CN114186739A - 基于深度学习的台区短期负荷预测方法 - Google Patents
基于深度学习的台区短期负荷预测方法 Download PDFInfo
- Publication number
- CN114186739A CN114186739A CN202111511262.0A CN202111511262A CN114186739A CN 114186739 A CN114186739 A CN 114186739A CN 202111511262 A CN202111511262 A CN 202111511262A CN 114186739 A CN114186739 A CN 114186739A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- deep learning
- short
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 230000004913 activation Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 230000006872 improvement Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012706 support-vector machine 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于深度学习的台区短期负荷预测方法,包括如下步骤:S1:采集低压配电台区的时序运行数据,其中,所述时序运行数据包括电压、电流、有功功率、无功功率和时间信息;S2:对所述时序运行数据进行预处理和特征工程工作,得到数值型数据和类别型数据;S3:将所述数值型数据输入到训练好的Seq2Seq‑Attention模型中,得到经过Attention模型附加权重的向量序列,之后,将经过全连接网络的类别型数据与所述向量序列进行向量合并,并经过激活函数得到负荷预测结果。该基于深度学习的台区短期负荷预测方法,在Seq2Seq‑Attention模型和电力系统大量多维时间序列数据基础之上,基于Seq2Seq‑Attention模型下的台区短期负荷预测方法,能够达到较高的预测准确性。
Description
技术领域
本发明涉及配电网分析领域,特别提供了一种基于深度学习的台区短期负荷预测方法。
背景技术
随着现代电力系统的迅猛发展,大批量电力数据源源不断的出现,致使传统的负荷预测方法已经不能满足当前社会发展需求,引起了供电企业对负荷预测的高度重视。近年来随着大数据和人工智能技术的广泛应用,人们开始考虑利用大数据技术来提高负荷预测精度,这样可以让电力系统更加合理,经济有效地进行日常生产项目的安排。负荷预测从预测的时间尺度上可以分为长期、中期、短期和超短期预测,其中短期负荷预测适用于配电台区级别的负荷预测。
对于短期负荷预测的研究方法主要分为两种,一种是传统的机器学习方法,如支持向量机算法SVM及其高级算法,在处理小样本数据时SVM相对更加快速,但是SVM不能处理大批量数据样本,速度缓慢,因此其适合处理特征维数多,数据集较少的负荷数据。另一种是使用人工神经网络方法,如传统的神经网络及其改进算法,它们对于处理海量数据具有很好的性能。但是负荷数据存在时序特性,而人工神经网络方法只使用全连接层和非线性激活函数,显然,不能够满足负荷预测精度要求。
因此,提出一种新型的短期负荷预测方法,以解决上述问题,成为研究热点。
发明内容
鉴于此,本发明的目的在于提供一种基于深度学习的台区短期负荷预测方法,以解决现有短期负荷预测方法存在的问题。
本发明提供的技术方案是:基于深度学习的台区短期负荷预测方法,包括如下步骤:
S1:采集低压配电台区的时序运行数据,其中,所述时序运行数据包括电压、电流、有功功率、无功功率和时间信息;
S2:对所述时序运行数据进行预处理和特征工程工作,其中,所述预处理包括剔除异常数据、填充缺失值和数据标准化,得到数值型数据,所述特征工程工作为按照小时、周、月、是否为工作日、是否为高峰负荷时段5个维度增加时间属性的特征,并采用独热向量编码规则生成稀疏特征向量,得到类别型数据的特征向量;
S3:将所述数值型数据输入到训练好的Seq2Seq-Attention模型中,得到经过Attention模型附加权重的向量序列,之后,将经过全连接网络的类别型数据的特征向量与所述向量序列进行向量合并,并经过激活函数得到负荷预测结果,其中,所述Seq2Seq-Attention模型是在基于LSTM的Seq2Seq模型基础上引入Attention机制后构建的,用于负荷预测。
进一步优选,S1中,剔除异常数据的方法如下:
定义变量A,使用分位数来检测异常数据,并利用公式(1)剔除异常数据:
式中,Q1和Q3分别为第一个和第三个四分位数,IQR为四分位数取值范围。
进一步优选,S1中,填充缺失值的方法如下:采用前后量测数据的平均值进行数据填充。
进一步优选,S1中,数据标准化利用公式(2)实现
进一步优选,S3之前还包括训练Seq2Seq-Attention模型的步骤,具体包括:
S31:在基于LSTM的Seq2Seq模型基础上引入Attention机制,构建Seq2Seq-Attention模型;
S32:利用训练集样本训练Seq2Seq-Attention模型,并利用验证集样本对模型进行优化,直至得到最优模型,即:训练好的Seq2Seq-Attention模型。
进一步优选,S32中,训练集样本和验证集样本为经过预处理和特征工程工作的数据样本。
进一步优选,S32中,采用均方根误差RMSE作为评价指标。
进一步优选,S32中,采用Adagrad算法对参数进行优化,实现学习率的动态更新。
本发明提供的基于深度学习的台区短期负荷预测方法,针对传统机器学习方法的不足,搭建了一种基于深度学习理论的新预测模型,Seq2Seq-Attention模型是以LSTM单元组成编码器和译码器,并加入Attention机制的一种模型,它可以同时实现深度神经网络的机器学习功能,LSTM模块提供时间序列信息的表达功能,以及Attention机制联系不同时段间数据信息功能,在Seq2Seq-Attention模型和电力系统大量多维时间序列数据基础之上,基于Seq2Seq-Attention模型下的台区短期负荷预测方法,能够达到较高的预测准确性。
本发明提供的基于深度学习的台区短期负荷预测方法,构建了新的预测模型,在Seq2Seq模型基础上引入了Attention机制,能够将解码器的一个LSTM单元提取的信息与编码器中其他的LSTM单元相连,使不同时段间的隐含信息都可以用权值精确地表示出来,能够更好的对电力系统中的多维时间序列特征数据进行预测。
附图说明
下面结合附图及实施方式对本发明作进一步详细的说明:
图1为本发明提供的基于深度学习的台区短期负荷预测方法的流程图;
图2为Seq2Seq-Attention模型的结构图;
图3为Attention机制原理图。
具体实施方式
下面将结合具体的实施方案对本发明进行进一步的解释,但并不局限本发明。
如图1所示,本发明提供了一种基于深度学习的台区短期负荷预测方法,包括如下步骤:
S1:采集低压配电台区的时序运行数据,其中,所述时序运行数据包括电压、电流、有功功率、无功功率和时间信息;
S2:对所述时序运行数据进行预处理和特征工程工作,其中,所述预处理包括剔除异常数据、填充缺失值和数据标准化,得到数值型数据,所述特征工程工作为按照小时、周、月、是否为工作日、是否为高峰负荷时段5个维度增加时间属性的特征,并采用独热向量编码规则生成稀疏特征向量,得到类别型数据的特征向量;
S3:将所述数值型数据输入到训练好的Seq2Seq-Attention模型中,得到经过Attention模型附加权重的向量序列,之后,将经过全连接网络的类别型数据的特征向量与所述向量序列进行向量合并,并经过激活函数得到负荷预测结果,其中,所述Seq2Seq-Attention模型是在基于LSTM的Seq2Seq模型基础上引入Attention机制后构建的,用于负荷预测。
该基于深度学习的台区短期负荷预测方法,针对传统机器学习方法的不足,搭建了一种基于深度学习理论的新模型,Seq2Seq-Attention模型是以LSTM单元组成编码器和译码器,并加入Attention机制的一种模型,它可以同时实现深度神经网络的机器学习功能,LSTM模块提供时间序列信息的表达功能,以及Attention机制联系不同时段间数据功能。在Seq2Seq-Attention模型和电力系统大量多维时间序列数据基础之上,基于Seq2Seq-Attention模型下的台区短期负荷预测方法,能够达到较高的预测准确性。
作为技术方案的改进,S1中,剔除异常数据的方法如下:
定义变量A,使用分位数来检测异常数据,并利用公式(1)剔除异常数据:
式中,Q1和Q3分别为第一个和第三个四分位数,IQR为四分位数取值范围。
作为技术方案的改进,S1中,填充缺失值的方法如下:采用前后量测数据的平均值进行数据填充。
作为技术方案的改进,S1中,数据标准化利用公式(2)实现
作为技术方案的改进,S3之前还包括训练Seq2Seq-Attention模型的步骤,具体包括:
S31:在基于LSTM的Seq2Seq模型基础上引入Attention机制,构建Seq2Seq-Attention模型;
S32:利用训练集样本训练Seq2Seq-Attention模型,并利用验证集样本对模型进行优化,直至得到最优模型,即:训练好的Seq2Seq-Attention模型。
作为技术方案的改进,S32中,训练集样本和验证集样本为经过预处理和特征工程工作的数据样本。
作为技术方案的改进,S32中,采用均方根误差RMSE作为评价指标。
作为技术方案的改进,S32中,采用Adagrad算法对参数进行优化,实现学习率的动态更新,可加快目标函数收敛,充分利用少数有意义样本,具有自适应性。
实施例
(1)通过电力公司用电信息采集系统采集低压配电台区的时序运行数据,其中,所述时序运行数据包括电压、电流、有功功率、无功功率和时间信息;
(2)对所述时序运行数据进行预处理和特征工程工作:
21)剔除异常数据
定义变量A,使用分位数来检测异常数据,并利用公式(1)剔除异常数据:
式中,Q1和Q3分别为第一个和第三个四分位数,IQR为四分位数取值范围;
22)填充缺失值
采用前后量测数据的平均值进行数据填充;
23)数据标准化
电力数据中常存在异常值和较多噪音,采用标准化对其进行处理为均值为0,方差为1的数据样本,处理后的数据特征是符合正态分布的,标准化方程式如下:
24)特征工程
考虑实际用电情况具有时间特性,将各台区按照小时、周、月、是否为工作日、是否为高峰负荷时段(例:定义08:30~11:30,18:00~23:00为高峰负荷时段)不同维度增加时间属性的特征,采用独热向量编码规则生成由0与1构成的稀疏特征向量,得到模型输入的类别型数据。
(3)构建、训练并优化Seq2Seq-Attention模型
Seq2Seq(Sequence-to-sequence)模型是以编码(Encode)和解码(Decode)为代表的架构方式,根据输入序列X来生成输出序列Y,广泛应用在回归预测任务中。以Encode和Decode为代表的Seq2Seq模型,Encode意思是将输入序列转化成一个固定长度的向量,Decode意思是将输入的固定长度向量解码成输出序列。其中编码解码的方式采用LSTM网络,即编码器和解码器由多个LSTM单元组成,可以使输入序列长度可变,也可解决传统RNN模型存在梯度下降的问题。
编码器用于处理输入样本,对LSTM单元的输入信息进行编码。编码器中的LSTM单元可以使用其隐藏层来表达和传递时间序列信息。解码器用于接收来自编码器的编码信息,对编码信息进行解码,然后将解码后的信息送入到输出模块。
由于Seq2Seq模型在编码和解码阶段始终由一个不变的语义向量来联系着,编码器要将整个序列的信息压缩进一个固定长度的向量中去。这将造成:1)语义向量无法完全表示整个序列的信息;2)最开始输入的序列容易被后输入的序列给覆盖掉,会丢失许多细节信息。
因此,本发明在Seq2Seq模型中引入Attention机制,构造Seq2Seq-Attention模型(如图2所示)。
通过引入Attention机制,打破了Seq2Seq模型只能利用编码器最终单一向量结果的限制,从而使模型可以集中对于下一个目标重要的输入信息上,极大的改善了模型效果。另外一个优势是,通过观察Attention权重矩阵的变化,可以更好地了解到输入数据样本中哪些数据,有助于提高负荷预测精度。Attention机制原理参如图3所示。
图3中,符号H1-H5指编码器中不同的LSTM单元所表示的信息,H0指的是解码器第一个LSTM单元的输出信息,Ri为采用余弦相似度计算得到的注意力打分,Wi为Attention模块为时间序列信息赋予的权重,C1指的是Attention模块的输出,然后将其发送到解码器的第一个LSTM单元作为输入信息。这些符号的原理受以下等式约束。
训练及优化过程如下:
将数据样本按照7:3的比例划分成训练集和验证集,对Seq2Seq-Attention模型结构进行训练和优化,训练集用来训练Seq2Seq-Attention模型,调整权值Wi,不断修正指标性能以便于得到最优参数,验证集用来检验训练模型性能的好坏。训练完成后即得到完整的基于Seq2Seq-Attention负荷预测模型。
如图1所示,训练过程中,数据样本经预处理和特征工程工作后,数值型数据输入到Seq2Seq-Attention模型中,得到经过Attention模型附加权重的向量序列,之后,与经过全连接网络的类别型数据进行向量合并,经过激活函数后,即可得到预测负荷值。
优化过程中,对负荷预测任务的误差采用均方根误差RMSE作为评价指标,计算公式如下:
Seq2Seq-Attention模型的优化器采用Adagrad算法,可以将模型中每一个参数的每一次迭代的梯度取平方累加再开方,用基础学习率除以这个数,来实现学习率的动态更新,即自适应学习率。Adagrad算法公式如下:
简化成向量形式:
随着算法不断迭代,Gt会越来越大,整体的学习率会越来越小,只需要设置初始学习率,可以实现学习率的自我调整。
经过优化后,可得到最优模型,之后,利用该模型即可进行短期负荷预测。
上面结合附图对本发明的实施方式做了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (8)
1.基于深度学习的台区短期负荷预测方法,其特征在于,包括如下步骤:
S1:采集低压配电台区的时序运行数据,其中,所述时序运行数据包括电压、电流、有功功率、无功功率和时间信息;
S2:对所述时序运行数据进行预处理和特征工程工作,其中,所述预处理包括剔除异常数据、填充缺失值和数据标准化,得到数值型数据,所述特征工程工作为按照小时、周、月、是否为工作日、是否为高峰负荷时段5个维度增加时间属性的特征,并采用独热向量编码规则生成稀疏特征向量,得到类别型数据的特征向量;
S3:将所述数值型数据输入到训练好的Seq2Seq-Attention模型中,得到经过Attention模型附加权重的向量序列,之后,将经过全连接网络的类别型数据的特征向量与所述向量序列进行向量合并,并经过激活函数得到负荷预测结果,其中,所述Seq2Seq-Attention模型是在基于LSTM的Seq2Seq模型基础上引入Attention机制后构建的,用于负荷预测。
3.按照权利要求1所述基于深度学习的台区短期负荷预测方法,其特征在于:S1中,填充缺失值的方法如下:采用前后量测数据的平均值进行数据填充。
5.按照权利要求1所述基于深度学习的台区短期负荷预测方法,其特征在于:S3之前还包括训练Seq2Seq-Attention模型的步骤,具体包括:
S31:在基于LSTM的Seq2Seq模型基础上引入Attention机制,构建Seq2Seq-Attention模型;
S32:利用训练集样本训练Seq2Seq-Attention模型,并利用验证集样本对模型进行优化,直至得到最优模型,即:训练好的Seq2Seq-Attention模型。
6.按照权利要求5所述基于深度学习的台区短期负荷预测方法,其特征在于:S32中,训练集样本和验证集样本为经过预处理和特征工程工作的数据样本。
7.按照权利要求5所述基于深度学习的台区短期负荷预测方法,其特征在于:S32中,采用均方根误差RMSE作为评价指标。
8.按照权利要求5所述基于深度学习的台区短期负荷预测方法,其特征在于:S32中,采用Adagrad算法对参数进行优化,实现学习率的动态更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111511262.0A CN114186739A (zh) | 2021-12-02 | 2021-12-02 | 基于深度学习的台区短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111511262.0A CN114186739A (zh) | 2021-12-02 | 2021-12-02 | 基于深度学习的台区短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114186739A true CN114186739A (zh) | 2022-03-15 |
Family
ID=80543242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111511262.0A Pending CN114186739A (zh) | 2021-12-02 | 2021-12-02 | 基于深度学习的台区短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114186739A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116780524A (zh) * | 2023-06-30 | 2023-09-19 | 陕西广林汇程能源科技有限公司 | 一种基于lstm深度学习的工业企业短期负荷预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969306A (zh) * | 2019-12-05 | 2020-04-07 | 国网辽宁省电力有限公司沈阳供电公司 | 基于深度学习的配电低压台区负荷预测方法及装置 |
-
2021
- 2021-12-02 CN CN202111511262.0A patent/CN114186739A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969306A (zh) * | 2019-12-05 | 2020-04-07 | 国网辽宁省电力有限公司沈阳供电公司 | 基于深度学习的配电低压台区负荷预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
WEI HU等: "Research on Short-Term Load Forecasting Method of Power System Based on Seq2Seq-Attention Model", 《2020 IEEE 4TH CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION (EI2)》, 15 February 2021 (2021-02-15), pages 2 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116780524A (zh) * | 2023-06-30 | 2023-09-19 | 陕西广林汇程能源科技有限公司 | 一种基于lstm深度学习的工业企业短期负荷预测方法 |
CN116780524B (zh) * | 2023-06-30 | 2024-03-22 | 陕西广林汇程能源科技有限公司 | 一种基于lstm深度学习的工业企业短期负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876054B (zh) | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 | |
CN111160620B (zh) | 一种基于端到端记忆网络的短期风电功率预测方法 | |
CN113107626B (zh) | 一种基于多变量lstm的联合循环发电机组负荷预测方法 | |
CN103023065A (zh) | 一种基于相对误差熵值法的风电短期功率预测方法 | |
CN114239718B (zh) | 基于多元时序数据分析的高精度长期时间序列预测方法 | |
CN111460001B (zh) | 一种配电网理论线损率评估方法及系统 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN116306864A (zh) | 一种对电力系统的深度学习模型进行训练的方法 | |
CN110070202A (zh) | 一种通过用电量数据预测经济产出的方法 | |
CN115115090A (zh) | 一种基于改进lstm-cnn的风功率短期预测方法 | |
CN114186739A (zh) | 基于深度学习的台区短期负荷预测方法 | |
CN114066069A (zh) | 一种组合权重的副产煤气发生量预测方法 | |
CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN109978217A (zh) | 基于奇异谱分析和记忆网络的电力负荷预测方法 | |
CN110674460B (zh) | 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法 | |
CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
CN112669168A (zh) | 一种风电功率短期预测方法 | |
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 | |
CN115496153A (zh) | 多头自注意力的深度卷积嵌入聚类风光荷联合场景方法 | |
CN113554203B (zh) | 基于高维网格化和LightGBM的风电预测方法及装置 | |
Lu et al. | Forecasting China’s per capita living energy consumption by employing a novel DGM (1, 1, tα) model with fractional order accumulation | |
CN109840613B (zh) | 一种融合编码解码和线性回归的短期风速预测方法 | |
CN112686443A (zh) | 一种基于人工智能的光伏发电预测方法 | |
CN117634652B (zh) | 基于机器学习的大坝变形可解释预测方法 |
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 |