CN114266602A - 电力物联网多源数据融合的深度学习电价预测方法和装置 - Google Patents
电力物联网多源数据融合的深度学习电价预测方法和装置 Download PDFInfo
- Publication number
- CN114266602A CN114266602A CN202111619910.4A CN202111619910A CN114266602A CN 114266602 A CN114266602 A CN 114266602A CN 202111619910 A CN202111619910 A CN 202111619910A CN 114266602 A CN114266602 A CN 114266602A
- Authority
- CN
- China
- Prior art keywords
- electricity price
- historical
- fusion
- predicted
- power 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种电力物联网多源数据融合的深度学习电价预测方法和装置,包括:获取目标区域内各个地区的预设时间段的预测电价,其中预测电价由预先分别布置于各个地区的电价预测模型对相应的历史电价数据集进行预测得到;然后获取各个地区的历史电力负荷均值;对历史电力负荷均值进行融合权重计算,以得到各个地区历史负荷均值相应的融合权重;基于融合权重对预测电价进行融合计算,以得到预设时间段的最终预测电价。本申请通过融合计算进行电价的预测,避免了数据的大规模的传输,能够有效缓解对通信带宽和相应计算机资源的压力。
Description
本申请要求2021年12月03日提交中国专利局、申请号为202111469258.2、发明名称为“电力物联网多源数据融合的深度学习电价预测方法和装置”的中国专利申请的优先权,其全部内容通过引用结合在本申请中。
技术领域
本申请属于信息融合技术领域,具体涉及电力物联网多源数据融合的深度学习电价预测方法和装置。
背景技术
现阶段大多数地区的电力价格是固定的而非动态实时的,容易造成用电地区和用电时间的不平衡。而通过实时电价预测来应对某些特定时间段内电力不足或过剩事件的发生,在保证电力系统的安全性和稳定性上有着重要的作用。
目前在实时电价的预测上,主要采用基于数据集集合的机器学习模型和神经网络模型进行实时电价的预测,需要对数据进行大规模的传输从而集中的进行处理,这将对通信带宽和相应的计算机资源带来非常大的压力,增加了通信的成本。
发明内容
为了解决现有技术存在的通信压力大、通信成本高的问题,本申请提供了一种电力物联网多源数据融合的深度学习电价预测方法和装置,其具有减少数据传输、通信成本更低等特点
根据本申请具体实施方式提供的一种电力物联网多源数据融合的深度学习电价预测方法,包括:
获取目标区域内各个地区的预设时间段的预测电价,所述预测电价由预先分别布置于各个地区的电价预测模型对相应的历史电价数据集进行预测得到;
获取各个地区的历史电力负荷均值;
对所述历史电力负荷均值进行融合权重计算,以得到各个地区历史负荷均值相应的融合权重;
基于所述融合权重对所述预测电价进行融合计算,以得到所述预设时间段的最终预测电价。
进一步地,所述电价预测模型包括由所述历史电价数据集训练至收敛的长短期记忆模型。
进一步地,所述长短期记忆模型的构建过程包括:
基于预设机器学习平台搭建电价预测模型,并设定相应的结构参数;
将所述历史电价数据集输入至所述电价预测模型进行训练,并基于早停法对训练过程进行优化,以得到所述长短期记忆模型。
进一步地,所述基于预设机器学习平台搭建电价预测模型,并设定相应的结构参数,包括:
基于预设深度学习框架,搭建预设层数的电价预测模型;
对包括激活函数、优化函数为、学习率、损失函数、输入层节点数、隐藏层的节点数和输出层节点数在内的所述结构参数进行设定。
进一步地,所述将所述历史电价数据集输入至所述电价预测模型进行训练,并基于早停法对训练过程进行优化,以得到所述长短期记忆模型,包括:
对模型训练的每次迭代的样本个数、验证集的切分比例和最大迭代次数进行设定;
基于所述早停法对迭代训练的过程进行监控,以对迭代训练的次数进行控制。
进一步地,所述获取各个地区的历史电力负荷均值,包括:
对各个地区年度的电力负荷信息进行采集,并计算年度电力负荷均值,将所述年度电力负荷均值作为所述历史电力负荷均值。
进一步地,所述对所述历史电力负荷均值进行融合权重计算,以得到各个地区历史负荷均值相应的融合权重,包括:
基于归一化指数函数对各个地区的历史电力负荷均值进行计算,以得到对应的融合权重。
进一步地,所述基于所述融合权重对所述预测电价进行融合计算,以得到所述预设时间段的最终预测电价,包括:
对所述预测电价和相应的所述融合权重,进行决策级融合计算以得到所述最终预测电价。
进一步地,所述历史电价数据集的获取过程,包括:
对采集的本地的历史电价信息进行去噪处理,以去除所述历史电价信息中的异常数据;
对去噪处理后的历史电价信息进行归一化处理,以将不同量纲的数据映射到预设区间内得到所述历史电价数据集。
根据本申请具体实施方式提供的一种电力物联网多源数据融合的深度学习电价预测装置,包括:
电价预测模块,用于获取目标区域内各个地区的预设时间段的预测电价,所述预测电价由预先分别布置于各个地区的电价预测模型对相应的历史电价数据集进行预测得到;
采集模块,用于获取各个地区的历史电力负荷均值;
权重计算模块,用于对所述历史电力负荷均值进行融合权重计算,以得到各个地区历史负荷均值相应的融合权重;以及
融合模块,用于基于所述融合权重对所述预测电价进行融合计算,以得到所述预设时间段的最终预测电价。
本申请的有益效果为:首先获取目标区域内各个地区的预设时间段的预测电价,其中预测电价由预先分别布置于各个地区的电价预测模型对相应的历史电价数据集进行预测得到,从而有效减少各个地区向中心服务器的数据的传输;再获取各个地区的历史电力负荷均值;对历史电力负荷均值进行融合权重计算,以得到各个地区历史负荷均值相应的融合权重;最后基于融合权重对预测电价进行融合计算,以得到预设时间段的最终预测电价。通过融合计算进行电价的预测,避免了数据的大规模的传输,能够有效缓解对通信带宽和相应计算机资源的压力。
附图说明
为了更清楚地说明本申请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,下面描述中的附图仅仅是本申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1是根据一示例性实施例提供的电力物联网多源数据融合的深度学习电价预测方法的流程图;
图2是根据一示例性实施例提供的电力物联网多源数据融合的深度学习电价预测方法的另一流程图;
图3是根据一示例性实施例提供的电力物联网多源数据融合的深度学习电价预测装置的结构图。
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,所描述的实施例仅仅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。
参照图1所示,本申请的实施例提供了一种电力物联网多源数据融合的深度学习电价预测方法,该方法具体包括以下步骤:
101、获取目标区域内各个地区的预设时间段的预测电价,其中预测电价由预先分别布置于各个地区的电价预测模型对相应的历史电价数据集进行预测得到;
例如在同一省份中的各个城市中可分别搭建由神经网络构成的电价预测模型,并使用本地的历史电价信息对电价预测模型进行训练,然后使用训练好的电价预测模型对输入的目标的历史电价数据集进行预测,进而得到预设时间段如未来半小时的预测电价。
102、获取各个地区的历史电力负荷均值;
如通过各个城市的电力系统的统计信息,进而获取该城市一年的历史电力负荷均值。
103、对历史电力负荷均值进行融合权重计算,以得到各个地区历史负荷均值相应的融合权重;
104、基于融合权重对预测电价进行融合计算,以得到预设时间段的最终预测电价。
通过计算决策级融合权重,对各个城市的预测电价进行决策级融合计算,得到该省份未来电价的最终预测结果。
这样通过融合计算进行电价的预测,避免了数据的大规模的传输,能够有效缓解对通信带宽和相应计算机资源的压力。
作为上述实施例可行的实现方式,电价预测模型包括由历史电价数据集训练至收敛的长短期记忆模型。
长短期记忆模型的构建过程包括:
基于预设机器学习平台搭建电价预测模型,并设定相应的结构参数;
将历史电价数据集输入至电价预测模型进行训练,并基于早停法对训练过程进行优化,以得到所述长短期记忆模型。
具体的,基于开源机器学习平台TensorFlow,搭建LSTM电价预测模型PL,并设定模型结构参数。将数据集Datacity输入LSTM模型,进行迭代训练,并采用早停法(EarlyStopping)提高模型的泛化能力,得到完成训练的模型PL′。
其中基于预设机器学习平台搭建电价预测模型,并设定相应的结构参数,包括:
基于预设深度学习框架,搭建预设层数的电价预测模型;
对包括激活函数、优化函数为、学习率、损失函数、输入层节点数、隐藏层的节点数和输出层节点数在内的所述结构参数进行设定。
采用Keras作为深度学习框架,搭建五层LSTM电价预测模型PL,LSTM为RNN的变体,可以有效解决RNN存在的长期依赖问题。
当流量信息通过LSTM时首先会经过遗忘门,遗忘门可以衡量过去记忆的重要性,将上一时刻与本时刻的信息共同输入非线性激活函数中,得到ft∈[0,1],用于决定过去的信息应该被保存或是遗忘,遗忘门的公式如下:
ft=σ(Wf·[ht-1,xt]+bf)
其中,Wf为权重矩阵,bf为偏置,ht-1表示上一时刻单元状态的输出,xt则表示当前时刻的输入,信息在经过遗忘门之后会流经输入门,输入门可以计算输入信息的重要性,通过激活函数得到it∈[0,1],用于决定经过tanh函数压缩至-1到+1之间的信息是否需要更新,输入门的公式如下:
it=σ(Wi·[ht-1,xt]+bi)
其中,Wi为权重矩阵,bi为偏置,ht-1表示上一时刻单元状态的输出,xt则表示当前时刻的输入,最后通过输出门计算更新后的记忆对于下一个隐藏层的重要性,从而决定输入下一个隐藏层的信息。输出门的公式如下:
ot=σ(Wo·[ht-1,xt]+bo)
其中,Wo为权重矩阵,bo为偏置,ht-1表示上一时刻单元状态的输出,xt则表示当前时刻的输入,通过以上三个门结构,可以有效化解RNN存在的长期依赖问题;
其中搭建的PL模型的结构参数,设定模型的激活函数为elu,优化函数为Adam,学习率lr=0.01,损失函数为mean_squared_error,同时,设置输入层节点数为128,三个隐藏层的节点数分别为(32,16,8),输出层节点为1。
将历史电价数据集输入至电价预测模型进行训练,并基于早停法对训练过程进行优化,以得到所述长短期记忆模型,包括:
对模型训练的每次迭代的样本个数、验证集的切分比例和最大迭代次数进行设定;
基于早停法对迭代训练的过程进行监控,以对迭代训练的次数进行控制。
具体的,设定模型PL每一次迭代训练的样本个数为32,验证集的切分比例为0.3,最大迭代次数为200;
采用早停法(Early Stopping),设定监控的数据接口为monitor=val_mean_absolute_error,变化阈值为min_delta=0.01,容忍迭代数patience=15;
最后将数据集Datacity输入LSTM模型,进行迭代训练,当监控的数据接口的变化大于min_dalta时,才算做improvement,若没有improvement的迭代次数超过patience,则提前停止迭代训练,并保存训练好的模型PL′。
利用训练完成的模型PL′,预测本地未来半小时的电价信息,得到预测结果为Predictcity(city=A,B,…,N);
然后采集本地历史电力负荷信息,并计算出本地过去一年的电力负荷均值Lcity。
利用上述各个城市上传至云端中心的电力负荷均值Lcity,使用Softmax函数计算获得对应的融合权重W,融合权重的计算公式如下:
结合上述各个城市上传至云端中心的电价预测结果Predictcity和得出的融合权重W,进行决策级融合计算,决策级融合的计算公式如下:
Electricit_Price=∑(W′city·Predictcity)
最终,得到该省份未来电价的最终预测结果PRICE。
参照图2所示,在本申请的一些具体实施例中,还包括获取各个地区的历史电力负荷均值,具体包括:
对各个地区年度的电力负荷信息进行采集,并计算年度电力负荷均值,将所述年度电力负荷均值作为历史电力负荷均值。
其中对历史电力负荷均值进行融合权重计算,以得到各个地区历史负荷均值相应的融合权重,包括:
基于归一化指数函数对各个地区的历史电力负荷均值进行计算,以得到对应的融合权重。
其中包括对采集的本地的历史电价信息进行去噪处理,以去除历史电价信息中的异常数据;
对去噪处理后的历史电价信息进行归一化处理,以将不同量纲的数据映射到预设区间内得到历史电价数据集
具体的,在一具体实现方式中,对本地采集的历史电价信息进行去噪,查找出其中电价小于0和大于200的异常数据并删除,再利用前一天中同一时刻的数据对缺失数据进行填充。
得到的去噪电价数据进行归一化处理,将不同量纲的数据映射到[0,1]区间内,形成数据集Datacity,归一化处理的计算公式如下:
其中X为电价信息的属性集合,包含n个元素,xi∈X,min和max函数则分别返回集合X中的最小和最大值。
然后基于融合权重对预测电价进行融合计算,以得到预设时间段的最终预测电价,包括:
对预测电价和相应的融合权重,进行决策级融合计算以得到最终预测电价。
这样使得同一省份中的各个城市采集本地历史电价信息,经过数据预处理后形成数据集Datacity(city=A,B,…,N),在本地搭建LSTM模型PL后,利用数据集Datacity迭代训练LSTM模型,得到模型PL′,再用模型PL′预测本地未来半小时的电价信息Predictcity(city=A,B,…,N),最后各个城市将电力负荷均值Lcity(city=A,B,…,N)以及预测电价上传至云端进行计算,进而有效减少了数据的传输,降低了通信的成本。在云端利用上传的电力负荷均值Lcity计算决策级融合权重W,再结合上传的预测电价Predictcity进行决策级融合,最终获得该省份未来电价的最终预测结果PRICE。
基于同样的设计思路,参照图3所示,本申请的实施例还提供了一种电力物联网多源数据融合的深度学习电价预测装置,用于执行上述实施例所提供的电力物联网多源数据融合的深度学习电价预测方法的各个步骤,该装置可以包括:
电价预测模块1,用于获取目标区域内各个地区的预设时间段的预测电价,预测电价由预先分别布置于各个地区的电价预测模型对相应的历史电价数据集进行预测得到;
采集模块2,用于获取各个地区的历史电力负荷均值;
权重计算模块3,用于对历史电力负荷均值进行融合权重计算,以得到各个地区历史负荷均值相应的融合权重;以及
融合模块4,用于基于融合权重对预测电价进行融合计算,以得到预设时间段的最终预测电价。
本实施例所提供的电力物联网多源数据融合的深度学习电价预测装置具有和上述实施例所提供的电力物联网多源数据融合的深度学习电价预测方法的相同的有益效果,该装置的具体实现方式可参照电力物联网多源数据融合的深度学习电价预测方法的具体实现方式,本申请在此不再赘述。
本申请上述实施例所提供的电力物联网多源数据融合的深度学习电价预测方法和装置,通过采用边缘云的分布式的数据采集方式,既能有效的获取数据,也能利用边缘服务器对数据进行处理,减少通讯成本,提高时效性和预测的准确性。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请各实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减,各实施例中记载的技术特征可以进行替换或者组合。
本申请各实施例种装置及终端中的模块和子模块可以根据实际需要进行合并、划分和删减。
本申请所提供的几个实施例中,应该理解到,所揭露的终端,装置和方法,可以通过其它的方式实现。例如,以上所描述的终端实施例仅仅是示意性的,例如,模块或子模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个子模块或模块可以结合或者可以集成到另一个模块,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块或子模块可以是或者也可以不是物理上分开的,作为模块或子模块的部件可以是或者也可以不是物理模块或子模块,即可以位于一个地方,或者也可以分布到多个网络模块或子模块上。可以根据实际的需要选择其中的部分或者全部模块或子模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块或子模块可以集成在一个处理模块中,也可以是各个模块或子模块单独物理存在,也可以两个或两个以上模块或子模块集成在一个模块中。上述集成的模块或子模块既可以采用硬件的形式实现,也可以采用软件功能模块或子模块的形式实现。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件单元,或者二者的结合来实施。软件单元可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种电力物联网多源数据融合的深度学习电价预测方法,其特征在于,包括:
获取目标区域内各个地区的预设时间段的预测电价,所述预测电价由预先分别布置于各个地区的电价预测模型对相应的历史电价数据集进行预测得到;
获取各个地区的历史电力负荷均值;
对所述历史电力负荷均值进行融合权重计算,以得到各个地区历史负荷均值相应的融合权重;
基于所述融合权重对所述预测电价进行融合计算,以得到所述预设时间段的最终预测电价。
2.根据权利要求1所述的方法,其特征在于,所述电价预测模型包括由所述历史电价数据集训练至收敛的长短期记忆模型。
3.根据权利要求2所述的方法,其特征在于,所述长短期记忆模型的构建过程包括:
基于预设机器学习平台搭建电价预测模型,并设定相应的结构参数;
将所述历史电价数据集输入至所述电价预测模型进行训练,并基于早停法对训练过程进行优化,以得到所述长短期记忆模型。
4.根据权利要求3所述的方法,其特征在于,所述基于预设机器学习平台搭建电价预测模型,并设定相应的结构参数,包括:
基于预设深度学习框架,搭建预设层数的电价预测模型;
对包括激活函数、优化函数为、学习率、损失函数、输入层节点数、隐藏层的节点数和输出层节点数在内的所述结构参数进行设定。
5.根据权利要求3所述的方法,其特征在于,所述将所述历史电价数据集输入至所述电价预测模型进行训练,并基于早停法对训练过程进行优化,以得到所述长短期记忆模型,包括:
对模型训练的每次迭代的样本个数、验证集的切分比例和最大迭代次数进行设定;
基于所述早停法对迭代训练的过程进行监控,以对迭代训练的次数进行控制。
6.根据权利要求1所述的方法,其特征在于,所述获取各个地区的历史电力负荷均值,包括:
对各个地区年度的电力负荷信息进行采集,并计算年度电力负荷均值,将所述年度电力负荷均值作为所述历史电力负荷均值。
7.根据权利要求6所述的方法,其特征在于,所述对所述历史电力负荷均值进行融合权重计算,以得到各个地区历史负荷均值相应的融合权重,包括:
基于归一化指数函数对各个地区的历史电力负荷均值进行计算,以得到对应的融合权重。
8.根据权利要求7所述的方法,其特征在于,所述基于所述融合权重对所述预测电价进行融合计算,以得到所述预设时间段的最终预测电价,包括:
对所述预测电价和相应的所述融合权重,进行决策级融合计算以得到所述最终预测电价。
9.根据权利要求1至8任一项所述的方法,其特征在于,所述历史电价数据集的获取过程,包括:
对采集的本地的历史电价信息进行去噪处理,以去除所述历史电价信息中的异常数据;
对去噪处理后的历史电价信息进行归一化处理,以将不同量纲的数据映射到预设区间内得到所述历史电价数据集。
10.一种电力物联网多源数据融合的深度学习电价预测装置,其特征在于,包括:
电价预测模块,用于获取目标区域内各个地区的预设时间段的预测电价,所述预测电价由预先分别布置于各个地区的电价预测模型对相应的历史电价数据集进行预测得到;
采集模块,用于获取各个地区的历史电力负荷均值;
权重计算模块,用于对所述历史电力负荷均值进行融合权重计算,以得到各个地区历史负荷均值相应的融合权重;以及
融合模块,用于基于所述融合权重对所述预测电价进行融合计算,以得到所述预设时间段的最终预测电价。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111469258 | 2021-12-03 | ||
CN2021114692582 | 2021-12-03 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114266602A true CN114266602A (zh) | 2022-04-01 |
Family
ID=80830869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111619910.4A Pending CN114266602A (zh) | 2021-12-03 | 2021-12-27 | 电力物联网多源数据融合的深度学习电价预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266602A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841293A (zh) * | 2022-07-04 | 2022-08-02 | 国网信息通信产业集团有限公司 | 一种面向电力物联网的多模态数据融合分析方法与系统 |
CN115641175A (zh) * | 2022-12-26 | 2023-01-24 | 国能日新科技股份有限公司 | 新能源电站的中长期电力交易辅助决策确定方法和装置 |
CN118469617A (zh) * | 2024-07-10 | 2024-08-09 | 山西深电能科技有限公司 | 一种基于多维电力数据的电价预测方法及系统 |
-
2021
- 2021-12-27 CN CN202111619910.4A patent/CN114266602A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841293A (zh) * | 2022-07-04 | 2022-08-02 | 国网信息通信产业集团有限公司 | 一种面向电力物联网的多模态数据融合分析方法与系统 |
CN115641175A (zh) * | 2022-12-26 | 2023-01-24 | 国能日新科技股份有限公司 | 新能源电站的中长期电力交易辅助决策确定方法和装置 |
CN118469617A (zh) * | 2024-07-10 | 2024-08-09 | 山西深电能科技有限公司 | 一种基于多维电力数据的电价预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
Dong et al. | Hourly energy consumption prediction of an office building based on ensemble learning and energy consumption pattern classification | |
CN109902801B (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
CN114266602A (zh) | 电力物联网多源数据融合的深度学习电价预测方法和装置 | |
Wang et al. | Wind speed forecasting based on multi-objective grey wolf optimisation algorithm, weighted information criterion, and wind energy conversion system: A case study in Eastern China | |
Wu et al. | Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm | |
CN112488396A (zh) | 基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法 | |
Wang et al. | Prediction of air pollution interval based on data preprocessing and multi-objective dragonfly optimization algorithm | |
Sengar et al. | Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm | |
CN111241755A (zh) | 电力负荷预测方法 | |
CN112613642B (zh) | 应急物资需求预测方法和装置、存储介质及电子设备 | |
CN116739562A (zh) | 一种基于lstm的配电网稳定性运维方法 | |
Sundararajan et al. | Regression and generalized additive model to enhance the performance of photovoltaic power ensemble predictors | |
CN114399101A (zh) | 基于tcn-bigru的燃气负荷预测方法和装置 | |
CN116757465A (zh) | 一种基于双训练权重分配模型的线路风险评估方法及装置 | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
CN117236571B (zh) | 一种基于物联网的规划方法和系统 | |
Sareen et al. | A robust De-Noising Autoencoder imputation and VMD algorithm based deep learning technique for short-term wind speed prediction ensuring cyber resilience | |
Li et al. | Short-term probabilistic load forecasting method based on uncertainty estimation and deep learning model considering meteorological factors | |
CN117934135A (zh) | 一种网点运营管理方法、装置、电子设备及存储介质 | |
CN113112085A (zh) | 一种基于bp神经网络的新能源场站发电负荷预测方法 | |
CN117472511A (zh) | 容器资源监控方法、装置、计算机设备和存储介质 | |
CN113344290B (zh) | 基于U-Net网络的次季节降水气象预报订正方法 | |
CN114629103A (zh) | 一种基于inception结构负荷分解模型的楼宇负荷分解方法 | |
CN111105148A (zh) | 离职概率评估方法、装置及计算机可读存储介质 |
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 |