CN114118592B - 一种智能电网用电端短期能耗预测系统 - Google Patents
一种智能电网用电端短期能耗预测系统 Download PDFInfo
- Publication number
- CN114118592B CN114118592B CN202111442983.0A CN202111442983A CN114118592B CN 114118592 B CN114118592 B CN 114118592B CN 202111442983 A CN202111442983 A CN 202111442983A CN 114118592 B CN114118592 B CN 114118592B
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- module
- energy consumption
- peak
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000004140 cleaning Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000004580 weight loss Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research 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
- 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
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
-
- 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
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种智能电网用电端短期能耗预测系统,属于智能电网用电端耗能测试领域;一种智能电网用电端短期能耗预测系统由数据清洗模块、特征提取模块以及数据预测模块组成;所述数据清洗模块先将特征向量进行划分,再将划分好的数据集输入卡尔曼滤波模块中进行数据清洗,筛除错误的数据,填补遗漏的数据,平滑数据曲线,从而达到提高预测精度的目的。之后用残差LSTM网络组对输入的数据进行特征提取,同时使用加权损失函数,对数据中的极值进行判别,达到提高极值预测的精度,之后将得到数据的特征信息放入定义好的预测模型进行预测;最后,采用重定义好的判别指标进行判断,分析出极值预测结果。
Description
技术领域
本发明属于智能电网用电端能耗测试领域,具体涉及一种智能电网用电端短期能耗预测系统。
背景技术
智能电网用电侧短期能耗极值预测,是当下研究的重点内容。极值预测是否能够准确地预测影响着生活中的方方面面。尤其在电力行业,高精度的预测分析不仅可以优化发电,输电。还可以在用户用电过程中起到预警的效果。从而有效地提高电网用电端的安全性,经济性,大大改善用电效益和供电质量。
在实际应用中,时间序列预测工具方法可以归结为三大类:一类是基于业务场景理解的因子预测模型,一类是传统时间序列预测模型,比如自回归模型、自回归滑动平均模型、滑动平均模型模型等,还有一类是机器学习模型,比如支持向量机(SVM)、树模型(比如Xgboost、lightgbm)、神经网络模型(比如CNN、LSTM、GRU)等。
发明内容
针对现有技术的不足,本发明的目的在于提供一种智能电网用电端短期能耗预测系统,为智能电网用电端短期能耗预测提供一种高精确率的方案。
本发明的目的可以通过以下技术方案实现:
一种智能电网用电端短期能耗预测系统由数据清洗模块、特征提取模块以及数据预测模块组成;
进一步地,所述数据清洗模块先将特征向量进行划分,再讲划分好的数据通过卡尔曼滤波方法进行数据清洗,之后将清洗后的数据传递至特征提取模块;
进一步地,所述特征提取模块由ResNet残差网络和LSTM特征提取模块组成,数据先进入ResNet残差网络内进行卷积运算,再进入LSTM特殊提取模块内进行卷积运算;
进一步地,所述数据预测模块主要由一个Batchnormalization标准化函数、一个Dropout函数、一个Dense函数和一个输出接口构成,数据经过Batchnormalization标准化函数实现标准化,再经过Dropout函数,减少函数过拟合,最后通过Dense全连接层,将数据输出。
进一步地,所述特征向量包括k个时间步长的电力负荷量、楼房号以及房间号。
进一步地,所述特征向量按照时间节点划分为1/2的训练集、1/4的测试集和1/4的验证集。
进一步地,所述ResNet残差网络由两层BiLSTM和一层一维卷积(Conv1D)构成,所述数据先进入由双层BiLSTM的卷积模块(Layer1),得到特征数据X1,接着将特征数据X1放入一维卷积层(Conv1D),得到特征数据X2,之后将所述特征向量和特征数据X1,特征数据X2同时放入Concatenate函数组成新的特征数据X3;而后,将组合好的特征数据X3放入一维卷积层(Conv1D)进行卷积运算,得到结合后的特征数据X4;最后,将经过ResNet处理后的特征数据X4放入LSTM网络中进行卷积运算,提取出最终的特征X4'。
进一步地,所述特征提取模块中结合加权损失函数来调整每个运算阶段的损失值。
进一步地,所述加权损失为:
对输入的原始负荷电力数据P按照时间顺序和值的大小赋予响应的权值。首先找到负荷电力数据的最大值/>和最小值/>根据最大值/>和最小值得到每个区间范围Region_num,Region_num:/>根据负荷电力数据/>的大小来划分对应的权重,具体计算公式如下:
将不同阶段的权重参数依次带入到loss损失函数中调整每个阶段的损失值,具体计算如下所示:
进一步地,所述数据预测模块中输出的数据通过R2_Peak来评估峰值预测的结果;R2_Peak由r2score和TS指标共同构成,r2score和TS的计算公式如下所示:
TS=hits/(hits+falsealarms+misses)
其中,hits表示预测结果和真实结果/>中共有的部分,falsealarms表示预测结果/>除去hits中的成分,misses表示真实结果/>除去hits中的成分。但是倘若预测结果/>高于真实结果/>TS依旧会将其归为“命中”,即该区域的hits依旧会被赋值,考虑到该原因,提出的评判指标R2_Peak,将r2score和TS指标有效地合并,在保证了准确率的情况下判断峰值的准确性,具体公式如下所示:
R2_Peak=θ·r2score+(1-θ)·TS
其中θ表示权重参数,一般取值在0.4至0.6之间。
本发明的有益效果:本发明型框架结构简单,技术先进,将残差网络和LSTM神经网络框架相结合;同时结合了加权损失的方法来对智能电网用电端短期能耗中的极值做出更好的预测;最后根据提出的峰值评判指标来分析各类模型的预测准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,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是本发明的整体系统结构框图;
图2是本发明的四类模型的预测值相比真实值的效果对比图;
图3是本发明的W_RestNet_LSTM,RestNet_LSTM针对一个月的预测值相比真实值的对比图;
图4是本发明的W_RestNet_LSTM,LSTM针对一个月的预测值相比真实值的对比图;
图5是本发明的W_RestNet_LSTM,CNN_LSTM针对一个月的预测值相比真实值的对比图结构示意图
图6是本发明的三类评判指标来细化对比图。
具体实施方式
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,所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,一种智能电网用电端短期能耗预测系统由数据清洗清洗模块、特征提取模块和预测模块组成;
数据清洗模块首先对输入的特征向量进行合理的划分,将整个数据集(k个时间步长的电力负荷量,楼房号以及房间号)按照时间节点划分为1/2的训练集,1/4的测试集和1/4的验证集;之后将划分好的数据通过卡尔曼滤波方法完成数据清洗;最后将清洗后的数据传输至特征提取模块进行特征提取。
特征提取模块由ResNet残差网络和LSTM特征提取模块交替组成。经过数据清洗模块清洗的数据首先进入ResNet残差网络,该网络由两层BiLSTM和一层一维卷积(Conv1D)构成。k个时间步长的电力负荷量,楼房号以及房间号等特征数据(input1),先进入由双层BiLSTM的卷积模块(Layer1),得到特征数据X1。接着将特征数据X1放入一维卷积层(Conv1D),得到特征数据X2。最后将输入特征input1和特征数据X1,特征数据X2同时放入Concatenate函数组成新的特征数据X3。最后,将组合好的特征数据X3放入一维卷积层(Conv1D)进行卷积运算,得到结合后的特征数据X4。之后将经过ResNet处理后的特征数据X4放入LSTM网络中进行卷积运算,提取出最终的特征X4'。同时结合加权损失函数来调整每个阶段的损失值,从而达到提高预测峰值准确率的目的。如下是加权损失的详细定义:
对输入的原始负荷电力数据P按照时间顺序和值的大小赋予响应的权值。首先找到负荷电力数据的最大值/>和最小值/>根据最大值/>和最小值得到每个区间范围Region_num,Region_num:/>根据负荷电力数据/>的大小来划分对应的权重,具体计算公式如下:
将不同阶段的权重参数依次带入到loss损失函数中调整每个阶段的损失值,具体计算如下所示:
所述的数据预测模块主要由一个Batchnormalization标准化函数,一个Dropout函数,一个Dense函数和一个输出接口构成;在完成对k个时间步长的电力负荷量,楼房号以及房间号的特征提取后,数据经过Batchnormalization标准化函数实现标准化,再经过Dropout函数,减少函数过拟合,最后通过Dense全连接层,将数据输出。
对于输出的数据本专利重新设计了一个评判指标R2_Peak来评估峰值预测的结果。R2_Peak由r2score和TS指标共同构成,r2score和TS的计算公式如下所示:
TS=hits/(hits+falsealarms+misses)
其中,hits表示预测结果和真实结果/>中共有的部分,falsealarms表示预测结果/>除去hits中的成分,misses表示真实结果/>除去hits中的成分。但是倘若预测结果/>高于真实结果/>TS依旧会将其归为“命中”,即该区域的hits依旧会被赋值,考虑到该原因,提出的评判指标R2_Peak,将r2score和TS指标有效地合并,在保证了准确率的情况下判断峰值的准确性,具体公式如下所示:
R2_Peak=θ·r2score+(1-θ)·TS
其中θ表示权重参数,一般取值在0.4至0.6之间。
同时,在收集的数据集上进行实验,对比了LSTM网络,CNN_LSTM网络对于一个月的预测结果,实验结果如图2-5所示;
同时,采用决定系数(R2-Score),风险评分(TS),峰值得分(R2_Peak)三类评判指标来细化对比结果,效果图如图6所示,各类指标值如表1所示。详细的来说,所提出的ResNet_LSTM在决定系数(R2-Score)上分别比CNN_LSTM以及LSTM提高了16%以及28%。在风险评分(TS)上分别比CNN_LSTM以及LSTM提高了36%以及36%。在峰值得分(R2_Peak)上分别比CNN_LSTM以及LSTM提高了30%以及35%。同时ResNet_LSTM相比加权损失ResNet_LSTM(W_ResNet_LSTM),在决定系数(R2-Score)上,ResNet_LSTM比W_ResNet_LSTM提高了4%。在风险评分(TS)上,ResNet_LSTM比W_ResNet_LSTM降低了29%。在峰值得分(R2_Peak)上,ResNet_LSTM比W_ResNet_LSTM降低了15%。这很好的说明了结合加权损失ResNet_LSTM网络模型在保证决定系数(R2-Score)的基础上,提高了极值的准确率,从而有效的预测出潜在的隐患。
模型 | R2-Score | TS | R2_Peak |
LSTM | 0.603651232 | 0 | 0.181095 |
CNN-LSTM | 0.768908794 | 0 | 0.230673 |
ResNet_LSTM | 0.923564271 | 0.361702128 | 0.530261 |
W_ResNet_LST | 088134632 | 0.655122351 | 0.684404 |
表1三类评判指标数值表
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (5)
1.一种智能电网用电端短期能耗预测系统,其特征在于,由数据清洗模块、特征提取模块以及数据预测模块组成;
所述数据清洗模块先将特征向量进行划分,再讲划分好的数据通过卡尔曼滤波方法进行数据清洗,之后将清洗后的数据传递至特征提取模块;
所述特征提取模块由ResNet残差网络和LSTM特征提取模块组成,数据先进入ResNet残差网络内进行卷积运算,再进入LSTM特征提取模块内进行卷积运算;
所述数据预测模块由一个Batchnormalization标准化函数、一个Dropout函数、一个Dense函数和一个输出接口构成,数据经过Batchnormalization标准化函数实现标准化,再经过Dropout函数,减少函数过拟合,最后通过Dense全连接层,将数据输出;
所述ResNet残差网络由两层BiLSTM和一层一维卷积(Conv1D)构成,所述数据先进入由双层BiLSTM的卷积模块(Layer1),得到特征数据X1,接着将特征数据X1放入一维卷积层(Conv1D),得到特征数据X2,之后将所述特征向量和特征数据X1,特征数据X2同时放入Concatenate函数组成新的特征数据X3;而后,将组合好的特征数据X3放入一维卷积层(Conv1D)进行卷积运算,得到结合后的特征数据X4;最后,将经过ResNet处理后的特征数据X4放入LSTM网络中进行卷积运算,提取出最终的特征X4′;
所述数据预测模块中输出的数据通过R2_Peak来评估峰值预测的结果;R2_Peak由r2score和TS指标共同构成,r2score和TS的计算公式如下所示:
TS=hits/(hits+falsealarms+misses)
其中,hits表示预测结果和真实结果/>中共有的部分,falsealarms表示预测结果/>除去hits中的成分,misses表示真实结果/>除去hits中的成分;但是倘若预测结果/>高于真实结果/>TS依旧会将其归为“命中”,即区域的hits依旧会被赋值,考虑到该原因,提出的评判指标R2_Peak,将r2score和TS指标有效地合并,在保证了准确率的情况下判断峰值的准确性,具体公式如下所示:
R2_Peak=θ·r2score+(1-θ)·TS
其中θ表示权重参数,取值在0.4至0.6之间。
2.根据权利要求1所述的一种智能电网用电端短期能耗预测系统,其特征在于,所述特征向量包括k个时间步长的电力负荷量、楼房号以及房间号。
3.根据权利要求2所述的一种智能电网用电端短期能耗预测系统,其特征在于,所述特征向量按照时间节点划分为1/2的训练集、1/4的测试集和1/4的验证集。
4.根据权利要求1所述的一种智能电网用电端短期能耗预测系统,其特征在于,所述特征提取模块中结合加权损失函数来调整每个运算阶段的损失值。
5.根据权利要求4所述的一种智能电网用电端短期能耗预测系统,其特征在于,所述加权损失为:
对输入的原始负荷电力数据P按照时间顺序和值的大小赋予响应的权值;首先找到负荷电力数据的最大值/>和最小值/>根据最大值/>和最小值得到每个区间范围Region_num,Region_num:/>根据负荷电力数据/>的大小来划分对应的权重,具体计算公式如下:
将不同阶段的权重参数依次带入到loss损失函数中调整每个阶段的损失值,具体计算如下所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111442983.0A CN114118592B (zh) | 2021-11-30 | 2021-11-30 | 一种智能电网用电端短期能耗预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111442983.0A CN114118592B (zh) | 2021-11-30 | 2021-11-30 | 一种智能电网用电端短期能耗预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114118592A CN114118592A (zh) | 2022-03-01 |
CN114118592B true CN114118592B (zh) | 2024-06-14 |
Family
ID=80368390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111442983.0A Active CN114118592B (zh) | 2021-11-30 | 2021-11-30 | 一种智能电网用电端短期能耗预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118592B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131315B (zh) * | 2023-10-27 | 2024-01-23 | 北京志翔科技股份有限公司 | 基于求解多元二次函数极值的超差电能表确定方法及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009673A (zh) * | 2017-11-24 | 2018-05-08 | 国网北京市电力公司 | 基于深度学习的新型负荷预测方法和装置 |
CN108510741B (zh) * | 2018-05-24 | 2020-10-30 | 浙江工业大学 | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 |
CN109934392A (zh) * | 2019-02-28 | 2019-06-25 | 武汉大学 | 一种基于深度学习的微电网短期负荷预测方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
-
2021
- 2021-11-30 CN CN202111442983.0A patent/CN114118592B/zh active Active
Non-Patent Citations (2)
Title |
---|
王文卿.基于卷积神经网络的电力系统短期负荷预测研究.全文. * |
田敏.智能电网时序数据短期预测分析研究.全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114118592A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232203B (zh) | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 | |
CN104809658B (zh) | 一种低压配网台区线损的快速分析方法 | |
CN109740859A (zh) | 基于主成分分析法和支持向量机的变压器状态评估方法及系统 | |
CN106909933A (zh) | 一种三阶段多视角特征融合的窃电分类预测方法 | |
CN104408562A (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
CN112884008B (zh) | 一种电力信息采集系统运行状态的预测评估方法及装置 | |
CN110909802A (zh) | 一种基于改进的pso优化pnn平滑因子的故障分类方法 | |
CN113095648A (zh) | 基于数据驱动的配电网故障停电风险指标评估方法及系统 | |
CN109242150A (zh) | 一种电网可靠性预测方法 | |
CN114118592B (zh) | 一种智能电网用电端短期能耗预测系统 | |
Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
CN106408016A (zh) | 一种配电网停电时间自动识别模型构造方法 | |
CN112633556A (zh) | 一种基于混合模型的短期电力负荷预测方法 | |
CN111311135A (zh) | 一种变电站能效评估方法 | |
CN113030633B (zh) | 基于ga-bp神经网络的配电网故障大数据分析方法和系统 | |
CN113469252A (zh) | 一种考虑不平衡样本的特高压换流阀运行状态评估方法 | |
CN116317937A (zh) | 一种分布式光伏电站运行故障诊断方法 | |
CN113327047B (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及系统 | |
CN115146739A (zh) | 基于堆叠时间序列网络的电力变压器故障诊断方法 | |
Zheng et al. | Research on predicting remaining useful life of equipment based on health index | |
Zhang et al. | Research on transformer fault diagnosis method based on rough set optimization BP neural network | |
Wang et al. | Fault Diagnosis of Wind Turbines with A Dilated Convolution and Hybrid Attention Neural Network | |
CN109816276B (zh) | 一种配电网可靠性指标评价方法、装置和设备 | |
Bi et al. | Research on certain type equipment failure intervals forecasting based on Gray-Markov model |
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 |