CN114169639A - 一种企业用电量预测方法 - Google Patents
一种企业用电量预测方法 Download PDFInfo
- Publication number
- CN114169639A CN114169639A CN202111590960.4A CN202111590960A CN114169639A CN 114169639 A CN114169639 A CN 114169639A CN 202111590960 A CN202111590960 A CN 202111590960A CN 114169639 A CN114169639 A CN 114169639A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- output
- gate
- electric quantity
- input
- 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- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013526 transfer learning Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000007787 long-term memory Effects 0.000 claims abstract description 11
- 230000006403 short-term memory Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 50
- 239000010410 layer Substances 0.000 claims description 31
- 230000004913 activation Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification 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
- G06N3/048—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)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (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
本发明公开了一种企业用电量预测方法,包括以下步骤:1)数据采集;2)引入最大均值差异,进行相似度分析;3)迁移学习的长短期记忆网络建模;4)电量预测,利用步骤3)中的改进模型对目标域企业未来时刻电量进行预测。本发明有效解决了在电量预测时数据量不足的问题,节省模型训练时间,提高电量预测精度。
Description
技术领域
本发明涉及电力预测领域,特别是涉及一种企业用电量预测方法。
背景技术
电力预测是电力系统发电计划的重要组成部分,是对购电、发电、输电和电能分配等合理安排的必要前提,是电力系统经济运行的基础,企业生产管理的重要组成部分,是一种辅助和改善企业经济、环境等决策过程的有利工具。由于历史原因、技术水平等多方面因素,导致我国现有供电监管信息化水平普遍偏低,智慧化管理仍有较大差距。所以,用电量精准预测一直是电力管理部门面临的关键问题之一。
针对这一问题,现有技术中的预测模型都在力求精准地预测用电量,方法包括回归分析、趋势外推、滑动平均、机器学习、人工神经网络等,但前述方法均需要大量的预测样本,数据样本量的大小直接影响建模效果。在数据样本量较少的情况下难以得到较为准确的预测结果。
因此本领域技术人员致力于开发一种数据样本量较少时仍能准确的企业用电量预测方法。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是提供一种数据样本量较少时仍能准确的企业用电量预测方法。
为实现上述目的,本发明提供了一种企业用电量预测方法,包括以下步骤:
1)数据采集,确定一已知电量数据的企业,作为迁移学习的源域,为源域企业,收集源域企业历史电量数据,形成原始序列,作为迁移学习的源域,对历史电量信息中记录的电量时间序列标准化处理;
2)引入最大均值差异,将最大均值差异距离MMD作为判断源域企业和目标域企业电量数据的相似度度量,进行相似度分析;所述目标域企业为预测用电量的企业;
3)迁移学习的长短期记忆网络建模,将源域企业的历史电量数据作为输入,进行长短期记忆网络建模训练,在训练好模型的基础上,将MMD距离乘以权重因子λ,改进模型损失函数;
4)电量预测,利用步骤3)中的改进模型对目标域企业未来时刻电量进行预测。
较佳的,所述电量数据为至少连续一年的日用电量数据。
较佳的,所述步骤2)中的相似度分析方法如下:
假设源域企业s电量数据的概率分布函数是P,目标域企业t电量数据的概率分布函数是Q;令H表示再生核希尔伯特空间RKHS,φ(·):X→H表示原始特征空间映射到RKHS的映射函数,当ns,nt→∞时dX(s)和X(t)在RKHS中的最大均值差异为:
其中,ns和nt分别表示源域和目标域企业的样本数量;
即将求得的最大均值差异距离MMD为判断源域企业和目标域企业电量数据的相似度度量。
较佳的,所述步骤3)中迁移学习的长短期记忆网络建模方法为:
设置单层LSTM网络,设置记忆单元个数为120~170,迭代次数设置为150~250,选择sigmod函数控制遗忘门,输入门和输出门,tanh函数为激活函数,同时对LSTM神经网络和全连接层之间的连接进行Dropout操作,Dropout比率为0.2~0.3,采用深度学习方法中的Adam优化算法对不同的参数设定学习率到0.001~0.1之间,源域和目标域企业的电量数据数量级差异越大,学习率越低;使用平均绝对误差MAE和最大均值差异作为最终损失函数,将源域企业的电量数据作为输入,进行迁移学习的长短期记忆网络建模训练。
较佳的,所述步骤3)中迁移学习的长短期记忆网络建模方法为包括以下步骤:
31)遗忘门控制细胞历史状态信息的保留,激活函数使得遗忘门的输出值在[0,1]之间,当遗忘门输出为0的时候,表示将上一层状态的信息全部丢弃,为1的时候,表示上一层状态的信息全部保留;遗忘门的输入为上一层的输出ht-1和当前层的输入xt,通过sigmoid激活函数,得到遗忘门的输出ft,数学表达式为:
ft=σ(Wf*[ht-1,xt]+bf)
其中,σ为sigmoid激活函数,ht-1为上一层的输出,xt是当前层的输入,Wf是遗忘门的权重矩阵,bf是遗忘门的偏置项;
32)输入门控制信息输入,生成补充信息;首先使用Sigmoid激活函数,负责处理当前序列位置的输入,输出为it,然后使用tanh激活函数,输出为细胞状态Ct,两者的结果后面会相乘再去更新细胞状态,数学表达式如下:
it=σ(Wi*[ht-1,xt]+bi)
Ct =tanh(WC*[ht-1,xt]+bC)
其中,Wi和bi分别是输入门的权重矩阵和偏置项,WC和bC分别是细胞状态Ct的权重矩阵和偏置项;
33)更新信息,信息通过遗忘门和输入门得出的结果,需要进行更新状态。输出结果Ct由两部分组成,第一部分是Ct-1和步骤31)中遗忘门输出ft的乘积,第二部分是步骤32)输入门的it和Ct 的乘积,计算公式如下所示:
Ct=ft*Ct-1+it*Ct
其中,Ct-1中为上一层的细胞状态;
34)输出门选择性输出,sigmoid层确定细胞状态的哪个部分将输出出去;把细胞状态通过tanh层进行处理,得到输出门的输出Ot,Ot值在-1到1之间,并将它和sigmoid门的输出相乘,得到最终输出结果ht,计算公式如下:
Ot=σ(Wo*[ht-1,xt]+bO)
ht=Ot*tanh(Ct)
其中,Wo是输出门的权重矩阵,bo是输出门的偏置项;
36)将MAE作为模型主要损失函数,在此基础上加入MMD距离,对LSTM基础模型进行优化,改进模型的损失函数,新的损失函数J:
其中λ表示权重因子,取值范围在0到50之间,用于权衡MMD距离与原始函数的比重;m为训练集样本大小;J0为原始的损失函数;yi为模型实际输出;zt0为模型预测动态输出,当损失函数J达到最小时,对应取值的zt0即为最终预测值。
较佳的,所述权重因子λ的取值范围在20到30之间。
较佳的,所述标准化处理为z-score标准化的处理。
本发明的有益效果是:本发明采用长短期记忆网络LSTM利用最大均值差异改进损失函数的迁移模型,仅采用1个长短期记忆网络LSTM进行建模,针对多家企业(源域企业和目标域企业),对象上的不同,通过相似性分析评估源域和目标域企业的数据相似度,用最大均值差异MMD作为相似度指标,进而可以在源域企业已经训练好的模型的基础上,直接加入MMD进行改进,也能达到较好的预测精度,不需要重新对目标企业再次重新建模,节省了重新建模调参时间。在保持模型预测精度的基础上,节省模型训练时间。
进一步的,本发明与现有技术相比较,有以下优点:
1)模型参数调试具有自适应性;
2)迁移学习有效解决了电量预测数据量不足的问题,节省模型训练时间,提高电量预测精度;
3)通过引入最大均值差异度量相似度,减小训练样本与测试样本在子空间中的分布差异,能够有效提高迁移学习算法的预测精度;
4)为解决企业电力系统信息管理水平低提供了一种有效途径。
附图说明
图1是本发明一具体实施方式的流程示意图。
图2是本发明一具体实施方式的模型流程图。
图3是本发明一具体实施方式应用的仿真案例图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1和图2所示,一种企业用电量预测方法,包括以下步骤:
1)数据采集,确定一已知电量数据的企业,作为迁移学习的源域,为源域企业,收集源域企业历史电量数据,形成原始序列,作为迁移学习的源域,对历史电量信息中记录的电量时间序列标准化处理。本实施例中,电量数据为至少连续一年的日用电量数据,标准化处理为z-score标准化的处理。
2)引入最大均值差异,将最大均值差异距离MMD作为判断源域企业和目标域企业电量数据的相似度度量,进行相似度分析;所述目标域企业为预测用电量的企业。
假设源域企业s电量数据的概率分布函数是P,目标域企业t电量数据的概率分布函数是Q,令H表示再生核希尔伯特空间RKHS,φ(·):X→H表示原始特征空间映射到RKHS的映射函数,当ns,nt→∞时dX(s)和X(t)在RKHS中的最大均值差异为:
其中,ns和nt分别表示源域和目标域企业的样本数量;
即将求得的最大均值差异距离MMD为判断源域企业和目标域企业电量数据的相似度度量,在下一步骤中使用。
3)迁移学习的长短期记忆网络建模,将源域企业的历史电量数据作为输入,进行长短期记忆网络建模训练,在训练好模型的基础上,将MMD距离乘以权重因子λ,改进模型损失函数。
所述步骤3)中迁移学习的长短期记忆网络建模方法为:
设置单层LSTM网络,设置记忆单元个数为120~170,迭代次数设置为150~250,选择sigmod函数控制遗忘门,输入门和输出门,tanh函数为激活函数,同时对LSTM神经网络和全连接层之间的连接进行Dropout操作,Dropout比率为0.2~0.3,采用深度学习方法中的Adam优化算法对不同的参数设定学习率到0.001~0.1之间,源域和目标域企业的电量数据数量级差异越大,学习率越低。使用平均绝对误差MAE和最大均值差异作为最终损失函数,将源域企业的电量数据作为输入,进行迁移学习的长短期记忆网络建模训练。
采用本方法,具体对一具体企业进行预测,记忆单元个数为150,迭代次数设置为200,Dropout比率为0.3,即随机失活30%的连接。
具体包括以下步骤:
31)遗忘门控制细胞历史状态信息的保留,激活函数使得遗忘门的输出值在[0,1]之间,当遗忘门输出为0的时候,表示将上一层状态的信息全部丢弃,为1的时候,表示上一层状态的信息全部保留;遗忘门的输入为上一层的输出ht-1和当前层的输入xt,通过sigmoid激活函数,得到遗忘门的输出ft,数学表达式为:
ft=σ(Wf*[ht-1,xt]+bf)
其中,σ为sigmoid激活函数,ht-1为上一层的输出,xt是当前层的输入,Wf是遗忘门的权重矩阵,bf是遗忘门的偏置项;
32)输入门控制信息输入,生成补充信息;首先使用Sigmoid激活函数,负责处理当前序列位置的输入,输出为it,然后使用tanh激活函数,输出为Ct ,两者的结果后面会相乘再去更新细胞状态,数学表达式如下:
it=σ(Wi*[ht-1,xt]+bi)
Ct =tanh(WC*[ht-1,xt]+bC)
其中,Wi和bi分别是输入门的权重矩阵和偏置项,WC和bC分别是细胞状态Ct的权重矩阵和偏置项;
33)更新信息,信息通过遗忘门和输入门得出的结果,需要进行更新状态。输出结果Ct由两部分组成,第一部分是Ct-1和步骤31)中遗忘门输出ft的乘积,第二部分是步骤32)输入门的it和Ct 的乘积,计算公式如下所示:
Ct=ft*Ct-1+it*Ct
其中,Ct-1中为上一层的细胞状态;
34)输出门选择性输出,sigmoid层确定细胞状态的哪个部分将输出出去;把细胞状态通过tanh层进行处理,得到输出门的输出Ot,Ot值在-1到1之间,并将它和sigmoid门的输出相乘,得到最终输出结果ht,计算公式如下:
Ot=σ(Woht-1+UOxt+bO)
ht=Ot*tanh(Ct)
其中,Wo是输出门的权重矩阵,bo是输出门的偏置项;
35)将MAE作为模型主要损失函数,在此基础上加入MMD距离,对LSTM基础模型进行优化,改进模型的损失函数,新的损失函数J:
其中λ表示权重因子,取值范围在0到50之间,用于权衡MMD距离与原始函数的比重;主要作用是控制源领域与目标领域在全连接层的分布差异,验证集偏差随权重因子λ的增加先减小后增大,本发明中,优化的,权重因子λ的取值范围在20到30之间最好,具体在如图3中的实施例,取值25。m为训练集样本大小;J0为原始的损失函数;yi为模型实际输出;zt0为模型预测动态输出,当损失函数J达到最小时,对应取值的zt0即为最终预测值。
采用本方法对一目标企业进行预测后,其预测结果与实际用电量如图3所示,充分显示了采用本方法具有较高预测精度,同时有效解决了数据量不足的问题,节省模型训练时间。
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作出诸多修改和变化。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 (7)
1.一种企业用电量预测方法,其特征是,包括以下步骤:
1)数据采集,确定一已知电量数据的企业,作为迁移学习的源域,为源域企业,收集源域企业历史电量数据,形成原始序列,作为迁移学习的源域,对历史电量信息中记录的电量时间序列标准化处理;
2)引入最大均值差异,将最大均值差异距离MMD作为判断源域企业和目标域企业电量数据的相似度度量,进行相似度分析;所述目标域企业为预测用电量的企业;
3)迁移学习的长短期记忆网络建模,将源域企业的历史电量数据作为输入,进行长短期记忆网络建模训练,在训练好模型的基础上,将MMD距离乘以权重因子λ,改进模型损失函数;
4)电量预测,利用步骤3)中的改进模型对目标域企业未来时刻电量进行预测。
2.如权利要求1所述的企业用电量预测方法,其特征是:所述电量数据为至少连续一年的日用电量数据。
4.如权利要求3企业用电量预测方法,其特征是,所述步骤3)中迁移学习的长短期记忆网络建模方法为:
设置单层LSTM网络,设置记忆单元个数为120~170,迭代次数设置为150~250,选择sigmod函数控制遗忘门,输入门和输出门,tanh函数为激活函数,同时对LSTM神经网络和全连接层之间的连接进行Dropout操作,Dropout比率为0.2~0.3,采用深度学习方法中的Adam优化算法对不同的参数设定学习率到0.001~0.1之间,源域和目标域企业的电量数据数量级差异越大,学习率越低;使用平均绝对误差MAE和最大均值差异作为最终损失函数,将源域企业的电量数据作为输入,进行迁移学习的长短期记忆网络建模训练。
5.如权利要求4所述的企业用电量预测方法,其特征是,所述步骤3)中迁移学习的长短期记忆网络建模方法为包括以下步骤:
31)遗忘门控制细胞历史状态信息的保留,激活函数使得遗忘门的输出值在[0,1]之间,当遗忘门输出为0的时候,表示将上一层状态的信息全部丢弃,为1的时候,表示上一层状态的信息全部保留;遗忘门的输入为上一层的输出ht-1和当前层的输入xt,通过sigmoid激活函数,得到遗忘门的输出ft,数学表达式为:
ft=σ(Wf*[ht-1,xt]+bf)
其中,σ为sigmoid激活函数,ht-1为上一层的输出,xt是当前层的输入,Wf是遗忘门的权重矩阵,bf是遗忘门的偏置项;
32)输入门控制信息输入,生成补充信息;首先使用Sigmoid激活函数,负责处理当前序列位置的输入,输出为it,然后使用tanh激活函数,输出为细胞状态Ct,两者的结果后面会相乘再去更新细胞状态,数学表达式如下:
it=σ(Wi*[ht-1,xt]+bi)
Ct =tanh(WC*[ht-1,xt]+bC)
其中,Wi和bi分别是输入门的权重矩阵和偏置项,WC和bC分别是细胞状态Ct的权重矩阵和偏置项;
33)更新信息,信息通过遗忘门和输入门得出的结果,需要进行更新状态。输出结果Ct由两部分组成,第一部分是Ct-1和步骤31)中遗忘门输出ft的乘积,第二部分是步骤32)输入门的it和Ct 的乘积,计算公式如下所示:
Ct=ft*Ct-1+it*Ct
其中,Ct-1中为上一层的细胞状态;
34)输出门选择性输出,sigmoid层确定细胞状态的哪个部分将输出出去;把细胞状态通过tanh层进行处理,得到输出门的输出Ot,Ot值在-1到1之间,并将它和sigmoid门的输出相乘,得到最终输出结果ht,计算公式如下:
Ot=σ(Wo*[ht-1,xt]+bO)
ht=Ot*tanh(Ct)
其中,Wo是输出门的权重矩阵,bo是输出门的偏置项;
35)将MAE作为模型主要损失函数,在此基础上加入MMD距离,对LSTM基础模型进行优化,改进模型的损失函数,新的损失函数J:
其中λ表示权重因子,取值范围在0到50之间,用于权衡MMD距离与原始函数的比重;m为训练集样本大小;J0为原始的损失函数;yi为模型实际输出;zt0为模型预测动态输出,当损失函数J达到最小时,对应取值的zt0即为最终预测值。
6.如权利要求5所述的企业用电量预测方法,其特征是,所述权重因子λ的取值范围在20到30之间。
7.如权利要求1所述的企业用电量预测方法,其特征是,所述标准化处理为z-score标准化的处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111590960.4A CN114169639A (zh) | 2021-12-23 | 2021-12-23 | 一种企业用电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111590960.4A CN114169639A (zh) | 2021-12-23 | 2021-12-23 | 一种企业用电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114169639A true CN114169639A (zh) | 2022-03-11 |
Family
ID=80487939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111590960.4A Withdrawn CN114169639A (zh) | 2021-12-23 | 2021-12-23 | 一种企业用电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169639A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511360A (zh) * | 2022-04-20 | 2022-05-17 | 华能江西能源销售有限责任公司 | 购电管理方法、系统、可读存储介质及计算机设备 |
CN115544890A (zh) * | 2022-10-19 | 2022-12-30 | 重庆工商大学 | 一种短期电力负荷预测方法及系统 |
CN116090637A (zh) * | 2023-01-19 | 2023-05-09 | 国网江苏省电力有限公司苏州供电分公司 | 一种用电短时预测方法与系统 |
-
2021
- 2021-12-23 CN CN202111590960.4A patent/CN114169639A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511360A (zh) * | 2022-04-20 | 2022-05-17 | 华能江西能源销售有限责任公司 | 购电管理方法、系统、可读存储介质及计算机设备 |
CN114511360B (zh) * | 2022-04-20 | 2022-07-08 | 华能江西能源销售有限责任公司 | 购电管理方法、系统、可读存储介质及计算机设备 |
CN115544890A (zh) * | 2022-10-19 | 2022-12-30 | 重庆工商大学 | 一种短期电力负荷预测方法及系统 |
CN116090637A (zh) * | 2023-01-19 | 2023-05-09 | 国网江苏省电力有限公司苏州供电分公司 | 一种用电短时预测方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ye et al. | Predicting electricity consumption in a building using an optimized back-propagation and Levenberg–Marquardt back-propagation neural network: Case study of a shopping mall in China | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN114169639A (zh) | 一种企业用电量预测方法 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN112766078B (zh) | 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法 | |
CN111915092B (zh) | 基于长短时记忆神经网络的超短期风电功率预测方法 | |
CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
CN113537582B (zh) | 一种基于短波辐射修正的光伏功率超短期预测方法 | |
CN116307652A (zh) | 一种智能电网人工智能资源分配方法 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
Zhou et al. | Research on state of health prediction model for lithium batteries based on actual diverse data | |
CN113537469B (zh) | 一种基于LSTM网络和Attention机制的城市需水预测方法 | |
CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
CN111709550A (zh) | 一种基于深度学习的联络线计划编制方法及系统 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN115293418A (zh) | 基于lmdi模型与gru模型的区域碳排放预测方法、系统及介质 | |
Zeng et al. | Short-term load forecasting of smart grid systems by combination of general regression neural network and least squares-support vector machine algorithm optimized by harmony search algorithm method | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN114819395A (zh) | 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法 | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
CN113570414A (zh) | 基于改进Adam算法优化深度神经网络的电价预测方法 | |
Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises | |
CN114861555A (zh) | 一种基于Copula理论的区域综合能源系统短期负荷预测方法 |
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: 20220311 |
|
WW01 | Invention patent application withdrawn after publication |