017
，
Figure 846625DEST_PATH_IMAGE018
为所有要开展负荷预测 的居民用户数；
S12、用
Figure DEST_PATH_IMAGE019
代表第
Figure 940483DEST_PATH_IMAGE015
户居民历史负荷数据的降维特征，则
Figure 206379DEST_PATH_IMAGE019
的维度
Figure 284057DEST_PATH_IMAGE020
由下式确定：
Figure DEST_PATH_IMAGE021
上式中，
Figure 395232DEST_PATH_IMAGE022
为第
Figure 140334DEST_PATH_IMAGE015
户居民历史负荷数据的采样点个数，
Figure DEST_PATH_IMAGE023
表示对括号内的数 据进行四舍五入取整；
S13、构建自动编码器神经网络模型，其中，输入层单元个数设为
Figure 45973DEST_PATH_IMAGE024
，隐含层单元个 数设为
Figure 602158DEST_PATH_IMAGE020
，输出层单元个数设为
Figure 251445DEST_PATH_IMAGE024
；
将步骤S11中形成的待降维负荷数据
Figure DEST_PATH_IMAGE025
作为自动编码器神经网络模型的输入数 据，与第
Figure 319895DEST_PATH_IMAGE026
户居民历史负荷数据
Figure 927594DEST_PATH_IMAGE013
对应的自动编码器神经网络模型输出记为
Figure DEST_PATH_IMAGE027
，利用损失函 数公式来训练形成自动编码器神经网络模型的参数，以使所构建的自动编码器神经网络模 型完成负荷数据的降维，损失函数公式为：
Figure 448705DEST_PATH_IMAGE028
上式中，
Figure DEST_PATH_IMAGE029
为第
Figure 636104DEST_PATH_IMAGE015
户居民负荷数据对应的自动编码器神经网络模型输出序列 的第
Figure 90219DEST_PATH_IMAGE030
个值，
Figure DEST_PATH_IMAGE031
为第
Figure 72082DEST_PATH_IMAGE015
户居民负荷数据的第
Figure 80489DEST_PATH_IMAGE030
个采样点数值；
S14、基于步骤S13构建的自动编码器神经网络模型中隐含层的输出，得到第
Figure 803070DEST_PATH_IMAGE015
户居 民历史负荷数据的降维特征
Figure 111691DEST_PATH_IMAGE019
，待降维负荷数据
Figure 61193DEST_PATH_IMAGE032
降维后表示为：
Figure DEST_PATH_IMAGE033
。
步骤S2中，采用K均值聚类算法对降维后的数据进行聚类具体包括以下步骤：
S21、利用K均值聚类算法将各居民历史负荷数据的降维数据集
Figure 291317DEST_PATH_IMAGE034
聚类成为
Figure DEST_PATH_IMAGE035
个 簇，聚类数
Figure 86098DEST_PATH_IMAGE036
由所有要开展负荷预测的居民用户数
Figure DEST_PATH_IMAGE037
决定，计算公式如下：
Figure 452488DEST_PATH_IMAGE038
S22、从降维数据集
Figure 572891DEST_PATH_IMAGE034
中随机选择
Figure 821470DEST_PATH_IMAGE035
日负荷数据，作为初始聚类中心样本点，记为
Figure DEST_PATH_IMAGE039
；
S23、计算第
Figure 888783DEST_PATH_IMAGE015
户居民历史负荷数据的降维特征
Figure 906417DEST_PATH_IMAGE040
与聚类中心样本点
Figure DEST_PATH_IMAGE041
的距离
Figure 669493DEST_PATH_IMAGE042
，将计算得出的
Figure DEST_PATH_IMAGE043
按升序排列，最小值排在第 1，记为
Figure 874209DEST_PATH_IMAGE044
，则
Figure 10792DEST_PATH_IMAGE040
归为第
Figure DEST_PATH_IMAGE045
簇类，按此方法计算确定
Figure 351775DEST_PATH_IMAGE037
户居民所属簇类；
S24、根据步骤S23得到第
Figure 79559DEST_PATH_IMAGE046
簇类含有
Figure DEST_PATH_IMAGE047
户居民，为
Figure 505993DEST_PATH_IMAGE048
，依 次更新所有
Figure 977425DEST_PATH_IMAGE035
簇类中心
Figure DEST_PATH_IMAGE049
为
Figure 438494DEST_PATH_IMAGE050
，计算公式为：
Figure DEST_PATH_IMAGE051
，
Figure 740775DEST_PATH_IMAGE052
上式中，
Figure DEST_PATH_IMAGE053
为求解
Figure 920083DEST_PATH_IMAGE047
户居民簇类中心的系数；
S25、循环执行步骤23和步骤S24，直到
Figure 929627DEST_PATH_IMAGE037
户居民所属簇类结果不发生变化，即完成 聚类。
步骤S3中，根据步骤S2所得的聚类结果，给各居民用户赋予负荷聚类标签
Figure 510781DEST_PATH_IMAGE054
，
Figure DEST_PATH_IMAGE055
为第
Figure 518052DEST_PATH_IMAGE056
户居民负荷聚类标签，其取值范围为
Figure DEST_PATH_IMAGE057
；
对聚类标签相等的居民，将其历史负荷数据进行相加，得到
Figure 919077DEST_PATH_IMAGE035
组居民总负荷数据，
Figure 466733DEST_PATH_IMAGE035
组居民总负荷数据即代表了
Figure 699131DEST_PATH_IMAGE035
类居民用电模式。
步骤S4具体包括以下步骤：
S41、根据长短期记忆神经网络预测模型的时间步长
Figure 674041DEST_PATH_IMAGE058
，将步骤S1中的训练集数据 进行预处理，以作为网络预测模型的输入数据；对于第
Figure 359100DEST_PATH_IMAGE056
户居民训练集数据样本数据
Figure DEST_PATH_IMAGE059
，
Figure 193937DEST_PATH_IMAGE060
，将其处理成为：
Figure DEST_PATH_IMAGE061
上式中，
Figure 218525DEST_PATH_IMAGE062
左侧为居民历史负荷数据，
Figure 364335DEST_PATH_IMAGE062
右侧为网络预测模型的输入数据；
S42、通过训练集数据对长短期记忆神经网络预测模型的隐藏层进行训练，在验证集中取得输出结果误差较小情况下，确定长短期记忆神经网络预测模型超参数；
S43、采用步骤S42得到的长短期记忆神经网络预测模型超参数对测试集数据进行预测，得到预测结果；
S44、输出层对预测结果进行反归一化：
Figure DEST_PATH_IMAGE063
上式中，
Figure 208794DEST_PATH_IMAGE064
为长短期记忆神经网络预测模型隐含层输出结果，
Figure DEST_PATH_IMAGE065
为反归一化后的 居民负荷预测最终结果，
Figure 832674DEST_PATH_IMAGE066
为各居民历史负荷数据中的最大值，
Figure DEST_PATH_IMAGE067
为各居民历史负荷 数据中的最小值；
以平均绝对百分比误差MAPE作为负荷预测评价指标：
Figure 977347DEST_PATH_IMAGE068
上式中，
Figure DEST_PATH_IMAGE069
为所预测负荷的真实值，
Figure 28480DEST_PATH_IMAGE070
为未来第
Figure 422552DEST_PATH_IMAGE070
个时间点，
Figure 115702DEST_PATH_IMAGE047
为负荷预测所需的 未来时间点个数。
步骤S5具体包括以下步骤：
S51、初始化步骤S4中构造的长短期记忆神经网络预测模型超参数，设置隐含层神 经元个数
Figure DEST_PATH_IMAGE071
和优化器学习率
Figure 111952DEST_PATH_IMAGE072
各自的取值范围，生成
Figure DEST_PATH_IMAGE073
个由
Figure 802827DEST_PATH_IMAGE071
和
Figure 825141DEST_PATH_IMAGE072
组成的超参数二维数 组，第
Figure 790823DEST_PATH_IMAGE074
个超参数二位数组表示为
Figure DEST_PATH_IMAGE075
；
S52、按步骤S4构造
Figure 910089DEST_PATH_IMAGE035
类居民用电模式的长短期记忆神经网络预测模型超参数；
各个预测模型采用步骤S3中训练集数据进行训练，训练完成后将对应的验证集数据输入预测模型，所得输出结果与实际负荷值的平均绝对百分比误差MAPE作为粒子群算法的粒子适应度值；
对于第
Figure 834183DEST_PATH_IMAGE056
类居民用电模式下的用电负荷，循环更新所有
Figure 202847DEST_PATH_IMAGE076
个超参数二维数组，第
Figure DEST_PATH_IMAGE077
次迭代时的第
Figure 709570DEST_PATH_IMAGE074
个超参数二位数组更新计算公式如下：
Figure 214501DEST_PATH_IMAGE078
Figure DEST_PATH_IMAGE079
Figure 43917DEST_PATH_IMAGE080
Figure DEST_PATH_IMAGE081
Figure 103140DEST_PATH_IMAGE082
Figure DEST_PATH_IMAGE083
Figure 145045DEST_PATH_IMAGE084
上式中，
Figure DEST_PATH_IMAGE085
为当前迭代次数，
Figure 504482DEST_PATH_IMAGE086
为最大迭代次数，
Figure DEST_PATH_IMAGE087
为第1个粒子在第
Figure 239220DEST_PATH_IMAGE085
次迭代 时的变化方向，
Figure 316897DEST_PATH_IMAGE088
为第2个粒子在第
Figure 693652DEST_PATH_IMAGE085
次迭代时的变化方向，
Figure DEST_PATH_IMAGE089
为第
Figure 642017DEST_PATH_IMAGE085
次迭代时的第
Figure 75884DEST_PATH_IMAGE090
个超参数二位数组的隐含层神经元个数，
Figure DEST_PATH_IMAGE091
为第
Figure 109700DEST_PATH_IMAGE085
次迭代时优化器学习率，
Figure 24566DEST_PATH_IMAGE092
为第
Figure 889754DEST_PATH_IMAGE090
个超参数二位数组前
Figure 497453DEST_PATH_IMAGE085
次迭代中的历史最优解，
Figure DEST_PATH_IMAGE093
为所有
Figure 487405DEST_PATH_IMAGE076
个超参数二位数组前
Figure 205963DEST_PATH_IMAGE085
次迭 代中的历史最优解，
Figure 660078DEST_PATH_IMAGE094
、
Figure DEST_PATH_IMAGE095
为
Figure 907519DEST_PATH_IMAGE096
范围内随机数，
Figure DEST_PATH_IMAGE097
为惯性因子，
Figure 650348DEST_PATH_IMAGE098
和
Figure DEST_PATH_IMAGE099
为两个加速因子，
Figure 907017DEST_PATH_IMAGE100
为加速因子
Figure 941270DEST_PATH_IMAGE098
的初始值，
Figure DEST_PATH_IMAGE101
为加速因子
Figure 828454DEST_PATH_IMAGE098
的最终值，
Figure 855316DEST_PATH_IMAGE102
为加速因子
Figure 915676DEST_PATH_IMAGE099
的初始 值，
Figure DEST_PATH_IMAGE103
为加速因子
Figure 813225DEST_PATH_IMAGE099
的最终值，
Figure 933628DEST_PATH_IMAGE104
为惯性因子的最大值，
Figure DEST_PATH_IMAGE105
为惯性因子的最小 值；
S53、执行步骤S52中当负荷预测平均绝对百分比误差MAPE趋于稳定或循环更新参 数达到最大迭代次数
Figure 916627DEST_PATH_IMAGE086
时，停止超参数更新，获得第
Figure 780678DEST_PATH_IMAGE056
类居民用电模式下的长短期记忆 神经网络预测模型最优超参数，即最优神经元个数
Figure 63892DEST_PATH_IMAGE071
和优化器学习率
Figure 355196DEST_PATH_IMAGE072
。
与现有技术相比，本发明的有益效果为：
本发明一种自适应的居民用户负荷预测方法中，先对客户群中各居民历史负荷数据进行降维和聚类，从而将用电模式相似的居民划分为同类，再根据聚类结果将同类居民原始历史负荷数据进行加和，得到对应不同用电模式的负荷数据，然后根据这些负荷数据分别构建长短期记忆网络预测模型，并采用粒子群算法对模型超参数进行寻优，最终得到对应于不同居民用电模式的预测模型最优超参数，基于此，可以为每户居民快速构建合适超参数的预测模型。因此，本发明提高了住宅用户负荷预测的精度和效率。
附图说明
图1是本发明一种自适应的居民用户负荷预测方法的流程图。
图2是本发明所提方法与传统方法下百户居民负荷预测结果平均绝对百分比值示意图。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1，一种自适应的居民用户负荷预测方法，该方法包括以下步骤：
S1、先收集居民用户群中各居民历史负荷数据，并将各居民历史负荷数据进行归一化处理，再将归一化处理后的各居民历史负荷数据划分为训练集、验证集和测试集，并将训练集和验证集构成观察集，然后采用自动编码器对观察集数据进行降维处理；
S2、采用K均值聚类算法对降维后的数据进行聚类，按聚类结果将居民划分为不同类别；
S3、先将同类居民的历史负荷数据进行相加，得到代表各类居民用电模式的总负荷数据，再将总负荷数据进行归一化处理，然后将归一化处理后的总负荷数据划分为训练集、验证集和测试集；
S4、构造含有输入层、隐藏层和输出层的长短期记忆神经网络预测模型；
S5、使用步骤S3中训练集和验证集数据分别对步骤S4中构造的长短期记忆神经网络预测模型超参数进行粒子群算法寻优，在满足预测模型评价指标最优的基础上确定各类居民用电模式对应预测模型的最优超参数，并以此为基础建立各居民最优超参数的长短期记忆神经网络预测模型；
S6、使用步骤S1中训练集数据训练步骤S5中各居民最优超参数的长短期记忆神经网络预测模型，将步骤S1中测试集数据作为训练后各居民最优超参数的长短期记忆神经网络预测模型的输入，得到各居民的负荷预测结果。
步骤S1和步骤S3中，归一化处理是指将负荷数据映射到
Figure 91071DEST_PATH_IMAGE001
之间，归一化公式 如下：
Figure 758812DEST_PATH_IMAGE002
上式中，
Figure 893603DEST_PATH_IMAGE003
为归一化之后的数据；
Figure 621388DEST_PATH_IMAGE004
为步骤S1中各居民历史负荷数据或者步骤S3 中各类居民用电模式的总负荷数据，
Figure 844559DEST_PATH_IMAGE005
，数据长度
Figure 315991DEST_PATH_IMAGE006
取决于智能电表的抄表间隔
Figure 308218DEST_PATH_IMAGE007
和 抄表天数
Figure 941325DEST_PATH_IMAGE008
，
Figure 651792DEST_PATH_IMAGE009
；
Figure 661336DEST_PATH_IMAGE010
和
Figure 508069DEST_PATH_IMAGE011
分别为各居民历史负荷数据中的最大值和最小 值。
步骤S1和步骤S3中，将归一化处理后的负荷数据按7:2:1依次划分为训练集、验证集、测试集。
步骤S1中，采用自动编码器对观察集数据进行降维处理包括以下步骤：
S11、属于训练集和验证集的待降维负荷数据记为
Figure 843236DEST_PATH_IMAGE012
，
Figure 775420DEST_PATH_IMAGE013
为第
Figure 588655DEST_PATH_IMAGE015
户居民历史负荷数据，其负荷数据采样点个数
Figure 289895DEST_PATH_IMAGE016
为
Figure 530383DEST_PATH_IMAGE017
，
Figure 949863DEST_PATH_IMAGE018
为所有要开展负荷预测 的居民用户数；
S12、用
Figure 301210DEST_PATH_IMAGE019
代表第
Figure 122535DEST_PATH_IMAGE015
户居民历史负荷数据的降维特征，则
Figure 536855DEST_PATH_IMAGE019
的维度
Figure 443631DEST_PATH_IMAGE020
由下式确定：
Figure 598669DEST_PATH_IMAGE021
上式中，
Figure 274501DEST_PATH_IMAGE022
为第
Figure 856792DEST_PATH_IMAGE015
户居民历史负荷数据的采样点个数，
Figure 250864DEST_PATH_IMAGE023
表示对括号内的数 据进行四舍五入取整；
S13、构建自动编码器神经网络模型，其中，输入层单元个数设为
Figure 944014DEST_PATH_IMAGE024
，隐含层单元个 数设为
Figure 5511DEST_PATH_IMAGE020
，输出层单元个数设为
Figure 493124DEST_PATH_IMAGE024
；
将步骤S11中形成的待降维负荷数据
Figure 374492DEST_PATH_IMAGE025
作为自动编码器神经网络模型的输入数 据，与第
Figure 871332DEST_PATH_IMAGE015
户居民历史负荷数据
Figure 521757DEST_PATH_IMAGE013
对应的自动编码器神经网络模型输出记为
Figure 445850DEST_PATH_IMAGE027
，利用损失函 数公式来训练形成自动编码器神经网络模型的参数，以使所构建的自动编码器神经网络模 型完成负荷数据的降维，损失函数公式为：
Figure 548935DEST_PATH_IMAGE028
上式中，
Figure 583888DEST_PATH_IMAGE029
为第
Figure 88818DEST_PATH_IMAGE015
户居民负荷数据对应的自动编码器神经网络模型输出序列 的第
Figure 180884DEST_PATH_IMAGE030
个值，
Figure 771265DEST_PATH_IMAGE031
为第
Figure 609908DEST_PATH_IMAGE015
户居民负荷数据的第
Figure 500503DEST_PATH_IMAGE030
个采样点数值；
S14、基于步骤S13构建的自动编码器神经网络模型中隐含层的输出，得到第
Figure 766400DEST_PATH_IMAGE015
户居 民历史负荷数据的降维特征
Figure 844077DEST_PATH_IMAGE019
，待降维负荷数据
Figure 220832DEST_PATH_IMAGE032
降维后表示为：
Figure 700355DEST_PATH_IMAGE033
。
步骤S2中，采用K均值聚类算法对降维后的数据进行聚类具体包括以下步骤：
S21、利用K均值聚类算法将各居民历史负荷数据的降维数据集
Figure 137152DEST_PATH_IMAGE034
聚类成为
Figure 702126DEST_PATH_IMAGE035
个 簇，聚类数
Figure 148151DEST_PATH_IMAGE036
由所有要开展负荷预测的居民用户数
Figure 216601DEST_PATH_IMAGE037
决定，计算公式如下：
Figure 89879DEST_PATH_IMAGE038
S22、从降维数据集
Figure 142149DEST_PATH_IMAGE034
中随机选择
Figure 126285DEST_PATH_IMAGE035
日负荷数据，作为初始聚类中心样本点，记为
Figure 314821DEST_PATH_IMAGE039
；
S23、计算第
Figure 93421DEST_PATH_IMAGE015
户居民历史负荷数据的降维特征
Figure 460135DEST_PATH_IMAGE040
与聚类中心样本点
Figure 982383DEST_PATH_IMAGE041
的距离
Figure 556584DEST_PATH_IMAGE042
，将计算得出的
Figure 240507DEST_PATH_IMAGE043
按升序排列，最小值排在第 1，记为
Figure 267368DEST_PATH_IMAGE044
，则
Figure 327728DEST_PATH_IMAGE040
归为第
Figure 490856DEST_PATH_IMAGE045
簇类，按此方法计算确定
Figure 876838DEST_PATH_IMAGE037
户居民所属簇类；
S24、根据步骤S23得到第
Figure 390996DEST_PATH_IMAGE046
簇类含有
Figure 192730DEST_PATH_IMAGE047
户居民，为
Figure 475944DEST_PATH_IMAGE048
，依 次更新所有
Figure 767248DEST_PATH_IMAGE035
簇类中心
Figure 503123DEST_PATH_IMAGE049
为
Figure 170865DEST_PATH_IMAGE050
，计算公式为：
Figure 305655DEST_PATH_IMAGE051
，
Figure 767861DEST_PATH_IMAGE052
上式中，
Figure 991031DEST_PATH_IMAGE053
为求解
Figure 196885DEST_PATH_IMAGE047
户居民簇类中心的系数；
S25、循环执行步骤23和步骤S24，直到
Figure 189112DEST_PATH_IMAGE037
户居民所属簇类结果不发生变化，即完成 聚类。
步骤S3中，根据步骤S2所得的聚类结果，给各居民用户赋予负荷聚类标签
Figure 87798DEST_PATH_IMAGE054
，
Figure 798265DEST_PATH_IMAGE055
为第
Figure 542230DEST_PATH_IMAGE056
户居民负荷聚类标签，其取值范围为
Figure 654542DEST_PATH_IMAGE057
；
对聚类标签相等的居民，将其历史负荷数据进行相加，得到
Figure 458550DEST_PATH_IMAGE035
组居民总负荷数据，
Figure 656313DEST_PATH_IMAGE035
组居民总负荷数据即代表了
Figure 203969DEST_PATH_IMAGE035
类居民用电模式。
步骤S4具体包括以下步骤：
S41、根据长短期记忆神经网络预测模型的时间步长
Figure 170788DEST_PATH_IMAGE058
，将步骤S1中的训练集数据 进行预处理，以作为网络预测模型的输入数据；对于第
Figure 411277DEST_PATH_IMAGE056
户居民训练集数据样本数据
Figure 34019DEST_PATH_IMAGE059
，
Figure 122716DEST_PATH_IMAGE060
，将其处理成为：
Figure 209621DEST_PATH_IMAGE061
上式中，
Figure 621011DEST_PATH_IMAGE062
左侧为居民历史负荷数据，
Figure 527787DEST_PATH_IMAGE062
右侧为网络预测模型的输入数据；
S42、通过训练集数据对长短期记忆神经网络预测模型的隐藏层进行训练，在验证集中取得输出结果误差较小情况下，确定长短期记忆神经网络预测模型超参数；
S43、采用步骤S42得到的长短期记忆神经网络预测模型超参数对测试集数据进行预测，得到预测结果；
S44、输出层对预测结果进行反归一化：
Figure 417246DEST_PATH_IMAGE063
上式中，
Figure 358657DEST_PATH_IMAGE064
为长短期记忆神经网络预测模型隐含层输出结果，
Figure 940948DEST_PATH_IMAGE065
为反归一化后的 居民负荷预测最终结果，
Figure 335020DEST_PATH_IMAGE066
为各居民历史负荷数据中的最大值，
Figure 28170DEST_PATH_IMAGE067
为各居民历史负荷 数据中的最小值；
以平均绝对百分比误差MAPE作为负荷预测评价指标：
Figure 558508DEST_PATH_IMAGE068
上式中，
Figure 311700DEST_PATH_IMAGE069
为所预测负荷的真实值，
Figure 193069DEST_PATH_IMAGE070
为未来第
Figure 689909DEST_PATH_IMAGE070
个时间点，
Figure 340333DEST_PATH_IMAGE047
为负荷预测所需的 未来时间点个数。
步骤S5具体包括以下步骤：
S51、初始化步骤S4中构造的长短期记忆神经网络预测模型超参数，设置隐含层神 经元个数
Figure 998848DEST_PATH_IMAGE071
和优化器学习率
Figure 633092DEST_PATH_IMAGE072
各自的取值范围，生成
Figure 665114DEST_PATH_IMAGE073
个由
Figure 435624DEST_PATH_IMAGE071
和
Figure 265040DEST_PATH_IMAGE072
组成的超参数二维数 组，第
Figure 121000DEST_PATH_IMAGE074
个超参数二位数组表示为
Figure 959643DEST_PATH_IMAGE075
；
S52、按步骤S4构造
Figure 319080DEST_PATH_IMAGE035
类居民用电模式的长短期记忆神经网络预测模型超参数；
各个预测模型采用步骤S3中训练集数据进行训练，训练完成后将对应的验证集数据输入预测模型，所得输出结果与实际负荷值的平均绝对百分比误差MAPE作为粒子群算法的粒子适应度值；
对于第
Figure 584977DEST_PATH_IMAGE056
类居民用电模式下的用电负荷，循环更新所有
Figure 662654DEST_PATH_IMAGE076
个超参数二维数组，第
Figure 570567DEST_PATH_IMAGE077
次迭代时的第
Figure 50090DEST_PATH_IMAGE074
个超参数二位数组更新计算公式如下：
Figure 486888DEST_PATH_IMAGE078
Figure 51861DEST_PATH_IMAGE079
Figure 232307DEST_PATH_IMAGE080
Figure 566336DEST_PATH_IMAGE081
Figure 174035DEST_PATH_IMAGE082
Figure 226305DEST_PATH_IMAGE083
Figure 944862DEST_PATH_IMAGE084
上式中，
Figure 390188DEST_PATH_IMAGE085
为当前迭代次数，
Figure 434367DEST_PATH_IMAGE086
为最大迭代次数，
Figure 973933DEST_PATH_IMAGE087
为第1个粒子在第
Figure 496181DEST_PATH_IMAGE085
次迭代 时的变化方向，
Figure 804803DEST_PATH_IMAGE088
为第2个粒子在第
Figure 754304DEST_PATH_IMAGE085
次迭代时的变化方向，
Figure 515587DEST_PATH_IMAGE089
为第
Figure 841526DEST_PATH_IMAGE085
次迭代时的第
Figure 4654DEST_PATH_IMAGE090
个超参数二位数组的隐含层神经元个数，
Figure 125057DEST_PATH_IMAGE091
为第
Figure 639215DEST_PATH_IMAGE085
次迭代时优化器学习率，
Figure 503266DEST_PATH_IMAGE092
为第
Figure 520900DEST_PATH_IMAGE090
个超参数二位数组前
Figure 77783DEST_PATH_IMAGE085
次迭代中的历史最优解，
Figure 813658DEST_PATH_IMAGE093
为所有
Figure 481400DEST_PATH_IMAGE076
个超参数二位数组前
Figure 619120DEST_PATH_IMAGE085
次迭 代中的历史最优解，
Figure 78396DEST_PATH_IMAGE094
、
Figure 567146DEST_PATH_IMAGE095
为
Figure 773000DEST_PATH_IMAGE096
范围内随机数，
Figure 765226DEST_PATH_IMAGE097
为惯性因子，
Figure 663912DEST_PATH_IMAGE098
和
Figure 108800DEST_PATH_IMAGE099
为两个加速因子，
Figure 118344DEST_PATH_IMAGE100
为加速因子
Figure 230657DEST_PATH_IMAGE098
的初始值，
Figure 300244DEST_PATH_IMAGE101
为加速因子
Figure 498007DEST_PATH_IMAGE098
的最终值，
Figure 45663DEST_PATH_IMAGE102
为加速因子
Figure 12482DEST_PATH_IMAGE099
的初始 值，
Figure 987391DEST_PATH_IMAGE103
为加速因子
Figure 672451DEST_PATH_IMAGE099
的最终值，
Figure 23798DEST_PATH_IMAGE104
为惯性因子的最大值，
Figure 845123DEST_PATH_IMAGE105
为惯性因子的最小 值；
S53、执行步骤S52中当负荷预测平均绝对百分比误差MAPE趋于稳定或循环更新参 数达到最大迭代次数
Figure 522092DEST_PATH_IMAGE086
时，停止超参数更新，获得第
Figure 431798DEST_PATH_IMAGE056
类居民用电模式下的长短期记忆 神经网络预测模型最优超参数，即最优神经元个数
Figure 321256DEST_PATH_IMAGE071
和优化器学习率
Figure 262668DEST_PATH_IMAGE072
。
本发明的原理说明如下：
对居民负荷进行预测，在构建预测模型时往往需要先确定模型超参数。而无论是对居民用户统一设置模型超参数还是分别对每户单独设置模型超参数，都会影响其预测精度或预测效率。因此，本设计根据居民用电模式的相似性，对用电模式相似的居民统一设置模型超参数，由此提高预测精度和效率。
本设计首先收集客户群中各居民历史负荷数据，将其进行归一化处理和数据划 分。同时，通过对居民历史负荷观察集数据进行降维和聚类，然后根据聚类结果划分用电模 式不同的用户，即用电模式相似的用户归为同一类，用电模式不相似的用户归为不同类。对 不同的用电模式分别构建不同的长短期记忆神经网络预测模型并使用粒子群算法对预测 模型的隐藏层神经元个数
Figure 579379DEST_PATH_IMAGE071
和优化器学习率
Figure 973452DEST_PATH_IMAGE072
超参数进行寻优。最后根据寻优结果快速构 建各居民最优超参数下的长短期记忆神经网络预测模型，从而实现居民负荷的高效、准确 预测。
实施例：
参见图1，一种自适应的居民用户负荷预测方法，该方法包括以下步骤：
S1、先收集居民用户群中各居民历史负荷数据，并将各居民历史负荷数据进行归一化处理，再将归一化处理后的各居民历史负荷数据划分为训练集、验证集和测试集，并将训练集和验证集构成观察集，然后采用自动编码器对观察集数据进行降维处理；
采用自动编码器对观察集数据进行降维处理包括以下步骤：
S11、属于训练集和验证集的待降维负荷数据记为
Figure 666601DEST_PATH_IMAGE012
，
Figure 462519DEST_PATH_IMAGE013
为第
Figure 215711DEST_PATH_IMAGE015
户居民历史负荷数据，其负荷数据采样点个数
Figure 362659DEST_PATH_IMAGE016
为
Figure 593920DEST_PATH_IMAGE017
（非整数则四舍五入为整 数），
Figure 244344DEST_PATH_IMAGE018
为所有要开展负荷预测的居民用户数；
S12、用
Figure 168438DEST_PATH_IMAGE019
代表第
Figure 537102DEST_PATH_IMAGE015
户居民历史负荷数据的降维特征，则
Figure 572054DEST_PATH_IMAGE019
的维度
Figure 342564DEST_PATH_IMAGE020
由下式确定：
Figure 437559DEST_PATH_IMAGE021
上式中，
Figure 293520DEST_PATH_IMAGE022
为第
Figure 863654DEST_PATH_IMAGE015
户居民历史负荷数据的采样点个数，
Figure 488670DEST_PATH_IMAGE023
表示对括号内的数 据进行四舍五入取整；
S13、构建自动编码器神经网络模型，其中，输入层单元个数设为
Figure 754567DEST_PATH_IMAGE024
，隐含层单元个 数设为
Figure 832244DEST_PATH_IMAGE020
，输出层单元个数设为
Figure 474578DEST_PATH_IMAGE024
；
将步骤S11中形成的待降维负荷数据
Figure 954101DEST_PATH_IMAGE025
作为自动编码器神经网络模型的输入数 据，与第
Figure 390898DEST_PATH_IMAGE015
户居民历史负荷数据
Figure 955872DEST_PATH_IMAGE013
对应的自动编码器神经网络模型输出记为
Figure 136317DEST_PATH_IMAGE027
，利用损失函 数公式来训练形成自动编码器神经网络模型的参数，以使所构建的自动编码器神经网络模 型完成负荷数据的降维，损失函数公式为：
Figure 735926DEST_PATH_IMAGE028
上式中，
Figure 343625DEST_PATH_IMAGE029
为第
Figure 395895DEST_PATH_IMAGE015
户居民负荷数据对应的自动编码器神经网络模型输出序列 的第
Figure 114452DEST_PATH_IMAGE030
个值，
Figure 568567DEST_PATH_IMAGE031
为第
Figure 347167DEST_PATH_IMAGE015
户居民负荷数据的第
Figure 886733DEST_PATH_IMAGE030
个采样点数值；
S14、基于步骤S13构建的自动编码器神经网络模型中隐含层的输出，得到第
Figure 423630DEST_PATH_IMAGE015
户居 民历史负荷数据的降维特征
Figure 732251DEST_PATH_IMAGE019
，待降维负荷数据
Figure 947332DEST_PATH_IMAGE032
降维后表示为：
Figure 708614DEST_PATH_IMAGE033
；
S2、采用K均值聚类算法对降维后的数据进行聚类，按聚类结果将居民划分为不同类别；
采用K均值聚类算法对降维后的数据进行聚类具体包括以下步骤：
S21、利用K均值聚类算法将各居民历史负荷数据的降维数据集
Figure 34554DEST_PATH_IMAGE034
聚类成为
Figure 197682DEST_PATH_IMAGE035
个 簇，聚类数
Figure 318084DEST_PATH_IMAGE036
由所有要开展负荷预测的居民用户数
Figure 832242DEST_PATH_IMAGE037
决定，计算公式如下：
Figure 696293DEST_PATH_IMAGE038
S22、从降维数据集
Figure 713928DEST_PATH_IMAGE034
中随机选择
Figure 270811DEST_PATH_IMAGE035
日负荷数据，作为初始聚类中心样本点，记为
Figure 6686DEST_PATH_IMAGE039
；
S23、计算第
Figure 408848DEST_PATH_IMAGE015
户居民历史负荷数据的降维特征
Figure 812148DEST_PATH_IMAGE040
与聚类中心样本点
Figure 539932DEST_PATH_IMAGE041
的距离
Figure 497524DEST_PATH_IMAGE042
，将计算得出的
Figure 968957DEST_PATH_IMAGE043
按升序排列，最小值排在第 1，记为
Figure 958254DEST_PATH_IMAGE044
，则
Figure 591360DEST_PATH_IMAGE040
归为第
Figure 301827DEST_PATH_IMAGE045
簇类，按此方法计算确定
Figure 311372DEST_PATH_IMAGE037
户居民所属簇类；
S24、根据步骤S23得到第
Figure 158105DEST_PATH_IMAGE046
簇类含有
Figure 227692DEST_PATH_IMAGE047
户居民，为
Figure 159876DEST_PATH_IMAGE048
，依 次更新所有
Figure 973111DEST_PATH_IMAGE035
簇类中心
Figure 939930DEST_PATH_IMAGE049
为
Figure 914840DEST_PATH_IMAGE050
，计算公式为：
Figure 865478DEST_PATH_IMAGE051
，
Figure 216825DEST_PATH_IMAGE052
上式中，
Figure 38150DEST_PATH_IMAGE053
为求解
Figure 183961DEST_PATH_IMAGE047
户居民簇类中心的系数，此处取
Figure 90737DEST_PATH_IMAGE047
值；
S25、循环执行步骤23和步骤S24，直到
Figure 245775DEST_PATH_IMAGE037
户居民所属簇类结果不发生变化，即完成 聚类；
S3、先将同类居民的历史负荷数据进行相加，得到代表各类居民用电模式的总负荷数据，再将总负荷数据进行归一化处理，然后将归一化处理后的总负荷数据划分为训练集、验证集和测试集；
根据步骤S2所得的聚类结果，给各居民用户赋予负荷聚类标签
Figure 921607DEST_PATH_IMAGE054
，
Figure 506828DEST_PATH_IMAGE055
为 第
Figure 900900DEST_PATH_IMAGE056
户居民负荷聚类标签，其取值范围为
Figure 594049DEST_PATH_IMAGE057
；
对聚类标签相等的居民，将其历史负荷数据进行相加，得到
Figure 389967DEST_PATH_IMAGE035
组居民总负荷数据，
Figure 143160DEST_PATH_IMAGE035
组居民总负荷数据即代表了
Figure 758949DEST_PATH_IMAGE035
类居民用电模式；
S4、构造含有输入层、隐藏层和输出层的长短期记忆神经网络预测模型；具体包括以下步骤：
S41、根据长短期记忆神经网络预测模型的时间步长
Figure 255789DEST_PATH_IMAGE058
，将步骤S1中的训练集数据 进行预处理，以作为网络预测模型的输入数据；对于第
Figure 906213DEST_PATH_IMAGE056
户居民训练集数据样本数据
Figure 830307DEST_PATH_IMAGE059
，
Figure 198971DEST_PATH_IMAGE060
，将其处理成为：
Figure 233923DEST_PATH_IMAGE061
上式中，
Figure 738854DEST_PATH_IMAGE062
左侧为居民历史负荷数据，
Figure 833849DEST_PATH_IMAGE062
右侧为网络预测模型的输入数据；
S42、通过训练集数据对长短期记忆神经网络预测模型的隐藏层进行训练，在验证集中取得输出结果误差较小情况下，确定长短期记忆神经网络预测模型超参数；
S43、采用步骤S42得到的长短期记忆神经网络预测模型超参数对测试集数据进行预测，得到预测结果；
S44、输出层对预测结果进行反归一化：
Figure 424230DEST_PATH_IMAGE063
上式中，
Figure 528453DEST_PATH_IMAGE064
为长短期记忆神经网络预测模型隐含层输出结果，
Figure 153469DEST_PATH_IMAGE065
为反归一化后的 居民负荷预测最终结果，
Figure 150856DEST_PATH_IMAGE066
为各居民历史负荷数据中的最大值，
Figure 228534DEST_PATH_IMAGE067
为各居民历史负荷 数据中的最小值；
以平均绝对百分比误差MAPE作为负荷预测评价指标：
Figure 870868DEST_PATH_IMAGE068
上式中，
Figure 350391DEST_PATH_IMAGE069
为所预测负荷的真实值，
Figure 787188DEST_PATH_IMAGE070
为未来第
Figure 352162DEST_PATH_IMAGE070
个时间点，
Figure 532607DEST_PATH_IMAGE047
为负荷预测所需的 未来时间点个数；
S5、使用步骤S3中训练集和验证集数据分别对步骤S4中构造的长短期记忆神经网络预测模型超参数进行粒子群算法寻优，在满足预测模型评价指标最优的基础上确定各类居民用电模式对应预测模型的最优超参数，并以此为基础建立各居民最优超参数的长短期记忆神经网络预测模型；具体包括以下步骤：
S51、初始化步骤S4中构造的长短期记忆神经网络预测模型超参数，设置隐含层神 经元个数
Figure 132216DEST_PATH_IMAGE071
和优化器学习率
Figure 739915DEST_PATH_IMAGE072
各自的取值范围，生成
Figure 526605DEST_PATH_IMAGE073
个由
Figure 776321DEST_PATH_IMAGE071
和
Figure 964857DEST_PATH_IMAGE072
组成的超参数二维数 组，第
Figure 9036DEST_PATH_IMAGE074
个超参数二位数组表示为
Figure 17443DEST_PATH_IMAGE075
；
S52、按步骤S4构造
Figure 805271DEST_PATH_IMAGE035
类居民用电模式的长短期记忆神经网络预测模型超参数；
各个预测模型采用步骤S3中训练集数据进行训练，训练完成后将对应的验证集数据输入预测模型，所得输出结果与实际负荷值的平均绝对百分比误差MAPE作为粒子群算法的粒子适应度值；
对于第
Figure 113892DEST_PATH_IMAGE056
类居民用电模式下的用电负荷，循环更新所有
Figure 63394DEST_PATH_IMAGE076
个超参数二维数组，第
Figure 81467DEST_PATH_IMAGE077
次迭代时的第
Figure 141827DEST_PATH_IMAGE074
个超参数二位数组更新计算公式如下：
Figure 570534DEST_PATH_IMAGE078
Figure 690937DEST_PATH_IMAGE079
Figure 939515DEST_PATH_IMAGE080
Figure 69145DEST_PATH_IMAGE081
Figure 86780DEST_PATH_IMAGE082
Figure 378084DEST_PATH_IMAGE083
Figure 113959DEST_PATH_IMAGE084
上式中，
Figure 47280DEST_PATH_IMAGE085
为当前迭代次数，
Figure 185000DEST_PATH_IMAGE086
为最大迭代次数，
Figure 647205DEST_PATH_IMAGE087
为第1个粒子在第
Figure 870376DEST_PATH_IMAGE085
次迭代 时的变化方向，
Figure 341809DEST_PATH_IMAGE088
为第2个粒子在第
Figure 599615DEST_PATH_IMAGE085
次迭代时的变化方向，
Figure 232722DEST_PATH_IMAGE089
为第
Figure 943189DEST_PATH_IMAGE085
次迭代时的第
Figure 949803DEST_PATH_IMAGE090
个超参数二位数组的隐含层神经元个数，
Figure 796537DEST_PATH_IMAGE091
为第
Figure 866124DEST_PATH_IMAGE085
次迭代时优化器学习率，
Figure 798308DEST_PATH_IMAGE092
为第
Figure 877122DEST_PATH_IMAGE090
个超参数二位数组前
Figure 578362DEST_PATH_IMAGE085
次迭代中的历史最优解，即MAPE最小，
Figure 818850DEST_PATH_IMAGE093
为所有
Figure 238330DEST_PATH_IMAGE076
个超参数二位 数组前
Figure 589677DEST_PATH_IMAGE085
次迭代中的历史最优解，
Figure 411003DEST_PATH_IMAGE094
、
Figure 822393DEST_PATH_IMAGE095
为
Figure 729169DEST_PATH_IMAGE096
范围内随机数，
Figure 884207DEST_PATH_IMAGE097
为惯性因子，
Figure 825618DEST_PATH_IMAGE098
和
Figure 407909DEST_PATH_IMAGE099
为两 个加速因子，
Figure 801981DEST_PATH_IMAGE100
为加速因子
Figure 495131DEST_PATH_IMAGE098
的初始值，
Figure 293978DEST_PATH_IMAGE101
为加速因子
Figure 781591DEST_PATH_IMAGE098
的最终值，
Figure 662959DEST_PATH_IMAGE102
为加速 因子
Figure 159800DEST_PATH_IMAGE099
的初始值，
Figure 810224DEST_PATH_IMAGE103
为加速因子
Figure 734318DEST_PATH_IMAGE099
的最终值，
Figure 837403DEST_PATH_IMAGE104
为惯性因子的最大值，
Figure 872355DEST_PATH_IMAGE105
为惯 性因子的最小值；
S53、执行步骤S52中当负荷预测平均绝对百分比误差MAPE趋于稳定或循环更新参 数达到最大迭代次数
Figure 642865DEST_PATH_IMAGE086
时，停止超参数更新，获得第
Figure 3439DEST_PATH_IMAGE056
类居民用电模式下的长短期记忆 神经网络预测模型最优超参数，即最优神经元个数
Figure 593820DEST_PATH_IMAGE071
和优化器学习率
Figure 432463DEST_PATH_IMAGE072
；
S6、使用步骤S1中训练集数据训练步骤S5中各居民最优超参数的长短期记忆神经网络预测模型，将步骤S1中测试集数据作为训练后各居民最优超参数的长短期记忆神经网络预测模型的输入，得到各居民的负荷预测结果。最后，通过MAPE对各户居民负荷预测结果进行评价分析。
步骤S1和步骤S3中，归一化处理是指将负荷数据映射到
Figure 57480DEST_PATH_IMAGE001
之间，归一化公式 如下：
Figure 323376DEST_PATH_IMAGE002
上式中，
Figure 401053DEST_PATH_IMAGE003
为归一化之后的数据；
Figure 777808DEST_PATH_IMAGE004
为步骤S1中各居民历史负荷数据或者步骤S3 中各类居民用电模式的总负荷数据，
Figure 522910DEST_PATH_IMAGE005
，数据长度
Figure 956778DEST_PATH_IMAGE006
取决于智能电表的抄表间隔
Figure 521752DEST_PATH_IMAGE007
和 抄表天数
Figure 702197DEST_PATH_IMAGE008
，
Figure 36227DEST_PATH_IMAGE009
；
Figure 643926DEST_PATH_IMAGE010
和
Figure 961774DEST_PATH_IMAGE011
分别为各居民历史负荷数据中的最大值和最小 值。
步骤S1和步骤S3中，将归一化处理后的负荷数据按7:2:1依次划分为训练集、验证集、测试集。
使用样本数据在长短期记忆神经网络预测模型统一设置超参数和自适应寻优超参数两种情况下进行预测，验证本设计所提出的一种自适应的居民用户负荷预测方法的有效性。
以襄阳市某小区100户居民2021年3月1日至2021年3月30日智能电表所采集数据 为例。智能电表的抄表间隔为15分钟，负荷数据长度
Figure 945911DEST_PATH_IMAGE006
为2880。将2021年3月1日至2021年3月 21日数据作为训练集、2021年3月22日至2021年3月27日数据作为验证集、2021年3月28日至 2021年3月30日数据作为测试集，同时设置2021年3月1日至2021年3月27日数据作为观察 集。数据集处理为特征对应标签的形式时，时间步长
Figure 134447DEST_PATH_IMAGE058
设置为6。使用粒子群算法优化长短 期记忆神经网络预测模型，其参数设置如下表所示：
Figure 647468DEST_PATH_IMAGE106
采用自动编码器分别对各用户归一化后的训练集数据进行降维，降维后数据维度
Figure 452613DEST_PATH_IMAGE020
为50；采用K均值方法对降维表示的数据进行聚类，聚类数
Figure DEST_PATH_IMAGE107
为3。
聚类得到三种不同用电模式的用户群，通过粒子群算法对这三种用电模式对应的预测模型进行参数寻优的结果以及统一设置参数，如下表所示：
Figure 443702DEST_PATH_IMAGE108
图2给出了长短期记忆神经网络预测模型统一设置超参数和自适应寻优超参数两种情况下，该100户居民负荷预测结果所得出的平均绝对百分比值。
可以看到，统一设置超参数情况下含有平均绝对百分比误差过大的情况，如第52户居民的MAPE值达到了310%，同时还有另外3户居民的MAPE值超过了100%。而在采用了本设计所提出的预测方法后，所有居民的MAPE均有所下降。图中可以看出，MAPE值较大的用户得到了明显的改善。100户居民的MAPE平均值也从统一设置参数情况下的44.4%下降至本设计方法对应的37.4%。
综上，本设计提出的一种自适应的居民负荷预测方法，能够快速的为居民用户群中的每一户居民确定长短期记忆神经网络预测模型的最优超参数，预测效率高，同时有着较高的预测精度，可为后续的居民需求侧响应，家庭能源管理等提供理论指导。

Claims (8)

1.一种自适应的居民用户负荷预测方法，其特征在于，该方法包括以下步骤：
S1、先收集居民用户群中各居民历史负荷数据，并将各居民历史负荷数据进行归一化处理，再将归一化处理后的各居民历史负荷数据划分为训练集、验证集和测试集，并将训练集和验证集构成观察集，然后采用自动编码器对观察集数据进行降维处理；
S2、采用K均值聚类算法对降维后的数据进行聚类，按聚类结果将居民划分为不同类别；
S3、先将同类居民的历史负荷数据进行相加，得到代表各类居民用电模式的总负荷数据，再将总负荷数据进行归一化处理，然后将归一化处理后的总负荷数据划分为训练集、验证集和测试集；
S4、构造含有输入层、隐藏层和输出层的长短期记忆神经网络预测模型；
S5、使用步骤S3中训练集和验证集数据分别对步骤S4中构造的长短期记忆神经网络预测模型超参数进行粒子群算法寻优，在满足预测模型评价指标最优的基础上确定各类居民用电模式对应预测模型的最优超参数，并以此为基础建立各居民最优超参数的长短期记忆神经网络预测模型；
S6、使用步骤S1中训练集数据训练步骤S5中各居民最优超参数的长短期记忆神经网络预测模型，将步骤S1中测试集数据作为训练后各居民最优超参数的长短期记忆神经网络预测模型的输入，得到各居民的负荷预测结果。
2.根据权利要求1所述的一种自适应的居民用户负荷预测方法，其特征在于：步骤S1和步骤S3中，归一化处理是指将负荷数据映射到
Figure DEST_PATH_IMAGE002
之间，归一化公式如下：
Figure DEST_PATH_IMAGE004
上式中，
Figure DEST_PATH_IMAGE006
为归一化之后的数据；
Figure DEST_PATH_IMAGE008
为步骤S1中各居民历史负荷数据或者步骤S3中各类居民用电模式的总负荷数据，
Figure DEST_PATH_IMAGE010
，数据长度
Figure DEST_PATH_IMAGE012
取决于智能电表的抄表间隔
Figure DEST_PATH_IMAGE014
和抄表天数
Figure DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE018
；
Figure DEST_PATH_IMAGE020
和
Figure DEST_PATH_IMAGE022
分别为各居民历史负荷数据中的最大值和最小值。
3.根据权利要求1所述的一种自适应的居民用户负荷预测方法，其特征在于：步骤S1和步骤S3中，将归一化处理后的负荷数据按7:2:1依次划分为训练集、验证集、测试集。
4.根据权利要求1所述的一种自适应的居民用户负荷预测方法，其特征在于：步骤S1中，采用自动编码器对观察集数据进行降维处理包括以下步骤：
S11、属于训练集和验证集的待降维负荷数据记为
Figure DEST_PATH_IMAGE024
，
Figure DEST_PATH_IMAGE026
为第
Figure DEST_PATH_IMAGE028
户居民历史负荷数据，其负荷数据采样点个数
Figure DEST_PATH_IMAGE030
为
Figure DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE034
为所有要开展负荷预测的居民用户数；
S12、用
Figure DEST_PATH_IMAGE036
代表第
Figure 452733DEST_PATH_IMAGE028
户居民历史负荷数据的降维特征，则
Figure 464551DEST_PATH_IMAGE036
的维度
Figure DEST_PATH_IMAGE038
由下式确定：
Figure DEST_PATH_IMAGE040
上式中，
Figure DEST_PATH_IMAGE042
为第
Figure 147205DEST_PATH_IMAGE028
户居民历史负荷数据的采样点个数，
Figure DEST_PATH_IMAGE044
表示对括号内的数据进行四舍五入取整；
S13、构建自动编码器神经网络模型，其中，输入层单元个数设为
Figure DEST_PATH_IMAGE046
，隐含层单元个数设为
Figure 332199DEST_PATH_IMAGE038
，输出层单元个数设为
Figure 557644DEST_PATH_IMAGE046
；
将步骤S11中形成的待降维负荷数据
Figure DEST_PATH_IMAGE048
作为自动编码器神经网络模型的输入数据，与第
Figure 551750DEST_PATH_IMAGE028
户居民历史负荷数据
Figure 862645DEST_PATH_IMAGE026
对应的自动编码器神经网络模型输出记为
Figure DEST_PATH_IMAGE050
，利用损失函数公式来训练形成自动编码器神经网络模型的参数，以使所构建的自动编码器神经网络模型完成负荷数据的降维，损失函数公式为：
Figure DEST_PATH_IMAGE052
上式中，
Figure DEST_PATH_IMAGE054
为第
Figure 913647DEST_PATH_IMAGE028
户居民负荷数据对应的自动编码器神经网络模型输出序列的第
Figure DEST_PATH_IMAGE056
个值，
Figure DEST_PATH_IMAGE058
为第
Figure 587074DEST_PATH_IMAGE028
户居民负荷数据的第
Figure 940695DEST_PATH_IMAGE056
个采样点数值；
S14、基于步骤S13构建的自动编码器神经网络模型中隐含层的输出，得到第
Figure 738886DEST_PATH_IMAGE028
户居民历史负荷数据的降维特征
Figure 468945DEST_PATH_IMAGE036
，待降维负荷数据
Figure DEST_PATH_IMAGE060
降维后表示为：
Figure DEST_PATH_IMAGE062
。
5.根据权利要求1所述的一种自适应的居民用户负荷预测方法，其特征在于：步骤S2中，采用K均值聚类算法对降维后的数据进行聚类具体包括以下步骤：
S21、利用K均值聚类算法将各居民历史负荷数据的降维数据集
Figure DEST_PATH_IMAGE064
聚类成为
Figure DEST_PATH_IMAGE066
个簇，聚类数
Figure DEST_PATH_IMAGE068
由所有要开展负荷预测的居民用户数
Figure DEST_PATH_IMAGE070
决定，计算公式如下：
Figure DEST_PATH_IMAGE072
S22、从降维数据集
Figure 390021DEST_PATH_IMAGE064
中随机选择
Figure 914543DEST_PATH_IMAGE066
日负荷数据，作为初始聚类中心样本点，记为
Figure DEST_PATH_IMAGE074
；
S23、计算第
Figure 731190DEST_PATH_IMAGE028
户居民历史负荷数据的降维特征
Figure DEST_PATH_IMAGE076
与聚类中心样本点
Figure DEST_PATH_IMAGE078
的距离
Figure DEST_PATH_IMAGE080
，将计算得出的
Figure DEST_PATH_IMAGE082
按升序排列，最小值排在第1，记为
Figure DEST_PATH_IMAGE084
，则
Figure 655152DEST_PATH_IMAGE076
归为第
Figure DEST_PATH_IMAGE086
簇类，按此方法计算确定
Figure 243784DEST_PATH_IMAGE070
户居民所属簇类；
S24、根据步骤S23得到第
Figure DEST_PATH_IMAGE088
簇类含有
Figure DEST_PATH_IMAGE090
户居民，为
Figure DEST_PATH_IMAGE092
，依次更新所有
Figure 798262DEST_PATH_IMAGE066
簇类中心
Figure DEST_PATH_IMAGE094
为
Figure DEST_PATH_IMAGE096
，计算公式为：
Figure DEST_PATH_IMAGE098
，
Figure DEST_PATH_IMAGE100
上式中，
Figure DEST_PATH_IMAGE102
为求解
Figure 492417DEST_PATH_IMAGE090
户居民簇类中心的系数；
S25、循环执行步骤23和步骤S24，直到
Figure 298699DEST_PATH_IMAGE070
户居民所属簇类结果不发生变化，即完成聚类。
6.根据权利要求1所述的一种自适应的居民用户负荷预测方法，其特征在于：
步骤S3中，根据步骤S2所得的聚类结果，给各居民用户赋予负荷聚类标签
Figure DEST_PATH_IMAGE104
，
Figure DEST_PATH_IMAGE106
为第
Figure DEST_PATH_IMAGE108
户居民负荷聚类标签，其取值范围为
Figure DEST_PATH_IMAGE110
；
对聚类标签相等的居民，将其历史负荷数据进行相加，得到
Figure 335313DEST_PATH_IMAGE066
组居民总负荷数据，
Figure 201638DEST_PATH_IMAGE066
组居民总负荷数据即代表了
Figure 461718DEST_PATH_IMAGE066
类居民用电模式。
7.根据权利要求1所述的一种自适应的居民用户负荷预测方法，其特征在于：步骤S4具体包括以下步骤：
S41、根据长短期记忆神经网络预测模型的时间步长
Figure DEST_PATH_IMAGE112
，将步骤S1中的训练集数据进行预处理，以作为网络预测模型的输入数据；对于第
Figure 602849DEST_PATH_IMAGE108
户居民训练集数据样本数据
Figure DEST_PATH_IMAGE114
，
Figure DEST_PATH_IMAGE116
，将其处理成为：
Figure DEST_PATH_IMAGE118
上式中，
Figure DEST_PATH_IMAGE120
左侧为居民历史负荷数据，
Figure 756619DEST_PATH_IMAGE120
右侧为网络预测模型的输入数据；
S42、通过训练集数据对长短期记忆神经网络预测模型的隐藏层进行训练，在验证集中取得输出结果误差较小情况下，确定长短期记忆神经网络预测模型超参数；
S43、采用步骤S42得到的长短期记忆神经网络预测模型超参数对测试集数据进行预测，得到预测结果；
S44、输出层对预测结果进行反归一化：
Figure DEST_PATH_IMAGE122
上式中，
Figure DEST_PATH_IMAGE124
为长短期记忆神经网络预测模型隐含层输出结果，
Figure DEST_PATH_IMAGE126
为反归一化后的居民负荷预测最终结果，
Figure DEST_PATH_IMAGE128
为各居民历史负荷数据中的最大值，
Figure DEST_PATH_IMAGE130
为各居民历史负荷数据中的最小值；
以平均绝对百分比误差MAPE作为负荷预测评价指标：
Figure DEST_PATH_IMAGE132
上式中，
Figure DEST_PATH_IMAGE134
为所预测负荷的真实值，
Figure DEST_PATH_IMAGE136
为未来第
Figure 34324DEST_PATH_IMAGE136
个时间点，
Figure 781700DEST_PATH_IMAGE090
为负荷预测所需的未来时间点个数。
8.根据权利要求1所述的一种自适应的居民用户负荷预测方法，其特征在于：步骤S5具体包括以下步骤：
S51、初始化步骤S4中构造的长短期记忆神经网络预测模型超参数，设置隐含层神经元个数
Figure DEST_PATH_IMAGE138
和优化器学习率
Figure DEST_PATH_IMAGE140
各自的取值范围，生成
Figure DEST_PATH_IMAGE142
个由
Figure 523260DEST_PATH_IMAGE138
和
Figure 406902DEST_PATH_IMAGE140
组成的超参数二维数组，第
Figure DEST_PATH_IMAGE144
个超参数二位数组表示为
Figure DEST_PATH_IMAGE146
；
S52、按步骤S4构造
Figure 942926DEST_PATH_IMAGE066
类居民用电模式的长短期记忆神经网络预测模型超参数；
各个预测模型采用步骤S3中训练集数据进行训练，训练完成后将对应的验证集数据输入预测模型，所得输出结果与实际负荷值的平均绝对百分比误差MAPE作为粒子群算法的粒子适应度值；
对于第
Figure 912019DEST_PATH_IMAGE108
类居民用电模式下的用电负荷，循环更新所有
Figure DEST_PATH_IMAGE148
个超参数二维数组，第
Figure DEST_PATH_IMAGE150
次迭代时的第
Figure 926111DEST_PATH_IMAGE144
个超参数二位数组更新计算公式如下：
Figure DEST_PATH_IMAGE152
Figure DEST_PATH_IMAGE154
Figure DEST_PATH_IMAGE156
Figure DEST_PATH_IMAGE158
Figure DEST_PATH_IMAGE160
Figure DEST_PATH_IMAGE162
Figure DEST_PATH_IMAGE164
上式中，
Figure DEST_PATH_IMAGE166
为当前迭代次数，
Figure DEST_PATH_IMAGE168
为最大迭代次数，
Figure DEST_PATH_IMAGE170
为第1个粒子在第
Figure 244353DEST_PATH_IMAGE166
次迭代时的变化方向，
Figure DEST_PATH_IMAGE172
为第2个粒子在第
Figure 420120DEST_PATH_IMAGE166
次迭代时的变化方向，
Figure DEST_PATH_IMAGE174
为第
Figure 142088DEST_PATH_IMAGE166
次迭代时的第
Figure DEST_PATH_IMAGE176
个超参数二位数组的隐含层神经元个数，
Figure DEST_PATH_IMAGE178
为第
Figure 962801DEST_PATH_IMAGE166
次迭代时优化器学习率，
Figure DEST_PATH_IMAGE180
为第
Figure 86615DEST_PATH_IMAGE176
个超参数二位数组前
Figure 902124DEST_PATH_IMAGE166
次迭代中的历史最优解，
Figure DEST_PATH_IMAGE182
为所有
Figure 376968DEST_PATH_IMAGE148
个超参数二位数组前
Figure 936125DEST_PATH_IMAGE166
次迭代中的历史最优解，
Figure DEST_PATH_IMAGE184
、
Figure DEST_PATH_IMAGE186
为
Figure DEST_PATH_IMAGE188
范围内随机数，
Figure DEST_PATH_IMAGE190
为惯性因子，
Figure DEST_PATH_IMAGE192
和
Figure DEST_PATH_IMAGE194
为两个加速因子，
Figure DEST_PATH_IMAGE196
为加速因子
Figure 101396DEST_PATH_IMAGE192
的初始值，
Figure DEST_PATH_IMAGE198
为加速因子
Figure 356315DEST_PATH_IMAGE192
的最终值，
Figure DEST_PATH_IMAGE200
为加速因子
Figure 318455DEST_PATH_IMAGE194
的初始值，
Figure DEST_PATH_IMAGE202
为加速因子
Figure 212462DEST_PATH_IMAGE194
的最终值，
Figure DEST_PATH_IMAGE204
为惯性因子的最大值，
Figure DEST_PATH_IMAGE206
为惯性因子的最小值；
S53、执行步骤S52中当负荷预测平均绝对百分比误差MAPE趋于稳定或循环更新参数达到最大迭代次数
Figure 107606DEST_PATH_IMAGE168
时，停止超参数更新，获得第
Figure 999338DEST_PATH_IMAGE108
类居民用电模式下的长短期记忆神经网络预测模型最优超参数，即最优神经元个数
Figure 917616DEST_PATH_IMAGE138
和优化器学习率
Figure 818576DEST_PATH_IMAGE140
。
CN202111471604.0A 2021-12-06 2021-12-06 一种自适应的居民用户负荷预测方法 Pending CN113869616A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111471604.0A CN113869616A (zh) 2021-12-06 2021-12-06 一种自适应的居民用户负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111471604.0A CN113869616A (zh) 2021-12-06 2021-12-06 一种自适应的居民用户负荷预测方法

Publications (1)

Publication Number Publication Date
CN113869616A true CN113869616A (zh) 2021-12-31

Family

ID=78985900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111471604.0A Pending CN113869616A (zh) 2021-12-06 2021-12-06 一种自适应的居民用户负荷预测方法

Country Status (1)

Country Link
CN (1) CN113869616A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114638440A (zh) * 2022-05-17 2022-06-17 国网湖北省电力有限公司经济技术研究院 一种基于充电桩使用度的充电负荷超短期预测方法
CN114662922A (zh) * 2022-03-24 2022-06-24 国网江苏省电力有限公司南通供电分公司 考虑光伏不确定性的居民需求响应潜力评估方法及系统
CN115439206A (zh) * 2022-11-08 2022-12-06 税友信息技术有限公司 一种申报数据预测方法、装置、设备及介质
CN116090679A (zh) * 2023-04-12 2023-05-09 国网山东省电力公司利津县供电公司 一种配电网负荷预测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114662922A (zh) * 2022-03-24 2022-06-24 国网江苏省电力有限公司南通供电分公司 考虑光伏不确定性的居民需求响应潜力评估方法及系统
CN114662922B (zh) * 2022-03-24 2023-12-26 国网江苏省电力有限公司南通供电分公司 考虑光伏不确定性的居民需求响应潜力评估方法及系统
CN114638440A (zh) * 2022-05-17 2022-06-17 国网湖北省电力有限公司经济技术研究院 一种基于充电桩使用度的充电负荷超短期预测方法
CN115439206A (zh) * 2022-11-08 2022-12-06 税友信息技术有限公司 一种申报数据预测方法、装置、设备及介质
CN115439206B (zh) * 2022-11-08 2023-03-07 税友信息技术有限公司 一种申报数据预测方法、装置、设备及介质
CN116090679A (zh) * 2023-04-12 2023-05-09 国网山东省电力公司利津县供电公司 一种配电网负荷预测方法

Similar Documents

Publication Publication Date Title
US11581740B2 (en) Method, system and storage medium for load dispatch optimization for residential microgrid
CN112508275B (zh) 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备
Wang et al. A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors
CN113869616A (zh) 一种自适应的居民用户负荷预测方法
CN109359389B (zh) 基于典型负荷动态博弈的城市电动汽车充电决策方法
CN108022001A (zh) 基于pca和分位数回归森林的短期负荷概率密度预测方法
CN110380444B (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
CN108416466A (zh) 复杂特性影响的电力负荷预测方法、计算机信息处理系统
CN110866633B (zh) 一种基于svr支持向量回归的微电网超短期负荷预测方法
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN110570023A (zh) 一种基于sarima-grnn-svm的短期商业电力负荷预测方法
CN110163444A (zh) 一种基于gasa-svr的需水预测方法
CN111861089A (zh) 一种电力现货市场的综合评价方法
CN114119273A (zh) 一种园区综合能源系统非侵入式负荷分解方法及系统
CN114676941A (zh) 园区综合能源系统电-热负荷联合自适应预测方法及装置
CN116826710A (zh) 基于负荷预测的削峰策略推荐方法、装置及存储介质
CN109146553A (zh) 基于多密度聚类与多核svm的实时电价预测系统及其方法
CN113570414A (zh) 基于改进Adam算法优化深度神经网络的电价预测方法
CN117151770A (zh) 一种基于注意力机制的lstm碳价预测方法和系统
CN111914900A (zh) 一种用户用电模式分类方法
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
Gao et al. Establishment of economic forecasting model of high-tech industry based on genetic optimization neural network
CN116468138A (zh) 空调负荷预测方法、系统、电子设备及计算机存储介质
CN115759343A (zh) 一种基于e-lstm的用户电量预测方法和装置
CN115481788A (zh) 相变储能系统负荷预测方法及系统

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