CN114239945A - 短期电力负荷预测方法、装置、设备及存储介质 - Google Patents
短期电力负荷预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114239945A CN114239945A CN202111500923.XA CN202111500923A CN114239945A CN 114239945 A CN114239945 A CN 114239945A CN 202111500923 A CN202111500923 A CN 202111500923A CN 114239945 A CN114239945 A CN 114239945A
- Authority
- CN
- China
- Prior art keywords
- load
- subsequence
- preset
- sequence
- value
- 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 47
- 238000003062 neural network model Methods 0.000 claims abstract description 49
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 42
- 239000013598 vector Substances 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 34
- 230000009467 reduction Effects 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 12
- 230000000306 recurrent effect Effects 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 5
- 230000001932 seasonal effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013277 forecasting method Methods 0.000 claims 3
- 238000010586 diagram Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010606 normalization Methods 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- G06N3/045—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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种短期电力负荷预测方法、装置、计算机设备及计算机可读存储介质，该方法包括：通过对按照预置条件采集的负荷序列进行预处理；根据预置集合经验模态分解模型对预处理后的所述负荷序列进行分解，得到负荷子序列集合，其中，所述负荷子序列集合包括至少两个负荷子序列；根据预置神经网络模型和所述负荷子序列集合，得到预测的负荷子序列值，其中，所述预置神经网络模型包括预置卷积神经网络模型和预置循环神经网络模型，所述负荷子序列值至少为一个；对各个所述负荷子序列值进行融合，确定负荷序列值，从而提高短期电力负荷预测精度。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及一种短期电力负荷预测方法、装置、计算机设备及计算机可读存储介质。
背景技术
近年来，由于经济发展和人口增长，全球的电力消耗以压倒性的速度增长。就一个地区的社会和经济发展而言，电力能源被认为是最重要的因素，它对该地区的进步和经济的改善做出了重大贡献。因而，要想推动经济发展离不开电力系统的建设与完善。短期电力负荷预测作为电力系统需求侧改革的一个重要方面，也是实现电力系统安全稳定运行的重要前提。短期电力负荷预测的预测效果取决于预测精度，因此提高负荷预测精度成为理论和方法研究的重点。
在过去的几十年，众多专家学者对负荷预测进行了深入的研究。根据预测的时间范围，负荷预测一般分为三类。这些是短期负荷预测(STLF)，其预测范围为未来数小时至数天；中期负荷预测(MTLF)，预测范围为一周至一年；和长期负荷预测(LTLF)，可预测一年以上的负荷变化。本文主要侧重于短期负荷预测，预测几小时到几天的未来负荷，它是电力系统正常运行和控制领域的一个组成部分。通过已有文献可知存在许多短期负荷预测方法，这些方法大致可分为两类，即传统的统计方法和机器学习方法。
传统的统计方法最常出现在早期的文献中，方法包括线性回归(LR)分析方法、指数平滑和自回归坐标移动正态分布(ARIMA)。然而，负荷数据存在许多固有的非线性特征，传统的统计方法无法很好地学习这些非线性数据；因此，这些传统的统计方法无法满足STLF中对负荷预测精度的要求。对于非线性时间序列预测，基于机器学习的预测方法能获得更好的表现，因而在解决STLF方面取得了非凡的进展，包括模糊推理系统、支持向量机(SVM)、人工神经网络都具有学习非线性特征的能力。文献提出了一种使用反向传播神经网络(BPNN)和基于K-最近邻(K-NN)和K-means的多标签算法的组合模型用于STLF。然而，BPNN是一种前馈神经网络，它不能很好地学习电力系统中的时序数据。
近年来为了解决这一问题，人们将深度学习的方法应用到负荷预测领域，因为它有更多的隐藏层，这使得该模型能够处理复杂的非线性模式。文献提出了一种新的基于时间序列的深度递归神经网络(PDRNN)，将一组用户的负荷分布批量输入到一个输入池中，使用聚合智能计量数据来消除不确定性，最后通过增加数据多样性和数据量来解决过度拟合问题。但是，传统RNN由于时间深度过大，隐藏层简单，在进行误差反向传播时，会出现梯度消失的问题。针对RNN的不足，1997年Hochreiter和Schmidhuber提出了长短期记忆(LSTM)循环神经网络，通过门控制将短期记忆与长期记忆相结合，克服了传统RNN的缺点。但采用LSTM捕捉负荷曲线中持续存在的微妙的时间消耗模式，使得能在大多数情况产生最佳预测。然而实际负荷序列数据具有高度不确定性，难以构建完整的非线性特征表示，特别是在实际应用中，负荷序列受多种因素的影响呈现随机性变化，无法达到理想的预测精度。
发明内容
本申请的主要目的在于提供一种短期电力负荷预测方法、装置、计算机设备及计算机可读存储介质，旨在解决现有采用LSTM无法达到短期电力负荷预测精度的技术问题。
第一方面，本申请提供一种短期电力负荷预测方法，所述方法包括以下步骤：
对按照预置条件采集的负荷序列进行预处理；
根据预置集合经验模态分解模型对预处理后的所述负荷序列进行分解，得到负荷子序列集合，其中，所述负荷子序列集合包括至少两个负荷子序列；
根据预置神经网络模型和所述负荷子序列集合，得到预测的负荷子序列值，其中，所述预置神经网络模型包括预置卷积神经网络模型和预置循环神经网络模型，所述负荷子序列值至少为一个；
对各个所述负荷子序列值进行融合，确定负荷序列值。
优选地，所述根据预置集合经验模态分解模型对预处理后的所述负荷序列进行分解，得到负荷子序列集合，其中，所述负荷子序列集合包括至少两个负荷子序列，包括：
将处理后的所述负荷序列输入所述预置集合经验模态分解模型中；
通过所述预置集合经验模态分解模型中的高斯白噪声值添加至处理后的所述负荷序列中的各个负荷数据中，以确定当前所述负荷序列中的最大极值和最小极值；
通过所述预置集合经验模态分解模型中的三次样条插值函数拟合所述最大极值和所述最小极值的曲线，确定当前所述负荷序列的平均值；
根据当前所述负荷序列的平均值和预置给定负荷序列值，确定负荷子序列集合，其中，所述负荷子序列集合包括至少一个负荷子序列和残差序列。
优选地，所述根据预置神经网络模型和所述负荷子序列集合，得到预测的负荷子序列值，包括：
根据所述预置卷积神经网络模型对输入的所述负荷子序列集合进行处理，生成各个负荷子序列的负荷子序列向量；
根据所述预置循环神经网络模型对各个所述负荷子序列的负荷子序列向量进行预测，得到预测的各个所述负荷子序列的负荷子序列值。
优选地，所述预置卷积神经网络模型包括卷积层、池化层和Flatten层；根据所述预置卷积神经网络模型对输入的所述负荷子序列集合进行处理，生成各个负荷子序列的负荷子序列向量，包括：
通过所述卷积层放大输入的各个所述负荷子序列和所述残差序列中的显著特征，并将所述显著特征分别映射到预置特征图集中，其中，所述显著特征包括周期性数据和季节性数据，所述卷积层为两个；
通过所述池化层对当前的各个特征图集进行降维处理，并将降维处理后的各个所述特征图集输入所述Flatten层；
通过所述Flatten层对输入的降维处理后的各个所述特征图集进行处理，生成各个所述负荷子序列的负荷子序列向量。
优选地，所述预置循环神经网络模型包括更新门、复位门和隐藏层；所述根据所述预置循环神经网络模型对各个所述负荷子序列的负荷子序列向量进行预测，得到预测的各个所述负荷子序列的负荷子序列值，包括：
将各个所述负荷子序列的负荷子序列向量输入所述隐藏层，获取所述隐藏层输出的当前状态和前一次的隐藏状态；
将所述当前状态和所述前一次的隐藏状态输入所述更新门，得到更新门值；
将所述当前状态和所述前一次的隐藏状态输入所述复位们，得到复位门值；
基于所述复位门值、所述当前状态、所述前一次的隐藏状态、所述预置双曲正切函数、预置网络权重，得到各个所述负荷子序列的预测负荷子序列向量；
基于各个所述负荷子序列值向量、所述更新门值和所述前一次的隐藏状态，得到各个所述负荷子序列的负荷子序列值。
优选地，所述对各个所述负荷子序列值进行融合，确定负荷序列值，包括：
通过预置累加公式对各个所述负荷子序列值进行累加，确定负荷序列值。
优选地，所述对按照预置条件采集的负荷序列进行预处理，包括：
按照预置条件采集多个负荷数据，生成负荷序列，其中，所述负荷数据具有时序性；
对各个所述负荷序列进行检测，确定多个所述负荷序列中是否包含缺省数据和/或异常数据；
若确定包含所述缺省数据和/或所述异常数据，则分别对所述负荷序列中的缺省数据和/或所述异常数据进行数据处理，以得到预处理后负荷序列。
第二方面，本申请还提供一种短期电力负荷预测装置，所述装置包括：
处理模块，用于对按照预置时刻采集的负荷序列进行预处理；
分解模块，用于根据预置集合经验模态分解模型对预处理后的所述负荷序列进行分解，得到负荷子序列集合，其中，所述负荷子序列集合包括至少两个负荷子序列；
获取模块，用于根据预置神经网络模型和所述负荷子序列集合，得到预测的负荷子序列值，其中，所述预置神经网络模型包括预置卷积神经网络模型和预置循环神经网络模型，所述负荷子序列值至少为一个；
计算模块，用于对各个所述负荷子序列值进行融合，确定负荷序列值。
第三方面，本申请还提供一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上述的短期电力负荷预测方法的步骤。
第四方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上述的短期电力负荷预测方法的步骤。
本申请提供一种短期电力负荷预测方法、装置、计算机设备及计算机可读存储介质，通过对按照预置条件采集的负荷序列进行预处理；根据预置集合经验模态分解模型对预处理后的所述负荷序列进行分解，得到负荷子序列集合，其中，所述负荷子序列集合包括至少两个负荷子序列；根据预置神经网络模型和所述负荷子序列集合，得到预测的负荷子序列值，其中，所述预置神经网络模型包括预置卷积神经网络模型和预置循环神经网络模型，所述负荷子序列值至少为一个；对各个所述负荷子序列值进行融合，确定负荷序列值，从而提高短期电力负荷预测精度。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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为本申请实施例提供的一种短期电力负荷预测方法的流程示意图；
图2为本申请实施例提供的模型结构示意图；
图3为本申请实施例提供的分解后的子序列示意图；
图4为本申请实施例提供的第一预测结果示意图；
图5为本申请实施例提供的第二预测结果示意图；
图6为本申请实施例提供的指标对比示意图；
图7为本申请实施例提供的一种短期电力负荷预测装置的示意性框图；
图8为本申请一实施例涉及的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本申请实施例提供一种短期电力负荷预测方法方法、装置、计算机设备及计算机可读存储介质。其中，该短期电力负荷预测方法可应用于计算机设备中，该计算机设备可以是笔记本电脑、台式电脑等电子设备。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参照图1，图1为本申请的实施例提供的一种短期电力负荷预测方法的流程示意图。
如图1所示，该方法包括步骤S101至步骤S104。
步骤S101、对按照预置条件采集的负荷序列进行预处理。
示范性的，按照预置条件采集负荷数据，将采集到的负荷数据生成负荷序列，对生成后的负荷序列进行预处理，以保证预处理后负荷序列的真实性和完整性。
具体的，所述对按照预置条件采集的负荷序列进行预处理，包括：按照预置条件采集多个负荷数据，生成负荷序列，其中，所述负荷数据具有时序性；对各个所述负荷序列进行检测，确定多个所述负荷序列中是否包含缺省数据和/或异常数据；若确定包含所述缺省数据和/或所述异常数据，则分别对所述负荷序列中的缺省数据和/或所述异常数据进行数据处理，以得到预处理后负荷序列。
示范性的，例如，ISO-NE负荷数据准备，原始负荷序列原始负荷序列数据采集于同一台区，使用相同的采集设备，每个数据位点具有相同1小时时间间隔，共计365天、8760条连续负荷数据。所有采集的负荷数据具有时序性，数据之间有先后时间关系，且精度要求一致，其负荷序列记为：S＝{S0,S1,S2,...,S8760}。
将连续负荷序列S中的缺省数据和异常数据进行预处理，剔除异常数据，将缺省数据用前序数据和后序数据的均值代替，得到处理后的负荷序列，记为：
例如，检测负荷序列中同一时期是否出现重复的负荷数据，若确定出现重复的负荷数据，则确定该重复的负荷数据为异常数据，保留其中的任意一个负荷数据。检测负荷序列中任意时期是否未有对应的负荷数据，若确定同一时期未有对应的负荷数据，则获取该同一时期前一时刻的负荷数据和后一时刻的负荷数据，得到均值，将该均值作为任意时期对应的负荷数据。
步骤S102、根据预置集合经验模态分解模型对预处理后的所述负荷序列进行分解，得到负荷子序列集合，其中，所述负荷子序列集合包括至少两个负荷子序列。
示范性的，将对预处理后的负荷序列输入至预置集合经验模态分解模型中，预置集合经验模态分解模型包括高斯白噪声值和三次样条插值函数，通过高斯白噪声值和三次样条插值函数对输入的预处理后的负荷序列进行分解，得到负荷子序列集合，例如，得到负荷子序列和残差序列，其中，残差序列作为一个负荷子序列。
具体的，所述根据预置集合经验模态分解模型对预处理后的所述负荷序列进行分解，得到负荷子序列集合，其中，所述负荷子序列集合包括至少两个负荷子序列，包括：将处理后的所述负荷序列输入所述预置集合经验模态分解模型中；通过所述预置集合经验模态分解模型中的高斯白噪声值添加至处理后的所述负荷序列中的各个负荷数据中，以确定当前所述负荷序列中的最大极值和最小极值；通过所述预置集合经验模态分解模型中的三次样条插值函数拟合所述最大极值和所述最小极值的曲线，确定当前所述负荷序列的平均值；根据当前所述负荷序列的平均值和预置给定负荷序列值，确定负荷子序列集合，其中，所述负荷子序列集合包括至少一个负荷子序列和残差序列。
示范性的，如图2所示，将处理后的负荷序列输入预置集合经验模态分解模型中，预置集合经验模态分解模型包括预先设置的高斯白噪声值，将高斯白噪声值输入到处理后的负荷序列的各个负荷数据中，从而找到当前负荷序列中的最大极值和最小极值。例如，将加入高斯白噪声值后的各个负荷数据的值进行两两比对，确定各个负荷数据中的最大极值和最小极值。使用三次样条差值函数基于最大极值和最小极值拟合绘制曲线，其中，最大极值对应的曲线为上包络，最小极值对应的曲线为下包络。通过上包络曲线和下包络曲线，计算出上包络曲线和下包络曲线之前的平均值。通过平均值和预置给定负荷序列值，得到本征模函数。例如，获取第一预置公式S(t)-m1＝f1，其中，m1为平均值，S(t)为预置给定负荷序列值，f1为本征模函数。确定本征模函数是否满足固有模式功能的要求，若确定本征函数满足固有模式功能的要求，则确定负荷子序列集合，其中，负荷子序列集合包括至少一个负荷子序列和残差序列。例如，将高斯白噪声值加入本征函数中，从而找出加入高斯白噪声值后的本征函数的最大极值和最小极值，若找到加入高斯白噪声值后的本征函数的最大极值和最小极值，则确定本征函数不满足固有模式功能的要求；若只找到加入高斯白噪声值后的本征函数的一个极值，则确定本征函数满足固有模式功能的要求，其中，本征函数为负荷子序列。
若确定本征函数满足固有模式功能的要求，则通过使用三次样条差值函数基于极值拟合绘制曲线，并计算该极值的曲线，得到的平均值作为各个负荷数据的残差，以生成残差序列。
若确定本征函数不满足固定模式功能的要求，则将高斯白噪声值加入本征函数中，从而找出加入高斯白噪声值后的本征函数的最大极值和最小极值，使用三次样条差值函数基于本征函数的最大极值和最小极值拟合绘制曲线，其中，本征函数的最大极值对应的曲线为上包络，本征函数的最小极值对应的曲线为下包络。通过上包络曲线和下包络曲线，计算出上包络曲线和下包络曲线之间的平均值m2。通过本征函数和平均值m2，得到这一次的本征函数。例如，获取第二预置公式f1-m2＝f2，其中，m1为平均值，f2为这一次的本征函数，f1为本征模函数。对于f2，需要继续判断其是否满足要求，可作为结果输出。如果仍不满足固有模式函数的条件，则执行下一次迭代。经过9次迭代，满足固有模式函数要求的第一个函数为：f9-m10＝f10。多次加入高斯白噪声后，最终平均值为EEMD分解后的负荷子序列。分解后的子序列和残差，记为：
其中1-10为分解的子序列数,r表示残差，另外
特别的对于序列预处理和序列分解操作，具体实施为：使用均值处理，将缺省数据用前序和后序数据的均值代替，得到处理后的负荷序列，再使用集合经验模态分解对负荷序列进行分解，得到分解后的子序列集和残差，其分解后的子序列示例如图3所示。
步骤S103、根据预置神经网络模型和所述负荷子序列集合，得到预测的负荷子序列值，其中，所述预置神经网络模型包括预置卷积神经网络模型和预置循环神经网络模型，所述负荷子序列值至少为一个。
示范性的，将负荷子序列集合中的至少一个负荷子序列和残差序列输入预置卷积神经网络模型中进行处理，生成各个负荷子序列的负荷子序列向量；再将各个负荷子序列的负荷子序列向量输入预置循环神经网络模型进行预测，得到预测的各个负荷子序列的负荷子序列值。
具体的，所述预置卷积神经网络模型包括卷积层、池化层和Flatten层；根据所述预置卷积神经网络模型对输入的所述负荷子序列集合进行处理，生成各个负荷子序列的负荷子序列向量，包括：通过所述卷积层放大输入的各个所述负荷子序列和所述残差序列中的显著特征，并将所述显著特征分别映射到预置特征图集中，其中，所述显著特征包括周期性数据和季节性数据，所述卷积层为两个；通过所述池化层对当前的各个特征图集进行降维处理，并将降维处理后的各个所述特征图集输入所述Flatten层；通过所述Flatten层对输入的降维处理后的各个所述特征图集进行处理，生成各个所述负荷子序列的负荷子序列向量。
示范性的，将负荷子序列集合输入预置卷积神经网络模型中，将分解后的子序列
使用最大最小归一化对分解后的子序列进行归一化处理，归一化过程如公式所示：
其中，
和
为序列
中的最大值和最小值。将归一化的负荷子序列连续输入两个卷积层，放大子序列中的显著特征，将结果投射到特征图集F中，其过程所示：
其中，ku,v是M×N的卷积核k的第u行、第v列的元素，xi-u+1,j-m+1是输入矩阵x中的第i-u+1行，第i-u+1列的元素。每个卷积核都会产生一个输出矩阵作为特征图，所有矩阵和在一起就是特征图集F。
利用池化层上述得到的特征图集F降维采样成原来特征图尺寸的四分之一，降维采样使用的池化层为最大池化层，例如，
其中，
为划分的多个池化区域。然后将降维后的特征图输入Flatten层将特征图展平成一个特征向量
以此提取序列中的高维信息。
具体的，所述预置循环神经网络模型包括更新门、复位门和隐藏层；所述根据所述预置循环神经网络模型对各个所述负荷子序列的负荷子序列向量进行预测，得到预测的各个所述负荷子序列的负荷子序列值，包括：将各个所述负荷子序列的负荷子序列向量输入所述隐藏层，获取所述隐藏层输出的当前状态和前一次的隐藏状态；将所述当前状态和所述前一次的隐藏状态输入所述更新门，得到更新门值；将所述当前状态和所述前一次的隐藏状态输入所述复位们，得到复位门值；基于所述复位门值、所述当前状态、所述前一次的隐藏状态、所述预置双曲正切函数、预置网络权重，得到各个所述负荷子序列的预测负荷子序列向量；基于各个所述负荷子序列值向量、所述更新门值和所述前一次的隐藏状态，得到各个所述负荷子序列的负荷子序列值。
示范性的，将得到的子序列向量
输入到循环神经神经网络模型中进行训练，输出该子序列的下一位点预测子序列
预测模型使用的循环神经网络为门控循环单元(GRU)，包括复位门rt和更新门zt，更新门接收当前状态xt和先前隐藏状态ht-1。
接收到输入信息和矩阵运算后，sigmoid函数确定神经元是否被激活，复位门还接收xt和ht-1，其结果决定忘记多少过去的信息。当前存储器ht是前一个隐藏层的输入xt和输出ht-1的汇总
和ht-1通过更新闸门的动态控制来确定最终输出ht。同时，ht将被传送到下一个GRU单元。GRU单元通过以下公式计算：
zt＝σ(WZxt+UZht-1)
rt＝σ(Wrxt+Urht-1)
其中WZ和UZ是更新门的权重，Wr和Ur是重置门的权重。W和U是形成防止内存的网络权重。σ是sigmoid函数，tanh是双曲正切函数。算子.表示向量的内积。
根据以上步骤得到子序列的预测值,特别的对于归一化、池化操作，具体实施为：使用最大最小归一化对分解后的子序列进行归一化，再将归一化的子序列输入卷积核大小为3*3、过滤器数为64、使用ReLU激活函数，经过两层卷积层，使用最大池化层降维成原来的四分之一，再将结果输入GRU循环神经网络进行预测，返回预测结果，子序列6的预测结果如图4，子序列8的预测结果如图5所示。
步骤S104、对各个所述负荷子序列值进行融合，确定负荷序列值。
示范性的，对各个负荷子序列值进行融合，例如，获取预置累加公式
其中，Rm表示分解的子序列数量，n表示预测的负荷数量,
表示各个负荷子序列值。
对所有分解后的子序列依次通入预测模型，得到预测子序列，对于残差子序列，不进行特征提取，直接使用GRU神经网络进行预测，得到残差预测序列，最终得到所有序列的预测子序列。
将得到的所有预测子序列利用公式进行累加，得到最终预测序列
将得到的负荷预测结果用平均绝对百分比误差MAPE和均方根误差RMSE评价模型的预测效果，MAPE和RMSE公式如下所示，并与GRU和LSTM进行了比较，如图6所示。
在本申请实施例中，通过对按照预置条件采集的负荷序列进行预处理；根据预置集合经验模态分解模型对预处理后的所述负荷序列进行分解，得到负荷子序列集合，其中，所述负荷子序列集合包括至少两个负荷子序列；根据预置神经网络模型和所述负荷子序列集合，得到预测的负荷子序列值，其中，所述预置神经网络模型包括预置卷积神经网络模型和预置循环神经网络模型，所述负荷子序列值至少为一个；对各个所述负荷子序列值进行融合，确定负荷序列值，从而提高短期电力负荷预测精度。
请参照图7，图7为本申请实施例提供的一种短期电力负荷预测装置的示意性框图。
如图7所示，该装置400，包括：处理模块401、分解模块402、获取模块403、计算模块404。
处理模块401，用于对按照预置时刻采集的负荷序列进行预处理；
分解模块402，用于根据预置集合经验模态分解模型对预处理后的所述负荷序列进行分解，得到负荷子序列集合，其中，所述负荷子序列集合包括至少两个负荷子序列；
获取模块403，用于根据预置神经网络模型和所述负荷子序列集合，得到预测的负荷子序列值，其中，所述预置神经网络模型包括预置卷积神经网络模型和预置循环神经网络模型，所述负荷子序列值至少为一个；
计算模块404，用于对各个所述负荷子序列值进行融合，确定负荷序列值。
其中，分解模块402具体还用于：
将处理后的所述负荷序列输入所述预置集合经验模态分解模型中；
通过所述预置集合经验模态分解模型中的高斯白噪声值添加至处理后的所述负荷序列中的各个负荷数据中，以确定当前所述负荷序列中的最大极值和最小极值；
通过所述预置集合经验模态分解模型中的三次样条插值函数拟合所述最大极值和所述最小极值的曲线，确定当前所述负荷序列的平均值；
根据当前所述负荷序列的平均值和预置给定负荷序列值，确定负荷子序列集合，其中，所述负荷子序列集合包括至少一个负荷子序列和残差序列。
其中，获取模块403具体还用于：
根据所述预置卷积神经网络模型对输入的所述负荷子序列集合进行处理，生成各个负荷子序列的负荷子序列向量；
根据所述预置循环神经网络模型对各个所述负荷子序列的负荷子序列向量进行预测，得到预测的各个所述负荷子序列的负荷子序列值。
其中，获取模块403具体还用于：
通过所述卷积层放大输入的各个所述负荷子序列和所述残差序列中的显著特征，并将所述显著特征分别映射到预置特征图集中，其中，所述显著特征包括周期性数据和季节性数据，所述卷积层为两个；
通过所述池化层对当前的各个特征图集进行降维处理，并将降维处理后的各个所述特征图集输入所述Flatten层；
通过所述Flatten层对输入的降维处理后的各个所述特征图集进行处理，生成各个所述负荷子序列的负荷子序列向量。
其中，获取模块403具体还用于：
将各个所述负荷子序列的负荷子序列向量输入所述隐藏层，获取所述隐藏层输出的当前状态和前一次的隐藏状态；
将所述当前状态和所述前一次的隐藏状态输入所述更新门，得到更新门值；
将所述当前状态和所述前一次的隐藏状态输入所述复位们，得到复位门值；
基于所述复位门值、所述当前状态、所述前一次的隐藏状态、所述预置双曲正切函数、预置网络权重，得到各个所述负荷子序列的预测负荷子序列向量；
基于各个所述负荷子序列值向量、所述更新门值和所述前一次的隐藏状态，得到各个所述负荷子序列的负荷子序列值。
其中，计算模块404具体还用于：
通过预置累加公式对各个所述负荷子序列值进行累加，确定负荷序列值。
其中，处理模块401具体还用于：
按照预置条件采集多个负荷数据，生成负荷序列，其中，所述负荷数据具有时序性；
对各个所述负荷序列进行检测，确定多个所述负荷序列中是否包含缺省数据和/或异常数据；
若确定包含所述缺省数据和/或所述异常数据，则分别对所述负荷序列中的缺省数据和/或所述异常数据进行数据处理，以得到预处理后负荷序列。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块及单元的具体工作过程，可以参考前述实施例中的对应过程，在此不再赘述。
上述实施例提供的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图8所示的计算机设备上运行。
请参阅图8，图8为本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为终端。
如图8所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种短期电力负荷预测方法。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种短期电力负荷预测方法。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
对按照预置条件采集的负荷序列进行预处理；
根据预置集合经验模态分解模型对预处理后的所述负荷序列进行分解，得到负荷子序列集合，其中，所述负荷子序列集合包括至少两个负荷子序列；
根据预置神经网络模型和所述负荷子序列集合，得到预测的负荷子序列值，其中，所述预置神经网络模型包括预置卷积神经网络模型和预置循环神经网络模型，所述负荷子序列值至少为一个；
对各个所述负荷子序列值进行融合，确定负荷序列值。
在一个实施例中，所述处理器实现根据预置集合经验模态分解模型对预处理后的所述负荷序列进行分解，得到负荷子序列集合，其中，所述负荷子序列集合包括至少两个负荷子序列时，用于实现：
将处理后的所述负荷序列输入所述预置集合经验模态分解模型中；
通过所述预置集合经验模态分解模型中的高斯白噪声值添加至处理后的所述负荷序列中的各个负荷数据中，以确定当前所述负荷序列中的最大极值和最小极值；
通过所述预置集合经验模态分解模型中的三次样条插值函数拟合所述最大极值和所述最小极值的曲线，确定当前所述负荷序列的平均值；
根据当前所述负荷序列的平均值和预置给定负荷序列值，确定负荷子序列集合，其中，所述负荷子序列集合包括至少一个负荷子序列和残差序列。
在一个实施例中，所述处理器实现根据预置神经网络模型和所述负荷子序列集合，得到预测的负荷子序列值时，用于实现：
根据所述预置卷积神经网络模型对输入的所述负荷子序列集合进行处理，生成各个负荷子序列的负荷子序列向量；
根据所述预置循环神经网络模型对各个所述负荷子序列的负荷子序列向量进行预测，得到预测的各个所述负荷子序列的负荷子序列值。
在一个实施例中，所述处理器实现预置卷积神经网络模型包括卷积层、池化层和Flatten层；根据所述预置卷积神经网络模型对输入的所述负荷子序列集合进行处理，生成各个负荷子序列的负荷子序列向量时，用于实现：
通过所述卷积层放大输入的各个所述负荷子序列和所述残差序列中的显著特征，并将所述显著特征分别映射到预置特征图集中，其中，所述显著特征包括周期性数据和季节性数据，所述卷积层为两个；
通过所述池化层对当前的各个特征图集进行降维处理，并将降维处理后的各个所述特征图集输入所述Flatten层；
通过所述Flatten层对输入的降维处理后的各个所述特征图集进行处理，生成各个所述负荷子序列的负荷子序列向量。
在一个实施例中，所述处理器实现所述预置循环神经网络模型包括更新门、复位门和隐藏层；所述根据所述预置循环神经网络模型对各个所述负荷子序列的负荷子序列向量进行预测，得到预测的各个所述负荷子序列的负荷子序列值时，用于实现：
将各个所述负荷子序列的负荷子序列向量输入所述隐藏层，获取所述隐藏层输出的当前状态和前一次的隐藏状态；
将所述当前状态和所述前一次的隐藏状态输入所述更新门，得到更新门值；
将所述当前状态和所述前一次的隐藏状态输入所述复位们，得到复位门值；
基于所述复位门值、所述当前状态、所述前一次的隐藏状态、所述预置双曲正切函数、预置网络权重，得到各个所述负荷子序列的预测负荷子序列向量；
基于各个所述负荷子序列值向量、所述更新门值和所述前一次的隐藏状态，得到各个所述负荷子序列的负荷子序列值。
在一个实施例中，所述处理器实现对各个所述负荷子序列值进行融合，确定负荷序列值时，用于实现：
通过预置累加公式对各个所述负荷子序列值进行累加，确定负荷序列值。
在一个实施例中，所述处理器实现对按照预置条件采集的负荷序列进行预处理时，用于实现：
按照预置条件采集多个负荷数据，生成负荷序列，其中，所述负荷数据具有时序性；
对各个所述负荷序列进行检测，确定多个所述负荷序列中是否包含缺省数据和/或异常数据；
若确定包含所述缺省数据和/或所述异常数据，则分别对所述负荷序列中的缺省数据和/或所述异常数据进行数据处理，以得到预处理后负荷序列。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时所实现的方法可参照本申请短期电力负荷预测方法的各个实施例。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种短期电力负荷预测方法，其特征在于，包括：
对按照预置条件采集的负荷序列进行预处理；
根据预置集合经验模态分解模型对预处理后的所述负荷序列进行分解，得到负荷子序列集合，其中，所述负荷子序列集合包括至少两个负荷子序列；
根据预置神经网络模型和所述负荷子序列集合，得到预测的负荷子序列值，其中，所述预置神经网络模型包括预置卷积神经网络模型和预置循环神经网络模型，所述负荷子序列值至少为一个；
对各个所述负荷子序列值进行融合，确定负荷序列值。
2.如权利要求1所述的短期电力负荷预测方法，其特征在于，所述根据预置集合经验模态分解模型对预处理后的所述负荷序列进行分解，得到负荷子序列集合，其中，所述负荷子序列集合包括至少两个负荷子序列，包括：
将处理后的所述负荷序列输入所述预置集合经验模态分解模型中；
通过所述预置集合经验模态分解模型中的高斯白噪声值添加至处理后的所述负荷序列中的各个负荷数据中，以确定当前所述负荷序列中的最大极值和最小极值；
通过所述预置集合经验模态分解模型中的三次样条插值函数拟合所述最大极值和所述最小极值的曲线，确定当前所述负荷序列的平均值；
根据当前所述负荷序列的平均值和预置给定负荷序列值，确定负荷子序列集合，其中，所述负荷子序列集合包括至少一个负荷子序列和残差序列。
3.如权利要求1所述的短期电力负荷预测方法，其特征在于，所述根据预置神经网络模型和所述负荷子序列集合，得到预测的负荷子序列值，包括：
根据所述预置卷积神经网络模型对输入的所述负荷子序列集合进行处理，生成各个负荷子序列的负荷子序列向量；
根据所述预置循环神经网络模型对各个所述负荷子序列的负荷子序列向量进行预测，得到预测的各个所述负荷子序列的负荷子序列值。
4.如权利要求3所述的短期电力负荷预测方法，其特征在于，所述预置卷积神经网络模型包括卷积层、池化层和Flatten层；根据所述预置卷积神经网络模型对输入的所述负荷子序列集合进行处理，生成各个负荷子序列的负荷子序列向量，包括：
通过所述卷积层放大输入的各个所述负荷子序列和所述残差序列中的显著特征，并将所述显著特征分别映射到预置特征图集中，其中，所述显著特征包括周期性数据和季节性数据，所述卷积层为两个；
通过所述池化层对当前的各个特征图集进行降维处理，并将降维处理后的各个所述特征图集输入所述Flatten层；
通过所述Flatten层对输入的降维处理后的各个所述特征图集进行处理，生成各个所述负荷子序列的负荷子序列向量。
5.如权利要求3所述的短期电力负荷预测方法，其特征在于，所述预置循环神经网络模型包括更新门、复位门和隐藏层；所述根据所述预置循环神经网络模型对各个所述负荷子序列的负荷子序列向量进行预测，得到预测的各个所述负荷子序列的负荷子序列值，包括：
将各个所述负荷子序列的负荷子序列向量输入所述隐藏层，获取所述隐藏层输出的当前状态和前一次的隐藏状态；
将所述当前状态和所述前一次的隐藏状态输入所述更新门，得到更新门值；
将所述当前状态和所述前一次的隐藏状态输入所述复位们，得到复位门值；
基于所述复位门值、所述当前状态、所述前一次的隐藏状态、所述预置双曲正切函数、预置网络权重，得到各个所述负荷子序列的预测负荷子序列向量；
基于各个所述负荷子序列值向量、所述更新门值和所述前一次的隐藏状态，得到各个所述负荷子序列的负荷子序列值。
6.如权利要求1所述的短期电力负荷预测方法，其特征在于，所述对各个所述负荷子序列值进行融合，确定负荷序列值，包括：
通过预置累加公式对各个所述负荷子序列值进行累加，确定负荷序列值。
7.如权利要求1所述的短期电力负荷预测方法，其特征在于，所述对按照预置条件采集的负荷序列进行预处理，包括：
按照预置条件采集多个负荷数据，生成负荷序列，其中，所述负荷数据具有时序性；
对各个所述负荷序列进行检测，确定多个所述负荷序列中是否包含缺省数据和/或异常数据；
若确定包含所述缺省数据和/或所述异常数据，则分别对所述负荷序列中的缺省数据和/或所述异常数据进行数据处理，以得到预处理后负荷序列。
8.一种短期电力负荷预测装置，其特征在于，包括：
处理模块，用于对按照预置时刻采集的负荷序列进行预处理；
分解模块，用于根据预置集合经验模态分解模型对预处理后的所述负荷序列进行分解，得到负荷子序列集合，其中，所述负荷子序列集合包括至少两个负荷子序列；
获取模块，用于根据预置神经网络模型和所述负荷子序列集合，得到预测的负荷子序列值，其中，所述预置神经网络模型包括预置卷积神经网络模型和预置循环神经网络模型，所述负荷子序列值至少为一个；
计算模块，用于对各个所述负荷子序列值进行融合，确定负荷序列值。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1至7中任一项所述的短期电力负荷预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如权利要求1至7中任一项所述的短期电力负荷预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111500923.XA CN114239945A (zh) | 2021-12-09 | 2021-12-09 | 短期电力负荷预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111500923.XA CN114239945A (zh) | 2021-12-09 | 2021-12-09 | 短期电力负荷预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114239945A true CN114239945A (zh) | 2022-03-25 |
Family
ID=80754396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111500923.XA Pending CN114239945A (zh) | 2021-12-09 | 2021-12-09 | 短期电力负荷预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114239945A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116681185A (zh) * | 2023-07-28 | 2023-09-01 | 北京智芯微电子科技有限公司 | 负荷预测方法、装置和芯片设备 |
-
2021
- 2021-12-09 CN CN202111500923.XA patent/CN114239945A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116681185A (zh) * | 2023-07-28 | 2023-09-01 | 北京智芯微电子科技有限公司 | 负荷预测方法、装置和芯片设备 |
| CN116681185B (zh) * | 2023-07-28 | 2024-01-09 | 北京智芯微电子科技有限公司 | 负荷预测方法、装置和芯片设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | A hybrid attention-based deep learning approach for wind power prediction | |
| CN111027772B (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
| EP3161527B1 (en) | Solar power forecasting using mixture of probabilistic principal component analyzers | |
| Li et al. | An integrated missing-data tolerant model for probabilistic PV power generation forecasting | |
| CN112733444A (zh) | 基于CycleGAN神经网络的多步长时间序列预测方法 | |
| CN111027672A (zh) | 一种基于交互式多尺度循环神经网络的时间序列预测方法 | |
| CN113361785A (zh) | 配电网短期负荷预测方法、装置、终端及存储介质 | |
| CN112949610A (zh) | 一种基于降噪算法的改进Elman神经网络的预测方法 | |
| CN114548586A (zh) | 一种基于混合模型的短期电力负荷预测方法及系统 | |
| CN115034430A (zh) | 碳排放量预测方法、装置、终端及存储介质 | |
| CN112988548A (zh) | 一种基于降噪算法的改进Elman神经网络的预测方法 | |
| CN115018193A (zh) | 基于lstm-ga模型的时间序列风能数据预测方法 | |
| CN112508286A (zh) | 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法 | |
| CN116663746A (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
| CN116307059A (zh) | 配电网区域故障预测模型构建方法及装置、电子设备 | |
| CN116822374A (zh) | 一种风速多步预测方法、装置、计算机设备和存储介质 | |
| CN114239945A (zh) | 短期电力负荷预测方法、装置、设备及存储介质 | |
| Damaševičius et al. | Decomposition aided attention-based recurrent neural networks for multistep ahead time-series forecasting of renewable power generation | |
| Li et al. | Short-term wind power prediction based on modal reconstruction and CNN-BiLSTM | |
| CN117196105A (zh) | 人数预测方法、装置、计算机设备、存储介质 | |
| CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及系统 | |
| CN115619563A (zh) | 一种基于神经网络的股票价格分析方法 | |
| CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
| Khetarpal et al. | Power quality disturbance signal segmentation and classification based on modified BI‐LSTM with double attention mechanism | |
| Aliyu et al. | Deep Learning for Multivariate Prediction of Building Energy Performance of Residential Buildings. |
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 |