CN113919594A - 一种基于深度森林的需求响应潜力评估方法 - Google Patents

一种基于深度森林的需求响应潜力评估方法 Download PDF

Info

Publication number
CN113919594A
CN113919594A CN202111366499.4A CN202111366499A CN113919594A CN 113919594 A CN113919594 A CN 113919594A CN 202111366499 A CN202111366499 A CN 202111366499A CN 113919594 A CN113919594 A CN 113919594A
Authority
CN
China
Prior art keywords
data
demand response
deep forest
response potential
user
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
CN202111366499.4A
Other languages
English (en)
Inventor
谈竹奎
冯圣勇
吕黔苏
徐玉韬
刘斌
林呈辉
胡厚鹏
李鹏程
丛中笑
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.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid 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 Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN202111366499.4A priority Critical patent/CN113919594A/zh
Publication of CN113919594A publication Critical patent/CN113919594A/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Landscapes

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

Abstract

本发明公开了一种基于深度森林的需求响应潜力评估方法，它包括：采集用户用电历史数据和柔性负荷数据进行预处理，得到用户需求响应潜力分析数据，分为训练数据及验证数据；对所述训练数据进行抽样处理，得到抽样数据；根据BP反向传播算法将所述抽样数据作为输入生成并训练神经网络，根据数据规模与精度要求建立若干个神经网络识别模型；并将所述神经网络进行并联组合成深度森林模型；对深度森林模型进行验证；将目标用户的需求响应潜力分析数据输入至训练好的深度森林模型需求响应潜力预测，完成对目标用户的需求响应潜力评估；解决了现有技术方法耗费大量时间人力物力，且效果不佳，信息量少，用户接受程度较低等技术问题。

Description

一种基于深度森林的需求响应潜力评估方法
技术领域
本发明属于智能电网技术领域，尤其涉及一种基于深度森林的需求响应潜力评估方法。
背景技术
需求响应潜力评估是实现智慧用电方案的前提，也是需求管理终端的应有功能。基于用户需求响应的潜力评估，电网公司才能得知用户所拥有的柔性负荷种类、数量、额定功率等特征，也能得知其响应意愿和激励接受程度，进而给用户提供最合适的需求响应方案，实现源荷互动的智慧用电目标。然而，传统的需求响应潜力评估方法是基于调查问卷或者统计抽样分析对用户的需求响应反馈给出预测结果。此类方法耗费大量时间人力物力，且效果不佳，信息量少，用户接受程度较低。因此，目前迫切需要能集成在用电管理终端上，基于终端上的采集数据挖掘有效信息，智能预测用户需求响应潜力的技术。
发明内容
本发明要解决的技术问题是：提供一种基于深度森林的需求响应潜力评估方法，以解决现有技术传统的需求响应潜力评估方法是基于调查问卷或者统计抽样分析对用户的需求响应反馈给出预测结果。此类方法耗费大量时间人力物力，且效果不佳，信息量少，用户接受程度较低等技术问题。
本发明采取的技术方案是：
一种基于深度森林的需求响应潜力评估方法，它包括：
步骤S1、采集用户用电历史数据和柔性负荷数据；
步骤S2、对用电历史数据和柔性负荷数据进行预处理，得到用户需求响应潜力分析数据，并将用户需求响应潜力分析数据分为训练数据及验证数据；
S3、根据Bootstrap法对所述训练数据进行抽样处理，得到抽样数据；
S4、根据BP反向传播算法将所述抽样数据作为输入生成并训练神经网络，根据数据规模与精度要求建立若干个神经网络识别模型；并将所述神经网络进行并联组合成深度森林模型；
S5、通过验证数据对深度森林模型进行验证，当误差率低于预设阈值时，结束模型训练；
S6、将目标用户的需求响应潜力分析数据输入至训练好的深度森林模型，深度森林模型对目标用户进行需求响应潜力预测，完成对目标用户的需求响应潜力评估。
用户用电历史数据的获取，包括：用户的日负荷率、日峰值负荷、日谷值负荷、日平均负荷和日负荷曲线。
柔性负荷数据包括：环境温度，柔性负荷的类型，柔性负荷的数量和柔性负荷的额定功率。
所述预处理包括：通过归一化算法对用户总线电气原始数据进行归一化处理，归一化处理公式：
Figure BDA0003360858740000021
a'表示归一化后的结果，a表示该特征数据，amax表示该类特征数据的最大值，amin表示该类特征数据的最小值；
对归一化处理后的数据进行缺失值填充；所述缺失值填充方法为拉格朗日插值法；
噪声值包括异常值及重复值；对异常值与重复值的处理方法是将其剔除；
基于独热编码对用户需求响应潜力分析数据的离散型型特征数据进行处理。
根据BP反向传播算法将所述抽样数据作为输入生成并训练神经网络的方法为：BP反向传播算法是一种反向传播算法，用于构建神经网络；BP算法的学习过程由正向传播过程和反向传播过程组成；在正向传播过程中，输入信息通过输入层经隐含层，逐层处理并传向输出层；如果在输出层得不到期望的输出值，则取输出与期望的误差的平方和作为目标函数，转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，作为修改权值的依据，网络的学习在权值修改过程中完成；误差达到所期望值时，网络学习结束。
将所述神经网络进行并联组合成深度森林模型的方法为：将各个神经网络并联组合起来形成组合识别模型，每个神经网络通过输出等权求和来决定最终输出，即组成深度森林模型。
S5所述通过验证数据对深度森林模型进行验证，当误差率低于预设阈值时，结束模型训练的具体方法为:使用验证集判断模型准确度，如果模型准确率满足要求，则结束模型训练，若不满足,则返回调整深度森林的组成，对神经网络进行批归一化、dropout和早停处理；并调整深度森林模型的参数。
深度森林算法是指通过bootstrap抽样方法对训练数据进行抽样，采用BP算法生成深度森林的基学习器，每个基学习器所学习的特征采用随机抽样，并对这些神经网络的输出采取等权求和机制确定最终输出结果的算法模型。
本发明的有益效果：
本发明提供一种基于深度森林的用户需求响应潜力评估方法，基于用户用电信息以及其所拥有的的柔性负荷特征，基于深度森林算法对该用户的需求响应能力进行预测，得到分析结果。本发明提供的一种基于深度森林的用户需求响应潜力评估方法能给需求响应调度算法提供每个用户的需求响应潜力，给予其调度计算很大的便利；深度森林算法作为一种新颖的机器学习方法，除了泛化性强、端对端学习简易等性能指标上的优势，还是对传统需求响应潜力评估方法如问卷调查法、统计分析法一次巨大的革命，可节省大量时间、人力和物力；并提高了评估准确性。
解决了现有技术传统的需求响应潜力评估方法是基于调查问卷或者统计抽样分析对用户的需求响应反馈给出预测结果。此类方法耗费大量时间人力物力，且效果不佳，信息量少，用户接受程度较低等技术问题。
附图说明
图1是本发明实施例1提供的一种基于深度森林的需求响应潜力评估方法的流程图；
图2是本发明实施例2提供的一种基于深度森林的需求响应潜力评估方法的流程图；
图3是本发明实施例3提供的一种基于深度森林的需求响应潜力评估方法的流程图；
具体实施方式
请参阅图1，本发明实施例1提供一种基于深度森林的需求响应潜力评估方法，包括：
S10、获取用户用电历史数据，获取其柔性负荷数据。
在某一具体实施方式中，所述对所述用户用电历史数据的获取，包括：
用户的日负荷率，日峰值负荷，日谷值负荷，日平均负荷，日负荷曲线。
需要说明的是，所述其柔性负荷数据包括：环境温度，柔性负荷的类型，柔性负荷的数量，柔性负荷的额定功率。
S20、对所述用户用电历史数据和柔性负荷数据进行预处理，得到用户需求响应潜力分析数据，并将用户需求响应潜力分析按照预设规则分为训练数据及验证数据
在某一具体实施方式中，所述预处理包括：
通过归一化算法对所述用户总线电气原始数据进行归一化处理，对归一化处理后的数据进行缺失值填充及噪声值剔除；所述噪声值包括：异常值及重复值。基于独热编码对用户需求响应潜力分析数据的离散型型特征数据进行预处理。
S30、根据Bootstrap法对所述训练数据进行抽样处理，得到抽样数据。
S40、根据BP反向传播算法将所述抽样数据作为输入生成并训练神经网络，并将所述神经网络进行并联组合成深度森林模型。
在实施例2中，所述将所述神经网络进行并联组合成深度森林模型，包括：
将所述神经网络进行并联组合起来，形成组合识别模型；
通过各神经网络的输出等权求和生成深度森林模型。
S50、通过所述验证数据对所述深度森林模型进行验证，当误差率低于预设阈值时，结束模型训练。
在某一具体实施方式中，所述通过所述验证数据对所述深度森林模型进行验证，还包括：
当误差率不低于预设阈值时，对所述神经网络进行批归一化、dropout，早停等处理，并调整所述深度森林模型的参数。
需要说明的是，所述的深度森林算法是指通过bootstrap抽样方法对训练数据进行抽样，采用BP算法生成深度森林的基学习器，每个基学习器所学习的特征采用随机抽样，并对这些神经网络的输出采取等权求和机制确定最终输出结果的算法模型。
S60、将目标用户的需求响应潜力分析数据输入至所述深度森林模型，所述深度森林模型对所述目标用户进行需求响应潜力预测，完成对所述目标用户的需求响应潜力评估。
在实施例3中，请参阅图2-3，本发明提供一种基于深度森林的用于需求响应潜力评估方法，包括：
步骤S1，采集用户用电历史数据和其柔性负荷数据；
步骤S2，对数据进行数据预处理并将数据划分为训练集与验证集。所述特征工程是指数据归一化与缺失值填充、重复值与异常值清除。所述归一化处理公式：
Figure BDA0003360858740000061
a'表示归一化后的结果,a表示该特征数据,amax表示该类特征数据的最大值,amin表示该类特征数据的最小值；所述缺失值填充方法为拉格朗日插值法，本专利对异常值与重复值的处理方法是将其剔除。基于独热编码对用户需求响应潜力分析数据的离散型型特征数据进行预处理。采用3-折交叉验证法生成验证集；
步骤S4，采用bootstrap法抽样训练集，再随机选取用用户用电历史数据和其柔性负荷数据特征，据此采用BP反向传播算法形成神经网络(深度森林的基学习器)。重复上述步骤，根据数据规模与精度要求建立若干个个神经网络识别模型；
所述BP算法是一种反向传播算法，用于构建神经网络。BP算法的学习过程由正向传播过程和反向传播过程组成。在正向传播过程中，输入信息通过输入层经隐含层，逐层处理并传向输出层。如果在输出层得不到期望的输出值，则取输出与期望的误差的平方和作为目标函数，转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，作为修改权值的依据，网络的学习在权值修改过程中完成。误差达到所期望值时，网络学习结束。
步骤S5，将各个神经网络并联组合起来,形成组合识别模型,每个神经网络通过输出等权求和来决定最终输出，即组成深度森林模型；
步骤S6，使用验证集与判断模型准确度，如果模型准确率满足要求，则结束模型训练，若不满足，返回调整深度森林的组成，对神经网络进行批归一化、dropout，早停等处理，模型超参数调整等；
步骤S7，使用模型进行评估。将目标用户的需求响应潜力分析数据输入至所述深度森林模型，所述深度森林模型对所述目标用户进行需求响应潜力预测，完成对所述目标用户的需求响应潜力评估。
本发明提供的一种基于深度森林的用户需求响应潜力评估方法突破了传统需求响应潜力评估提取信息有限的这一瓶颈；深度森林算法具有泛化能力强，端对端处理等优势，使得本方法具备复杂场景的强适应性与部署简便性，进而满足作为需求管理终端和智慧用电方案基础技术的要求。

Claims (8)

1.一种基于深度森林的需求响应潜力评估方法，它包括：
步骤S1、采集用户用电历史数据和柔性负荷数据；
步骤S2、对用电历史数据和柔性负荷数据进行预处理，得到用户需求响应潜力分析数据，并将用户需求响应潜力分析数据分为训练数据及验证数据；
S3、根据Bootstrap法对所述训练数据进行抽样处理，得到抽样数据；
S4、根据BP反向传播算法将所述抽样数据作为输入生成并训练神经网络，根据数据规模与精度要求建立若干个神经网络识别模型；并将所述神经网络进行并联组合成深度森林模型；
S5、通过验证数据对深度森林模型进行验证，当误差率低于预设阈值时，结束模型训练；
S6、将目标用户的需求响应潜力分析数据输入至训练好的深度森林模型，深度森林模型对目标用户进行需求响应潜力预测，完成对目标用户的需求响应潜力评估。
2.根据权利要求1所述的一种基于深度森林的需求响应潜力评估方法，其特征在于：用户用电历史数据的获取，包括：用户的日负荷率、日峰值负荷、日谷值负荷、日平均负荷和日负荷曲线。
3.根据权利要求1所述的一种基于深度森林的需求响应潜力评估方法，其特征在于：柔性负荷数据包括：环境温度，柔性负荷的类型，柔性负荷的数量和柔性负荷的额定功率。
4.根据权利要求1所述的一种基于深度森林的需求响应潜力评估方法，其特征在于：所述预处理包括：通过归一化算法对用户总线电气原始数据进行归一化处理，归一化处理公式：
Figure FDA0003360858730000021
a'表示归一化后的结果，a表示该特征数据，amax表示该类特征数据的最大值，amin表示该类特征数据的最小值；
对归一化处理后的数据进行缺失值填充；所述缺失值填充方法为拉格朗日插值法；
噪声值包括异常值及重复值；对异常值与重复值的处理方法是将其剔除；
基于独热编码对用户需求响应潜力分析数据的离散型型特征数据进行处理。
5.根据权利要求1所述的一种基于深度森林的需求响应潜力评估方法，其特征在于：根据BP反向传播算法将所述抽样数据作为输入生成并训练神经网络的方法为：BP反向传播算法是一种反向传播算法，用于构建神经网络；BP算法的学习过程由正向传播过程和反向传播过程组成；在正向传播过程中，输入信息通过输入层经隐含层，逐层处理并传向输出层；如果在输出层得不到期望的输出值，则取输出与期望的误差的平方和作为目标函数，转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，作为修改权值的依据，网络的学习在权值修改过程中完成；误差达到所期望值时，网络学习结束。
6.根据权利要求1所述的一种基于深度森林的需求响应潜力评估方法，其特征在于：将所述神经网络进行并联组合成深度森林模型的方法为：将各个神经网络并联组合起来形成组合识别模型，每个神经网络通过输出等权求和来决定最终输出，即组成深度森林模型。
7.根据权利要求1所述的一种基于深度森林的需求响应潜力评估方法，其特征在于：S5所述通过验证数据对深度森林模型进行验证，当误差率低于预设阈值时，结束模型训练的具体方法为:使用验证集判断模型准确度，如果模型准确率满足要求，则结束模型训练，若不满足,则返回调整深度森林的组成，对神经网络进行批归一化、dropout和早停处理；并调整深度森林模型的参数。
8.根据权利要求1所述的一种基于深度森林的需求响应潜力评估方法，其特征在于：深度森林算法是指通过bootstrap抽样方法对训练数据进行抽样，采用BP算法生成深度森林的基学习器，每个基学习器所学习的特征采用随机抽样，并对这些神经网络的输出采取等权求和机制确定最终输出结果的算法模型。
CN202111366499.4A 2021-11-18 2021-11-18 一种基于深度森林的需求响应潜力评估方法 Pending CN113919594A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111366499.4A CN113919594A (zh) 2021-11-18 2021-11-18 一种基于深度森林的需求响应潜力评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111366499.4A CN113919594A (zh) 2021-11-18 2021-11-18 一种基于深度森林的需求响应潜力评估方法

Publications (1)

Publication Number Publication Date
CN113919594A true CN113919594A (zh) 2022-01-11

Family

ID=79247540

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111366499.4A Pending CN113919594A (zh) 2021-11-18 2021-11-18 一种基于深度森林的需求响应潜力评估方法

Country Status (1)

Country Link
CN (1) CN113919594A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116485071A (zh) * 2023-04-12 2023-07-25 山东科技大学 一种基于概率基线负荷的电力用户需求响应潜力评估方法
CN116914760A (zh) * 2023-06-21 2023-10-20 国网湖北省电力有限公司营销服务中心(计量中心) 一种基于随机森林算法的新型电力系统柔性负荷响应潜力量化评估方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116485071A (zh) * 2023-04-12 2023-07-25 山东科技大学 一种基于概率基线负荷的电力用户需求响应潜力评估方法
CN116914760A (zh) * 2023-06-21 2023-10-20 国网湖北省电力有限公司营销服务中心(计量中心) 一种基于随机森林算法的新型电力系统柔性负荷响应潜力量化评估方法

Similar Documents

Publication Publication Date Title
CN113919594A (zh) 一种基于深度森林的需求响应潜力评估方法
CN110309603A (zh) 一种基于风速特性的短期风速预测方法及系统
CN110930198A (zh) 基于随机森林的电能替代潜力预测方法、系统、存储介质及计算机设备
CN110837915B (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
Lin et al. Revenue prediction for integrated renewable energy and energy storage system using machine learning techniques
Wang et al. Big data analytics for price forecasting in smart grids
CN117172589A (zh) 一种行业典型用户电力需求响应潜力评估方法
Vijayan Energy consumption prediction in low energy buildings using machine learning and artificial intelligence for energy efficiency
CN115049102A (zh) 一种电价预测方法、装置、移动终端及存储介质
Usman et al. Data analytics for short term price and load forecasting in smart grids using enhanced recurrent neural network
CN113361776A (zh) 一种基于用户用电行为聚类的电力负荷概率预测方法
CN117575663A (zh) 基于深度学习的装修成本估算方法及系统
CN111967919A (zh) 一种基于自回归和自适应提升算法的居民用电行为分析的系统及方法
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
CN110852597B (zh) 基于生成对抗网络的用电高峰时段居民负荷占比计算方法
CN112906931A (zh) 一种电力现货市场下售电公司短期负荷的预测方法及系统
CN112508239A (zh) 一种基于vae-cgan的储能出力预测方法
Gajowniczek et al. Seasonal peak demand classification with machine learning techniques
Jeihoonian et al. Modeling and comparing energy consumption in basic metal industries by neural networks and ARIMA
CN115860574B (zh) 充电设备的使用效果分析方法及装置
CN117236532B (zh) 一种基于负荷数据的用电高峰负荷预测的方法及系统
CN114677184B (zh) 基于经营决策辅助模型的数据处理方法及平台
Daraghmi et al. Forecasting for smart energy: An accurate and efficient negative binomial additive model
CN117408762A (zh) 电价预测方法、装置、设备及存储介质
Huang et al. Short-Term Load Forecasting via a Multi-Layer Network Based on Feature Weight Optimization

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