CN114021849A - 一种区域冷热电负荷的联合预测方法和装置 - Google Patents
一种区域冷热电负荷的联合预测方法和装置 Download PDFInfo
- Publication number
- CN114021849A CN114021849A CN202111417975.0A CN202111417975A CN114021849A CN 114021849 A CN114021849 A CN 114021849A CN 202111417975 A CN202111417975 A CN 202111417975A CN 114021849 A CN114021849 A CN 114021849A
- Authority
- CN
- China
- Prior art keywords
- lstm
- network structure
- heating
- power loads
- 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.)
- Pending
Links
- 238000001816 cooling Methods 0.000 title claims abstract description 28
- 238000010438 heat treatment Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012795 verification Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000010219 correlation analysis Methods 0.000 claims abstract description 11
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 9
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 18
- 241000039077 Copula Species 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims 3
- 230000008878 coupling Effects 0.000 description 9
- 238000010168 coupling process Methods 0.000 description 9
- 238000005859 coupling reaction Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (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
本发明涉及一种区域冷热电负荷的联合预测方法和装置,方法包括:获取区域冷热电负荷的历史数据,并进行降噪预处理;对数据进行相关性分析,确定影响因素,并划分为训练集、测试集和验证集;获取预先构建好的神经网络集合,该神经网络集合包括基础LSTM神经网络结构、堆叠式LSTM网络结构和双向式LSTM网络结构,采用训练集对各个网络结构分别进行训练,直至分别达到预设的网络收敛条件;然后采用验证集验证各个网络结构的误差,最后由验证集进行验证预测;选取预测结果最优的网络结构作为最优的网络结构,进行区域冷热电负荷的预测。与现有技术相比,本发明能更精准地捕捉到负荷间的相关性特征,获取最适用于当前园区负荷的预测模型。
Description
技术领域
本发明涉及负荷预测技术领域,尤其是涉及一种区域冷热电负荷的联合预测方法和装置。
背景技术
在能源领域,负荷是指用户取用冷、热、电等不同类型能源的瞬时功率,具有时序相关性和动态特性。不同类型用户通常具有个性化的负荷特性。为此,负荷研究的起点和立足点是负荷画像,即从不同角度探究负荷所呈现的多样化、个性化特征。用户负荷特征具有定性和定量两个方面:定性特征大多属于经验性特征,只适用于宏观层面分析;定量特征是对负荷数据的精准画像,可以在微观层面指导整个能源系统的优化配置乃至运行调度,通常以一系列指标形式呈现。
负荷预测方法根据所采取的整体预测思路,大体可分为自上而下和自下而上两大类。前者属于宏观类预测方法,是将整个区域看成一个整体,从宏观层面寻求能耗消费与经济、人口、自然环境等因素间的内在联系,并构建如产值单耗、负荷密度、弹性系数等相应指标关系;后者属于微观类预测方法,其聚焦于各种因素对区域内每个单元的影响,着重探讨负荷的动态特性。
与单一负荷预测不同的是,综合能源系统中多能源耦合转换设备的引入,极大增强了系统中多元负荷间的关联性,因此如何针对多元负荷进行预测,是目前迫待解决的问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种适用于多元负荷关联性特点的区域冷热电负荷的联合预测方法和装置。
本发明的目的可以通过以下技术方案来实现:
一种区域冷热电负荷的联合预测方法,包括以下步骤:
获取区域冷热电负荷的历史数据,并进行降噪预处理;
对预处理后的历史数据进行相关性分析,确定影响因素,并将历史数据划分为训练集、测试集和验证集;
获取预先构建好的神经网络集合,该神经网络集合包括基础LSTM神经网络结构、堆叠式LSTM网络结构和双向式LSTM网络结构,采用训练集对神经网络集合中的各个网络结构分别进行训练,直至分别达到预设的网络收敛条件;
然后采用验证集验证神经网络集合中的各个网络结构的损失值是否高于预设的误差阈值,若否,则采用测试集对对应的网络结构进行预测,获取预测结果,若是,则重新采用所述训练集进行网络训练;
对比不同网络结构的预测结果,选取预测结果最优的网络结构作为最优的网络结构,进行区域冷热电负荷的预测。
进一步地,基于Copula理论进行所述相关性分析,所述Copula理论具体为:
对于随机变量x和y,对应的边缘分布函数分别为F(x)和E(y),必存在一个Copula函数C[F(x),E(y)]使得ρ表征x和y之间的非线性相关。
进一步地,ρ的计算表达式为:
式中,I[*]为示性函数,条件成立时,I[*]=1,反之则为0;当ρ>0时,表示变量之间呈现为正相关,当ρ<0时,表示变量之间呈现负相关,当ρ=0时,表现变量之间相关性待定。
进一步地,所述堆叠式LSTM网络结构是将每一LSTM层解决的信息流,传递至下一层,并在最后一层提供输出。
进一步地,所述,堆叠式LSTM模型框架由多层LSTM构成,且每层由多个LSTM网络单元组成,每层LSTM的信息提取持续进行三维输入和三维输出,最后采用全连接层作为预测数据的输出,并采用线性回归函数作为激活函数。
进一步地,所述双向式LSTM网络结构由正反两个方向的LSTM网络链组合,呈现出两层并排LSTM传递网络,正向的LSTM网络链组合向前传递信息,反向的LSTM网络链组合向后传递信息,最终两组信息交汇组合并将信息传递至连接层,形成输出结果。
进一步地,选用80%-90%的历史数据作为训练集,其余历史数据分别划分为测试集和验证集。
进一步地,所述基础LSTM神经网络结构包括输入门、遗忘门和输出门,所述输入门、遗忘门和输出门均连接有记忆单元后得到最终输出。
进一步地,所述基础LSTM神经网络结构通过门结构判断、决定输出各时间步长的数据是否具有相关性,从而决定是否被储存、传递至下个神经环节。
本发明还提供一种区域冷热电负荷的联合预测装置,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如上所述的方法的步骤。
与现有技术相比,本发明具有以下优点:
(1)本发明考虑到区域多元负荷具有时间周期性、负荷之间有着耦合特性,因此采用不同结构的模型对时间序列信息记忆能力的不同,建立适应园区多元负荷预测的模型,获取最适用于当前园区负荷的模型,另外还考虑到常规RNN神经网络虽然具有记忆功能,但随着时间深度增大记忆误差就随之放大,从而产生梯度消失或者梯度爆炸,使得RNN无法继续学习时间序列过大的信息;本申请提出均采用LSTM神经网络结构,其由于特殊的记忆细胞和控制门结构,能够拥有一定的记忆能力,以提取长序列数据中的数据特征,从而解决原始RNNs由于长序列学习所导致的梯度消失和梯度爆炸问题。
(2)关于负荷及其影响因素间的相关性分析,常规采用可处理变量间线性关系的Pearson相关系数法。然而,在园区多能耦合场景下,各因素间的非线性关系更为凸显,为此本实施例引入可精确捕捉变量间非线性特征的Copula理论进行相关性分析。
附图说明
图1为本发明实施例中提供的一种能源集线器模型结构示意图;
图2为本发明实施例中提供的一种RNN神经网络拓扑结构;
图3为本发明实施例中提供的一种LSTM(L1)网络结构模块示意图;
图4为本发明实施例中提供的一种堆叠式LSTM(L2)网络结构模块示意图;
图5为本发明实施例中提供的一种双向式LSTM(L3)网络结构模块示意图;
图6为本发明实施例中提供的一种基于LSTM及其改进型网络的多元负荷预测流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
实施例1
本实施例提供一种区域冷热电负荷的联合预测方法,包括以下步骤:
获取区域冷热电负荷的历史数据,并进行降噪预处理;
对预处理后的历史数据进行相关性分析,确定影响因素,并将历史数据划分为训练集、测试集和验证集;
获取预先构建好的神经网络集合,该神经网络集合包括基础LSTM神经网络结构、堆叠式LSTM网络结构和双向式LSTM网络结构,采用训练集对神经网络集合中的各个网络结构分别进行训练,直至分别达到预设的网络收敛条件;
然后采用验证集验证神经网络集合中的各个网络结构的损失值是否高于预设的误差阈值,若否,则采用测试集对对应的网络结构进行预测,获取预测结果,若是,则重新采用训练集进行网络训练;
对比不同网络结构的预测结果,选取预测结果最优的网络结构作为最优的网络结构,进行区域冷热电负荷的预测。
下面对各步骤进行具体描述。
一、多元负荷预测因素选择依据
1.1、多元负荷耦合特性
与单一负荷预测不同的是,综合能源系统中多能源耦合转换设备的引入,极大增强了系统中多元负荷间的关联性。图1所示为典型能源集线器模型,被广泛应用于描述综合能源系统多类型能源间的输入输出关系。
能源集线器可视为一个多输入转换成多输出的数学结构,可包含多种形式能源的转化、传输和储存等单元。输入变量由矩阵表示,输出变量由矩阵表示,如下式所示。
L=aW
式中,a为连接输入输出的耦合矩阵,其不仅与耦合转换设备的效率因素有关,还与各需求负荷间的负荷配比密切相关。因此,对于园区综合能源系统中冷、热、电负荷进行预测时,不仅仅要考虑各单元负荷的影响因素,还应考虑各负荷间的相互影响。
2、多元负荷相关性系
关于负荷及其影响因素间的相关性分析,常规采用可处理变量间线性关系的Pearson相关系数法。然而,在园区多能耦合场景下,各因素间的非线性关系更为凸显,为此本项目引入可精确捕捉变量间非线性特征的Copula理论进行相关性分析。具体而言,选用Spearman秩相关系ρ为评价指标,主要审查变量与预测变量之间的变化趋势一致性。对于随机变量x和y,对应的边缘分布函数分别为F(x)和E(y),必存在一个Copula函数C[F(x),E(y)]使得ρ表征x和y之间的非线性相关。
ρ的计算表达式为:
式中,I[*]为示性函数,条件成立时,I[*]=1,反之则为0;当ρ>0时,表示变量之间呈现为正相关,当ρ<0时,表示变量之间呈现负相关,当ρ=0时,表现变量之间相关性待定。
二、多元负荷联合预测模型
区域多元负荷具有时间周期性、负荷之间有着耦合特性,采用不同结构的模型对时间序列信息记忆能力的不同,建立适应园区多元负荷预测的模型。
2.1、RNN神经网络结构
如图2所示,典型RNN神经网络结构中,设N为样本输入个数,t为采样时间,给定输入的数据集序列x=(x1,x2,x3,…,xN),通过计算迭代求解隐含序列h=(h1,h2,h3,…,hN),输出层序列y=(y1,y2,y3,…,yN)。
h=S·(Wxhxt+Wyhht-1+σh)
yn=Whyht+σy
式中,s·()为隐含层激发函数,Wxh、Wyh、Why分别为神经网络中输入层到隐含层、隐含层到隐含层、隐含层到输出层的权重矩阵,σh、σy分别为h、yn偏置。这样就使得典型的RNN模型具有记忆功能,但是随时间深度增大,记忆误差就随之放大,从而产生梯度消失或者梯度爆炸,使得RNN无法继续学习时间序列过大的信息。
2.2、LSTM神经网络结构
LSTM网络是一种特殊的RNNs神经网络,由于特殊的记忆细胞和控制门结构,能够拥有一定的记忆能力,以提取长序列数据中的数据特征,从而解决原始RNNs由于长序列学习所导致的梯度消失和梯度爆炸问题。在LSTM网络中,增加tanh激发函数并与sigmoid函数并行,使其具有长短期记忆能力。网络结构主要采用特殊“门”结构来筛选、去除、加权信息至神经细胞中。LSTM拥有三个门,分别是:输入门、遗忘门、输出门。经典的LSTM网络结构模块如图3所示。
输入门:
it=S·(Wxixt+Whiht-1+Wcict-1+σi)
遗忘门:
ft=S·(Wxfxt+Whfht-1+Wcfct-1+σh)
输入门:
ot=S·(Wxoxt+Whoht-1+Wcoct-1+σo)
记忆单元:
最终输出:
ht=T·(ct)ot
式中,s·()、T·()表示激活函数,分别采用非线性sigmoid函数和tanh函数;it、ft、ot∈(0,1)即为控制结构是否被更新、遗忘以及是否在激活的向量中被反映的门结构;Wxi、Wxf、Wxo、Wxc别连接输入信息ot的权值矩阵;Whi、Whf、Who、Whc分别为连接隐含层的输出信号ht的权值矩阵,Wci、Wcf、Wco、Whc分别为连接神经元激活函数输出ot和对角矩阵,σi、σh、σo、σc分别为输入门、遗忘门、输出门以及记忆单元的偏置,Ut为添加到新单元状态ct的待选值;ct- 1ft是将前置信息ct-1进行筛选遗忘;Utit确定前置信息保留状态。简而言之,LSTM网络在训练学习时,具有监督特性,通过特殊的门结构判断、决定输入各时间步长的数据是否具有相关性,从而决定是否被储存、传递至下个神经环节。
2.3、堆叠式LSTM网络结构
堆叠式LSTM网络是将每一LSTM层解决的信息流,传递至下一层,并在最后一层提供输出,堆叠式机制加深了对序列数据信息特征的提取。如图4所示,堆叠式LSTM模型框架是由多层LSTM构成,且每层由多个LSTM网络单元组成。与经典LSTM模型二维输出不同的是,信息提取持续三维输入并三维输出。最后采用全连接层作为预测数据的输出,并采取线性回归函数作为激活函数。
2.4、双向式LSTM网络结构
双向式LSTM网络是由正反两个方向的LSTM网络链组合,呈现出两层并排LSTM传递网络。图5所示,正向向前传递信息,反向向后传递信息,因此若干前项输入和若干后项输入共同决定数据特征,最后两组信息交汇组合并将信息传递至连接层,形成输出结果。
2.5、多元负荷联合预测流程
根据经典LSTM网络结构,可以反映出时序记忆能力,对于园区多元负荷进行预测,其关键问题在于数据集的处理,超参数的设定等问题。图6所示为基于LSTM网络及其改进型的预测流程图。
1)对历史数据进行降噪预处理,并根据Copula相关性分析确定影响因素,得到的数据集划分为训练集、测试集和验证集。选用90%的数据(典型季前90%数据)为训练集、剩下10%的数据作为验证集和测试集。
2)通过三种不同LSTM网络结构预测模型,分别对训练集进行训练,验证集验证模型训练,满足模型具有泛化能力时,对测试集进行预测。整个过程不断进行优化修订参数,直到预测误差达到在多次预测的最小值时停止。
本实施例还提供一种区域冷热电负荷的联合预测装置,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如上所述的一种区域冷热电负荷的联合预测方法的步骤。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种区域冷热电负荷的联合预测方法,其特征在于,包括以下步骤:
获取区域冷热电负荷的历史数据,并进行降噪预处理;
对预处理后的历史数据进行相关性分析,确定影响因素,并将历史数据划分为训练集、测试集和验证集;
获取预先构建好的神经网络集合,该神经网络集合包括基础LSTM神经网络结构、堆叠式LSTM网络结构和双向式LSTM网络结构,采用训练集对神经网络集合中的各个网络结构分别进行训练,直至分别达到预设的网络收敛条件;
然后采用验证集验证神经网络集合中的各个网络结构的损失值是否高于预设的误差阈值,若否,则采用测试集对对应的网络结构进行预测,获取预测结果,若是,则重新采用所述训练集进行网络训练;
对比不同网络结构的预测结果,选取预测结果最优的网络结构作为最优的网络结构,进行区域冷热电负荷的预测。
2.根据权利要求1所述的一种区域冷热电负荷的联合预测方法,其特征在于,基于Copula理论进行所述相关性分析,所述Copula理论具体为:
对于随机变量x和y,对应的边缘分布函数分别为F(x)和E(y),必存在一个Copula函数C[F(x),E(y)]使得ρ表征x和y之间的非线性相关。
4.根据权利要求1所述的一种区域冷热电负荷的联合预测方法,其特征在于,所述堆叠式LSTM网络结构是将每一LSTM层解决的信息流,传递至下一层,并在最后一层提供输出。
5.根据权利要求4所述的一种区域冷热电负荷的联合预测方法,其特征在于,所述,堆叠式LSTM模型框架由多层LSTM构成,且每层由多个LSTM网络单元组成,每层LSTM的信息提取持续进行三维输入和三维输出,最后采用全连接层作为预测数据的输出,并采用线性回归函数作为激活函数。
6.根据权利要求1所述的一种区域冷热电负荷的联合预测方法,其特征在于,所述双向式LSTM网络结构由正反两个方向的LSTM网络链组合,呈现出两层并排LSTM传递网络,正向的LSTM网络链组合向前传递信息,反向的LSTM网络链组合向后传递信息,最终两组信息交汇组合并将信息传递至连接层,形成输出结果。
7.根据权利要求1所述的一种区域冷热电负荷的联合预测方法,其特征在于,选用80%-90%的历史数据作为训练集,其余历史数据分别划分为测试集和验证集。
8.根据权利要求1所述的一种区域冷热电负荷的联合预测方法,其特征在于,所述基础LSTM神经网络结构包括输入门、遗忘门和输出门,所述输入门、遗忘门和输出门均连接有记忆单元后得到最终输出。
9.根据权利要求8所述的一种区域冷热电负荷的联合预测方法,其特征在于,所述基础LSTM神经网络结构通过门结构判断、决定输出各时间步长的数据是否具有相关性,从而决定是否被储存、传递至下个神经环节。
10.一种区域冷热电负荷的联合预测装置,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如权利要求1~9任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111417975.0A CN114021849A (zh) | 2021-11-26 | 2021-11-26 | 一种区域冷热电负荷的联合预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111417975.0A CN114021849A (zh) | 2021-11-26 | 2021-11-26 | 一种区域冷热电负荷的联合预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114021849A true CN114021849A (zh) | 2022-02-08 |
Family
ID=80066410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111417975.0A Pending CN114021849A (zh) | 2021-11-26 | 2021-11-26 | 一种区域冷热电负荷的联合预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021849A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115983448A (zh) * | 2022-12-14 | 2023-04-18 | 南京信息工程大学 | 一种基于时空图神经网络的多能源负荷预测方法 |
-
2021
- 2021-11-26 CN CN202111417975.0A patent/CN114021849A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115983448A (zh) * | 2022-12-14 | 2023-04-18 | 南京信息工程大学 | 一种基于时空图神经网络的多能源负荷预测方法 |
CN115983448B (zh) * | 2022-12-14 | 2023-09-12 | 南京信息工程大学 | 一种基于时空图神经网络的多能源负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Multi-objective prediction intervals for wind power forecast based on deep neural networks | |
Huang et al. | A novel hybrid deep neural network model for short‐term electricity price forecasting | |
Han et al. | Multi‐step wind power forecast based on VMD‐LSTM | |
Ma et al. | A hybrid attention-based deep learning approach for wind power prediction | |
Yang et al. | Deep learning‐based SCUC decision‐making: An intelligent data‐driven approach with self‐learning capabilities | |
CN112116153B (zh) | 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 | |
Musbah et al. | Energy management using multi-criteria decision making and machine learning classification algorithms for intelligent system | |
CN110119854A (zh) | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 | |
Lu et al. | A short-term load forecasting model based on mixup and transfer learning | |
CN110570030A (zh) | 基于深度学习的风电集群功率区间预测的方法及系统 | |
Dehghani et al. | Adaptive network reliability analysis: Methodology and applications to power grid | |
Toubeau et al. | Capturing spatio-temporal dependencies in the probabilistic forecasting of distribution locational marginal prices | |
CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN116644970A (zh) | 一种基于vmd分解和叠层深度学习的光伏功率预测方法 | |
Cortes-Robles et al. | Fast-training feedforward neural network for multi-scale power quality monitoring in power systems with distributed generation sources | |
Wang et al. | Short-term electricity price forecasting based on similarity day screening, two-layer decomposition technique and Bi-LSTM neural network | |
CN112418526A (zh) | 基于改进深度信念网络的综合能源负荷控制方法及装置 | |
CN111311001B (zh) | 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法 | |
Rouzbahani et al. | Optimizing scheduling policy in smart grids using probabilistic Delayed Double Deep Q-Learning (P3DQL) algorithm | |
Ren et al. | Joint forecasting of multi-energy loads for a university based on copula theory and improved LSTM network | |
CN116432861A (zh) | 一种综合能源系统源荷价多任务联合预测方法及系统 | |
CN114021849A (zh) | 一种区域冷热电负荷的联合预测方法和装置 | |
Wang et al. | Ensemble probabilistic wind power forecasting with multi-scale features | |
CN114037209A (zh) | 分布式光伏接入直流配电系统综合效益分析方法及装置 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电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 |