CN113902202A - 基于双重注意力机制和lstm的短期负荷预测模型和方法 - Google Patents

基于双重注意力机制和lstm的短期负荷预测模型和方法 Download PDF

Info

Publication number
CN113902202A
CN113902202A CN202111201606.8A CN202111201606A CN113902202A CN 113902202 A CN113902202 A CN 113902202A CN 202111201606 A CN202111201606 A CN 202111201606A CN 113902202 A CN113902202 A CN 113902202A
Authority
CN
China
Prior art keywords
layer
lstm
output
attention mechanism
term load
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.)
Withdrawn
Application number
CN202111201606.8A
Other languages
English (en)
Inventor
卞海红
徐懂理
崔梦麟
徐国政
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.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of Technology
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 Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN202111201606.8A priority Critical patent/CN113902202A/zh
Publication of CN113902202A publication Critical patent/CN113902202A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本发明提供了基于双重注意力机制和LSTM的短期负荷预测模型和方法，包括输入向量、特征注意力层、3层LSTM网络、时序注意力层、全连接层输出，所述输入向量结合前一时刻LSTM网络的隐藏状态值ht‑1，经过特征注意力层计算得到各特征量对当前预测情况的影响权重，经过两层LSTM网络学习特征，再通过时序注意力层计算出各历史时刻输出信息的影响权重αti并得到最终输出的当前时刻的隐藏层状态值

Description

基于双重注意力机制和LSTM的短期负荷预测模型和方法
技术领域
本发明属于电力系统负荷预测领域，涉及一种短期负荷预测方法，特别涉及一种基于双重注意力机制和LSTM的短期负荷预测模型和方法。
背景技术
电力系统负荷预测是电力系统规划和稳定、安全、经济运行的基础。根据预测期限可以将负荷预测分为长期预测，中期预测，短期预测和超短期预测。不同的预测类型对电网有着不同的应用目的。其中短期负荷预测(Short term load forecasting,STLF)一般指当前时刻往后1小时到1周的负荷预测，适用于火电分配及水火协调等方面。可靠的预测结果有利于提高发电设备的利用率，降低电力网络的运营成本。而随着电网市场化改革的推进，有效的短期负荷预测对实时电价的影响更加明显。但是随着电网规模的不断扩大，负荷多样性的增加，高效和精确的短期负荷预测变得更加困难。这就要求超短期的负荷预测方法同时具有快速和准确的特点。
目前，用于负荷预测的方法主要可以分为两大类，分别是传统的统计学方法和新兴的机器学习方法。统计学方法包括了多元线性回归模型、卡尔曼滤波器模型、以及时间序列模型等，它建立的模型具有比较明确的数学形式，数据分布的假定和模型的合理性决定了预测结果好坏。而由于电力负荷具有复杂性和非线性的特点，很难做出较为符合实际的分布假定和建立明确的数学模型。因此多数的统计学方法在进行短期负荷预测时效果并不理想。机器学习方法包括了包括模糊推理系统(Fuzzy inference system，FIS)、人工神经网络(Artificial neural network，ANN)和支持向量机(Support vector machine，SVM)等。这些方法能够较好的处理非线性问题，因此预测的准确率有所提高，但也存在一些其它问题，如缺乏自学能力，无法处理大规模数据，破坏数据的时序特征，手动特征选择等。
RNN模型具有记忆单元，可以实现对电力负荷数据时序关系提取，但在训练过程中容易产生梯度消失或爆炸的问题。长短时记忆(Long-short time memory，LSTM)网络是一种改进的循环神经网络，它能够同时学习数据的非线性以及时序性特征，并且解决了普通RNN梯度消失的问题。该方法虽然能很好的处理负荷在时序上的相关性问题，但是忽视了实际运行中各输入特征的关联关系，存在片面性。
发明内容
1.所要解决的技术问题：
现有负荷预测存在各种各样的问题，机器学习方法能够较好的处理非线性问题缺乏自学能力，无法处理大规模数据，破坏数据的时序特征，长短时记忆能够同时学习数据的非线性以及时序性特征但是忽视了实际运行中各输入特征的关联关系，存在片面性。
2.技术方案：
为了解决以上问题，本发明提供了一种基于双重注意力机制和LSTM的短期负荷预测模型，包括输入向量、特征注意力层、3层LSTM网络、时序注意力层、全连接层输出，所述输入向量结合前一时刻LSTM网络的隐藏状态值ht-1，经过特征注意力层计算得到各特征量对当前预测情况的影响权重，经过两层LSTM网络学习特征，再通过时序注意力层计算出各历史时刻输出信息的影响权重αti并得到最终输出的当前时刻的隐藏层状态值
Figure BDA0003305049920000025
输出，最后输入到全连接层得到最终预测结果。
所述LSTM网络包括输入门it，遗忘门ft，输出门ot三个逻辑单元控制记忆单元输出。其中，输入门控制记忆单元中当前输入的状态；遗忘门对前一个记忆单元处理结果进行筛选保留；输出门控制记忆单元的输出状态。
所述LSTM网络第一层设置128个神经元，来更好的学习特征。第二层设置64个神经元减少冗余数据的干扰，第三层29个神经元。时间步长为24，学习率为0.001，训练周期1000次。
所述的LSTM网络计算过程如下式所示：
it＝σ(Wixt+Uiht-1+bi)
ft＝σ(Wfxt+Ufht-1+bf)
ot＝σ(Woxt+Uoht-1+bo)
Figure BDA0003305049920000021
Figure BDA0003305049920000022
Figure BDA0003305049920000023
it由输入xt、前一时刻的隐藏层输出ht-1和激活函数σ共同决定；输入门it为0到1之间实数构成的向量；Wi、Ui、bi、Wf、Uf、bf、Wo、Uo、bo为门训练参数；tan h为激活函数，ct-1和ct为LSTM网络时序上相邻两个记忆单元。
特征注意力层计算得到各特征量对当前预测情况的影响权重通过以下公式获得：
Figure BDA0003305049920000024
Ve、We、Ue为多层感知机需要学习的神经元权重，be为偏置参数；q为编码器LSTM网络最后一层隐藏层神经元数量。
所述时序注意力层计算出各历史时刻输出信息的影响权重通过以下公式获得：
Figure BDA0003305049920000031
ht，hi分别为t时刻、i时刻隐藏层状态值。
最终输出的当前时刻的隐藏层状态值通过如下公式获得：
Figure BDA0003305049920000032
Ct是中间向量，ht为t时刻隐藏层状态值。
本发明还提供了一种所述的基于双重注意力机制和LSTM的短期负荷预测模型预测方法，包括以下步骤：步骤S01：对样本数据进行预处理，剔除异常数据，填充残缺数据；步骤S02：利用特征注意力机制对各特征影响力进行权重的量化；步骤S03：设置3层LSTM网络；步骤S04：将当前时刻网络的输出与历史输出结合，经过注意力机制分析所有输入特征对预测的影响权重，突出关键时刻的影响因素，得到新的输出向量；步骤S05：通过全连接层得到预测结果；步骤S06：多次重复上述步骤，完成模型训练。步骤S07：通过训练好的双重注意力机制和LSTM网络进行预测。
3.有益效果：
本发明提供了一种基于双重注意力机制和LSTM的短期负荷预测方法。利用特征注意力机制自主分析历史信息与输入特征之间的关联关系，提取重要特征。时序注意力机制自主选取LSTM网络关键时间点的历史信息，提升较长时间段预测效果的稳定性。
具体实施方式
下面对本发明进行详细说明。
一种基于双重注意力机制和LSTM的短期负荷预测模型，包括输入向量、特征注意力层、3层LSTM网络、时序注意力层、全连接层输出，所述输入向量结合前一时刻LSTM网络的隐藏状态值ht-1，经过特征注意力层计算得到各特征量对当前预测情况的影响权重，经过两层LSTM网络学习特征，再通过时序注意力层计算出各历史时刻输出信息的影响权重αti并得到最终输出的当前时刻的隐藏层状态值
Figure BDA0003305049920000033
输出，最后输入到全连接层得到最终预测结果。
本发明采用在LSTM网络的基础上引入了双重注意力机制，分别为特征注意力机制和时序注意力机制，利用特征信息的关联性和时序信息依赖性提升负荷预测的准确率。
将特征的时间序列，前一时刻LSTM网络的隐藏状态ht-1和当前时刻输入特征xt m作为特征注意力机制的输入，通过下式对当前时刻各特征进行注意权重的计算，
Figure BDA0003305049920000041
Ve、We、Ue为多层感知机需要学习的神经元权重，be为偏置参数；q为编码器LSTM网络最后一层隐藏层神经元数量。然后进行归一化处理，根据注意力权重增强或削弱相关输入信息的表达，将当前时刻得到的权重与对应特征相乘进行特征注意力输出Xt，自适应优化特征的影响力。
时序注意力机制对LSTM网络输出结果进行权重的量化。自适应处理历史状态信息，强化相关时刻状态信息的影响力。
以包含各历史时刻信息的最后一层隐层状态作为时序注意力机制的输入，分析历史状态与当前状态的关联性，幵赋予影响权重。score评分函数采用点积；αti为历史输入的隐藏层状态对当前输入的注意力权重；Ct是中间向量；
Figure BDA0003305049920000045
表示最终输出的当前时刻的隐藏层状态值。
score(ht，hi)＝ht Thi
Figure BDA0003305049920000042
Figure BDA0003305049920000043
Figure BDA0003305049920000044
LSTM网络增加输入门it，遗忘门ft，输出门ot三个逻辑单元控制记忆单元输出。其中，输入门控制记忆单元中当前输入的状态；遗忘门对前一个记忆单元处理结果进行筛选保留；输出门控制记忆单元的输出状态。LSTM网络计算过程如下式所示：
it＝σ(Wixt+Uiht-1+bi)
ft＝σ(Wfxt+Ufht-1+bf)
ot＝σ(Woxt+Uoht-1+bo)
Figure BDA0003305049920000051
Figure BDA0003305049920000052
Figure BDA0003305049920000053
it由输入xt、前一时刻的隐藏层输出ht-1和激活函数σ共同决定；输入门it为0到1之间实数构成的向量；Wi、Ui、bi、Wf、Uf、bf、Wo、Uo、bo为门训练参数；tan h为激活函数，ct-1和ct为LSTM网络时序上相邻两个记忆单元。
LSTM网络的特点是时序上相邻两个记忆单元的状态转移(ct-1到ct)由激活函数、输入门和遗忘门共同控制。
在一个实施例中，LSTM网络，第一层设置128个神经元，来更好的学习特征。第二层设置64个神经元减少冗余数据的干扰，第三层29个神经元。时间步长为24，学习率为0.001，训练周期1000次。
本发明还提供了一种所述的基于双重注意力机制和LSTM的短期负荷预测模型预测方法，包括以下步骤：步骤S01：对样本数据进行预处理，剔除异常数据，填充残缺数据；步骤S02：利用特征注意力机制对各特征影响力进行权重的量化；步骤S03：设置3层LSTM网络；步骤S04：将当前时刻网络的输出与历史输出结合，经过注意力机制分析所有输入特征对预测的影响权重，突出关键时刻的影响因素，得到新的输出向量；步骤S05：通过全连接层得到预测结果；步骤S06：多次重复上述步骤，完成模型训练。步骤S07：通过训练好的双重注意力机制和LSTM网络进行预测。

Claims (8)

1.一种基于双重注意力机制和LSTM的短期负荷预测模型，其特征在于：包括输入向量、特征注意力层、3层LSTM网络、时序注意力层、全连接层输出，所述输入向量结合前一时刻LSTM网络的隐藏状态值ht-1，经过特征注意力层计算得到各特征量对当前预测情况的影响权重，经过两层LSTM网络学习特征，再通过时序注意力层计算出各历史时刻输出信息的影响权重αti并得到最终输出的当前时刻的隐藏层状态值
Figure FDA0003305049910000011
输出，最后输入到全连接层得到最终预测结果。
2.如权利要求1所述的基于双重注意力机制和LSTM的短期负荷预测模型，其特征在于：所述LSTM网络包括输入门it，遗忘门ft，输出门ot三个逻辑单元控制记忆单元输出。其中，输入门控制记忆单元中当前输入的状态；遗忘门对前一个记忆单元处理结果进行筛选保留；输出门控制记忆单元的输出状态。
3.如权利要求1所述的基于双重注意力机制和LSTM的短期负荷预测模型，其特征在于：所述LSTM网络第一层设置128个神经元，来更好的学习特征。第二层设置64个神经元减少冗余数据的干扰，第三层29个神经元。时间步长为24，学习率为0.001，训练周期1000次。
4.如权利要求1-3任一项权利要求所述的基于双重注意力机制和LSTM的短期负荷预测模型，其特征在于：LSTM网络计算过程如下式所示：
it＝σ(Wixt+Uiht-1+bi)
ft＝σ(Wfxt+Ufht-1+bf)
ot＝σ(Woxt+Uoht-1+bo)
Figure FDA0003305049910000012
Figure FDA0003305049910000013
Figure FDA0003305049910000014
it由输入xt、前一时刻的隐藏层输出ht-1和激活函数σ共同决定；输入门it为0到1之间实数构成的向量；Wi、Ui、bi、Wf、Uf、bf、Wo、Uo、bo为门训练参数；tanh为激活函数，ct-1和ct为LSTM网络时序上相邻两个记忆单元。
5.如权利要求1所述的基于双重注意力机制和LSTM的短期负荷预测模型，其特征在于：特征注意力层计算得到各特征量对当前预测情况的影响权重通过以下公式获得：
Figure FDA0003305049910000021
Ve、We、Ue为多层感知机需要学习的神经元权重，be为偏置参数；q为编码器LSTM网络最后一层隐藏层神经元数量。
6.如权利要求1所述的基于双重注意力机制和LSTM的短期负荷预测模型，其特征在于：所述时序注意力层计算出各历史时刻输出信息的影响权重通过以下公式获得：
Figure FDA0003305049910000022
ht，hi分别为t时刻、i时刻隐藏层状态值。
7.如权利要求1所述的基于双重注意力机制和LSTM的短期负荷预测模型，其特征在于：最终输出的当前时刻的隐藏层状态值通过如下公式获得：
Figure FDA0003305049910000023
Ct是中间向量，ht为t时刻隐藏层状态值。
8.一种如权利要求1-7任一项权利要求所述的基于双重注意力机制和LSTM的短期负荷预测模型预测方法，包括以下步骤：步骤S01：对样本数据进行预处理，剔除异常数据，填充残缺数据；步骤S02：利用特征注意力机制对各特征影响力进行权重的量化；步骤S03：设置3层LSTM网络；步骤S04：将当前时刻网络的输出与历史输出结合，经过注意力机制分析所有输入特征对预测的影响权重，突出关键时刻的影响因素，得到新的输出向量；步骤S05：通过全连接层得到预测结果；步骤S06：多次重复上述步骤，完成模型训练。步骤S07：通过训练好的双重注意力机制和LSTM网络进行预测。
CN202111201606.8A 2021-10-15 2021-10-15 基于双重注意力机制和lstm的短期负荷预测模型和方法 Withdrawn CN113902202A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111201606.8A CN113902202A (zh) 2021-10-15 2021-10-15 基于双重注意力机制和lstm的短期负荷预测模型和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111201606.8A CN113902202A (zh) 2021-10-15 2021-10-15 基于双重注意力机制和lstm的短期负荷预测模型和方法

Publications (1)

Publication Number Publication Date
CN113902202A true CN113902202A (zh) 2022-01-07

Family

ID=79192201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111201606.8A Withdrawn CN113902202A (zh) 2021-10-15 2021-10-15 基于双重注意力机制和lstm的短期负荷预测模型和方法

Country Status (1)

Country Link
CN (1) CN113902202A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266201A (zh) * 2022-03-01 2022-04-01 杭州市特种设备检测研究院(杭州市特种设备应急处置中心) 一种基于深度学习的自注意力电梯困人预测方法
CN114881303A (zh) * 2022-04-21 2022-08-09 海南大学 一种基于双注意力机制的水质长期预测方法
CN114881538A (zh) * 2022-06-24 2022-08-09 东南大学溧阳研究院 一种基于感知机的需求响应用户选择方法
CN114994294A (zh) * 2022-05-20 2022-09-02 燕山大学 基于注意力与窗口选通机制的水泥熟料游离钙软测量方法
CN115017818A (zh) * 2022-06-20 2022-09-06 南京工业职业技术大学 基于注意力机制和多层lstm的电厂烟气含氧量智能预测方法
CN117034755A (zh) * 2023-08-07 2023-11-10 兰州理工大学 一种融合多头注意力机制的冷轧钢力学性能预测方法
CN118132997A (zh) * 2024-05-07 2024-06-04 国网山东省电力公司泰安供电公司 一种电网负荷预测方法、装置、电子设备以及可读存储介质

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266201A (zh) * 2022-03-01 2022-04-01 杭州市特种设备检测研究院(杭州市特种设备应急处置中心) 一种基于深度学习的自注意力电梯困人预测方法
CN114266201B (zh) * 2022-03-01 2022-07-22 杭州市特种设备检测研究院(杭州市特种设备应急处置中心) 一种基于深度学习的自注意力电梯困人预测方法
CN114881303A (zh) * 2022-04-21 2022-08-09 海南大学 一种基于双注意力机制的水质长期预测方法
CN114881303B (zh) * 2022-04-21 2024-06-04 海南大学 一种基于双注意力机制的水质长期预测方法
CN114994294A (zh) * 2022-05-20 2022-09-02 燕山大学 基于注意力与窗口选通机制的水泥熟料游离钙软测量方法
CN115017818A (zh) * 2022-06-20 2022-09-06 南京工业职业技术大学 基于注意力机制和多层lstm的电厂烟气含氧量智能预测方法
CN114881538A (zh) * 2022-06-24 2022-08-09 东南大学溧阳研究院 一种基于感知机的需求响应用户选择方法
CN114881538B (zh) * 2022-06-24 2022-12-13 东南大学溧阳研究院 一种基于感知机的需求响应用户选择方法
CN117034755A (zh) * 2023-08-07 2023-11-10 兰州理工大学 一种融合多头注意力机制的冷轧钢力学性能预测方法
CN118132997A (zh) * 2024-05-07 2024-06-04 国网山东省电力公司泰安供电公司 一种电网负荷预测方法、装置、电子设备以及可读存储介质

Similar Documents

Publication Publication Date Title
CN113902202A (zh) 基于双重注意力机制和lstm的短期负荷预测模型和方法
US20230080737A1 (en) Federated Learning-Based Regional Photovoltaic Power Probabilistic Forecasting Method and Coordinated Control System
Catalao et al. An artificial neural network approach for short-term wind power forecasting in Portugal
Xiao et al. A hybrid model based on data preprocessing for electrical power forecasting
CN113902207A (zh) 一种基于tcn-lstm的短期负荷预测方法
CN109740727A (zh) 一种基于神经网络的水轮机转轴状态监测方法和系统
Xu et al. A dam deformation prediction model based on ARIMA-LSTM
Jia et al. Water quality prediction method based on LSTM-BP
Borisov et al. Forecasting of multidimensional time series basing on fuzzy rule-based models
Saravanan et al. PREDICTION OF INDIA'S ELECTRICITY DEMAND USING ANFIS.
Kumaresan et al. Stock price prediction model using LSTM: A comparative study
Wei et al. A combination forecasting method of grey neural network based on genetic algorithm
Tanwar et al. Prediction of cryptocurrency prices using transformers and long short term neural networks
Kan et al. Stock price prediction based on artificial neural network
Mishra et al. Optimization of load forecasting in smartgrid using artificial neural network based NFTOOL and NNTOOL
Sretenovic et al. Hybrid artificial intelligence model for prediction of heating energy use
CN115018179A (zh) 一种基于CNN-BiGRU超短期电力负荷预测方法
Sulistiyo et al. Evolution strategies for weight optimization of Artificial Neural Network in time series prediction
CN113935600A (zh) 一种基于深度学习的自适应经济调度系统及方法
Xu et al. Short-term gas load forecast based on tcn-bigru
CN112183814A (zh) 一种短期风速预测方法
Zhong et al. Wind power generation prediction during the COVID-19 epidemic based on novel hybrid deep learning techniques
Wang et al. Wind Power Forecasting: LSTM-Combined Deep Reinforcement Learning Approach
Kumari et al. Effect of different activation function on short term load forecasting using neural network-a comparative study
Zhao et al. A Novel Method of GRU Interval Prediction of Short-term Electric Load Considering Real-time Electricity Price

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220107

WW01 Invention patent application withdrawn after publication