CN114329861A - 一种基于边际电价的配电网静态拓扑实现方法 - Google Patents
一种基于边际电价的配电网静态拓扑实现方法 Download PDFInfo
- Publication number
- CN114329861A CN114329861A CN202111551526.5A CN202111551526A CN114329861A CN 114329861 A CN114329861 A CN 114329861A CN 202111551526 A CN202111551526 A CN 202111551526A CN 114329861 A CN114329861 A CN 114329861A
- Authority
- CN
- China
- Prior art keywords
- electricity price
- distribution network
- model
- power distribution
- historical
- 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.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000003068 static effect Effects 0.000 title claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于边际电价的配电网静态拓扑实现方法,属于自动化领域。该方法包括以下步骤:S1:整合以SCADA系统采集的大量配网运行拓扑结构和相对应的历史边际电价和时间数据;S2:基于CNN深度神经网络,将历史电价和时间数据为输入,对应配网拓扑作为期望输出,进行学习模型训练;S3:基于LSTM神经网络模型,对未来一天的电价进行预测,得到分时段的预测价格;S4:基于CNN深度神经网络,预测电价作为训练好的模型输入,输出对应的拓扑结构。从宏观的电力市场角度出发,挖掘出边际电价与配电网络拓扑之间的联系,利用历史边际电价数据预测未来电价,为保障电网系统的稳定性和安全性作基础。
Description
技术领域
本发明属于自动化领域,涉及一种基于边际电价的配电网静态拓扑实现方法。
背景技术
随着电力市场的迅速发展,实际的电力系统运行中发现电力能源的分布情况能对实时电能价格产生较大影响。实时电价基于时间序列发生动态变化,以至配电网的运行结构也发生变化,而配电网是电力系统中的重要环节,网络的拓扑结构分析是其稳定和安全运行的基础。在现货电能交易中,使成交电力满足负荷需求最后一个电能供应者的报价为“边际电价”,配电网的拓扑结构与市场边际电价数据紧密联系,采用机器学习、深度学习方法可以挖掘出数据的潜在价值,通过学习推断探索出新关系。
传统的配网拓扑形成主要依赖实体设备的监测,其方法有代数法、搜索法和地理信息法。代数法是邻接矩阵法和关联矩阵法,是将配电网的各线路开关状态用矩阵表示;搜索法是深度搜索法和宽度搜索法,是从配电网的供电以根节点出发搜索其余叶节点;地理信息法是基于地理信息管理系统(GIS)的建模与分析形成配电网拓扑。另外,目前配电网中安装了大量的智能电表,电表可获取电压、电流、有功以及无功功率等大量数据,当前研究者们利用量测数据去辨识配电网拓扑结构。
在大数据时代下,较深入研究的基于量测数据的配网拓扑辨识方法:1.根据电压曲线相似性辨识相邻电表并建立电表位置关系;2.利用Lasso拓扑估计算法计算母线电压时序的关联系数向量,从而寻找节点邻域;3.利用相邻节点的电压降与线路传输功率的关系,寻找每个节点的配对节点。
三种方法各有利弊,均能较正确的辨识出配电网络拓扑结构,但都依赖于智能电表中的量测数据。
针对目前配电网络拓扑实现方法,还存在以下不足:(1)主要依靠从智能设备中获取大量的电压、电流、有功功率以及无功功率等量测数据信息辨识电网拓扑;(2)未从较宏观角度考虑电力市场对配电网系统运行的影响;(3)未挖掘由供需关系决定的实时电价与配电网拓扑的联系。
因电力能源分布情况对电能定价会产生较大的影响,且配电网的拓扑结构与市场电价数据紧密联系,本发明是从电力市场中的边际电价,建立基于学习推断的推理模型,实现对配电网拓扑结构的探测。首先利用机器学习及深度学习方法,学习大量历史边际电价数据与历史电网拓扑信息数据之间的非线性关系;其次,通过历史电价数据预测下一阶段的边际电价;最后,将预测电价通过上述机器学习训练结果推断出当前预测电价下的配电网络拓扑结构。
拓扑推理方法:DNN深度神经网络模型;
电价预测方法:LSMT神经网络模型。
发明内容
有鉴于此,本发明的目的在于提供一种基于边际电价的配电网静态拓扑实现方法。从电力市场角度出发,因边际电价是满足供需要求的最后一个电能供应者的报价,即边际电价反应一定的负荷信息。挖掘边际电价与配电网络拓扑之间的联系,利用历史边际电价数据学习推断出未来配电网络拓扑的结构。
为达到上述目的,本发明提供如下技术方案:
一种基于边际电价的配电网静态拓扑实现方法,该方法包括以下步骤:
S1:整合以SCADA系统采集的大量配网运行拓扑结构和相对应的历史边际电价和时间数据;
S2:基于CNN深度神经网络,将历史电价和时间数据为输入,对应配网拓扑作为期望输出,进行学习模型训练;
S3:基于LSTM神经网络模型,对未来一天的电价进行预测,得到分时段的预测价格;
S4:基于CNN深度神经网络,预测电价作为训练好的模型输入,输出对应的拓扑结构。
可选的,所述LSTM神经网络模型中,x是历史输入数据,y是预测边际电价,T是预测期,LSTM单元的参数更新迭代的方式如下公式所示:
各符号含义:xt代表t时刻输入,⊙代表元素相乘,是sigmoid函数,W代表输入权重,U代表循环权重,V是历史影响权重,遗忘门ft控制信息剔除;输入门it控制信息更新,输出门o控制内部信息输出。
可选的,所述预测边际电价具体为:
F(t)=f(M(t),N(t),K(t)) (2)
①历史边际电价因素M(t):历史电价数据周期性发展变化是未来同时段边际电价预测的基础,每个节点电价改变趋势不同而有所差异;
②环境温度因素N(t):区域的各时段温度值,一定程度上决定负荷量;
③时间因素K(t):时间分为日期和时刻,具有周期性。
可选的,所述配网拓扑为:历史边际电价以及其对应时刻构成初始样本作为DNN深度学习模型输入层的输入,将所对应的配电网络拓扑结构作为模型的期望输出结果;当模型的实际输出与期望输出存在误差时,经过历史数据学习,通过调整误差函数不断对模型迭代优化;在预测推理未来某时刻的配电网络拓扑结构时,用预测出的某一时刻的边际电价作为输入,经过已训练好的CNN深度神经网络模型后,输出当时刻电价下的配电网路拓扑结构;
①为防止CNN模型的深度学习产生过拟合问题,在学习训练模型的损失函数中加入L2正则化项,提高CNN深度神经网络模型的泛化,解决过拟合问题:
损失函数式中,Em为原函数训练的误差值;λ为L2正则化项的系数;ω为DNN模型的权重值;
②在训练和测试DNN模型时,若出现未知的配电网络拓扑结构,首先计算样本与其余样本的方差值,并找出最小值,当最小方差值大于阈值时,标记此未知拓扑结构,然后增量其训练样本的DNN模型,将未知拓扑纳入拓扑知识库。
本发明的有益效果在于:从宏观的电力市场角度出发,挖掘出边际电价与配电网络拓扑之间的联系,利用历史边际电价数据预测未来电价,从而学习推断出未来配电网络拓扑的结构,为保障电网系统的稳定性和安全性作基础。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明流程图;
图2为配电网拓扑辨识关系图;
图3为LSTM神经网络模型结构;
图4为边际电价预测流程图;
图5为DNN神经网络模型;
图6为配电网络拓扑预测流程图;
图7为基于机器学习的配电网拓扑辨识框架。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1~图7,本发明包括以下部分:
(1)整合以SCADA系统采集的大量配网运行拓扑结构和相对应的历史边际电价、时间等数据;
(2)基于CNN深度神经网络,将历史电价、时间数据为输入,对应配网拓扑作为期望输出,进行学习模型训练;
(3)基于LSTM神经网络模型,对未来一天的电价进行预测,得到分时段的预测价格;
(4)基于CNN深度神经网络,预测电价作为训练好的模型输入,可输出对应的拓扑结构.
1、基于LSTM神经网路的电价预测
(1)LSTM神经网络
长短期记忆模型(LSTM)是引入循环体的人工神经网络,较BP神经网络等只能学习端到端之间的映射关系外,还擅长学习基于时间序列的特征。递归神经网络(RNN)不仅包括输入层、隐藏层和输出层的连接,且隐藏层的神经元与当前输入层和上一时刻的隐藏层输出都有关。LSTM在RNN基础上引入一组记忆控制单元(Mus),解决了长时间序列的梯度消失和爆炸问题。
x是历史输入数据,y是预测边际电价,T是预测期,LSTM单元的参数更新迭代的方式如下公式所示:
各符号含义:xt代表t时刻输入,⊙代表元素相乘,是sigmoid函数,W代表输入权重,U代表循环权重,V是历史影响权重,遗忘门ft控制信息剔除;输入门it控制信息更新,输出门o控制内部信息输出。
(2)边际电价预测模型
电力市场的边际电价由许多的相关因素决定,且随日期和时刻不同而变化。因此,预测电力边际电价需要充分考虑历史电价因素和电价的周期性特征,实现边际电价的准确预测。
①历史边际电价因素M(t):历史电价数据周期性发展变化是未来同时段边际电价预测的基础,每个节点电价改变趋势不同而有所差异。
②环境温度因素N(t):区域的各时段温度值,一定程度上决定负荷量,不同的环境温度因素影响的权重也不同。
③时间因素K(t):时间分为日期和时刻,具有周期性。工作日或节假日、白天或深夜等,不同的时间特征对边际电价预测结果有较大不同。
F(t)=f(M(t),N(t),K(t)) (2)
边际电价预测模型是基于多时间多因素条件下的LSTM网络模型,可分别从温度、小时、日期、是否节假日以及一天前同时刻的电价、一周前同时刻电价等特征进行学习。针对边际电价变化的时序特征,采用分段历史时序电价模式去预测未来某个时刻的电价。
2、基于DNN深度神经网络的配电网拓扑推理模型
(1)DNN神经网络
DNN神经网络是具有多层隐藏层的深度神经网络,所有神经单元全连接结构,可将低维特征数据组合并抽象为高维特征,可以挖掘出各特征之间更加深层次的关系。隐藏层采用ReLU函数作为深度神经网络的激活函数,同时输出层才用Softmax函数归一化处理后输出结果。
以历史边际电价数据和相对应的时间数据作为输入层的特征个数,以不同配电网络拓扑结构类型作为输出层神经元的个数,构建DNN学习模型需确定其隐藏层的层数和神经元的个数。
(2)配电网拓扑推理模型
历史边际电价以及其对应时刻构成初始样本作为DNN深度学习模型输入层的输入,将所对应的配电网络拓扑结构作为模型的期望输出结果。当模型的实际输出与期望输出存在误差时,经过大量历史数据学习,通过调整误差函数不断对模型迭代优化。在预测推理未来某时刻的配电网络拓扑结构时,用上述预测出的某一时刻的边际电价作为输入,经过已训练好的CNN深度神经网络模型后,即可输出当时刻电价下的配电网路拓扑结构。
①为防止CNN模型的深度学习产生过拟合问题,在学习训练模型的损失函数中加入L2正则化项,提高了CNN深度神经网络模型的泛化,同时能解决一定的过拟合问题:
损失函数式中,Em为原函数训练的误差值;λ为L2正则化项的系数;ω为DNN模型的权重值。
②在训练和测试DNN模型时,若出现未知的配电网络拓扑结构,首先计算对此样本与其余样本的方差值,并找出最小值,当最小方差值大于阈值时,标记此未知拓扑结构,然后增量其训练样本的DNN模型,将未知拓扑纳入拓扑知识库,此方法可解决出现新的发电厂等情况。
基于上述一种基于边际电价的配电网静态拓扑实现方法,首先通过电力市场价格、气象系统、SCADA系统等获取数据,然后
(1)先对获取的数据进行缺失异常处理,历史边际电价作为输入,通过CNN深度神经网络所构建的电网拓扑推理模型进行学习训练;
(2)根据获取数据作为输入,通过长短期记忆(LSTM)神经网络电价预测模型进行学习训练,对未来某时刻边际电价进行预测;
(3)根据已预测出的边际电价数据,通过已训练好的CNN深度神经网络拓扑模型,可得出当前边际电价下的配电网拓扑结构。
因配电网的拓扑结构与市场电价数据紧密联系,本发明中可基于电力市场中的边际电价数据,建立基于“学习推断”的推理模型,实现配电网拓扑结构的探测。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于边际电价的配电网静态拓扑实现方法,其特征在于:该方法包括以下步骤:
S1:整合以SCADA系统采集的大量配网运行拓扑结构和相对应的历史边际电价和时间数据;
S2:基于CNN深度神经网络,将历史电价和时间数据为输入,对应配网拓扑作为期望输出,进行学习模型训练;
S3:基于LSTM神经网络模型,对未来一天的电价进行预测,得到分时段的预测价格;
S4:基于CNN深度神经网络,预测电价作为训练好的模型输入,输出对应的拓扑结构。
3.根据权利要求2所述的一种基于边际电价的配电网静态拓扑实现方法,其特征在于:所述预测边际电价具体为:
F(t)=f(M(t),N(t),K(t)) (2)
①历史边际电价因素M(t):历史电价数据周期性发展变化是未来同时段边际电价预测的基础,每个节点电价改变趋势不同而有所差异;
②环境温度因素N(t):区域的各时段温度值,一定程度上决定负荷量;
③时间因素K(t):时间分为日期和时刻,具有周期性。
4.根据权利要求3所述的一种基于边际电价的配电网静态拓扑实现方法,其特征在于:所述配网拓扑为:历史边际电价以及其对应时刻构成初始样本作为DNN深度学习模型输入层的输入,将所对应的配电网络拓扑结构作为模型的期望输出结果;当模型的实际输出与期望输出存在误差时,经过历史数据学习,通过调整误差函数不断对模型迭代优化;在预测推理未来某时刻的配电网络拓扑结构时,用预测出的某一时刻的边际电价作为输入,经过已训练好的CNN深度神经网络模型后,输出当时刻电价下的配电网路拓扑结构;
①为防止CNN模型的深度学习产生过拟合问题,在学习训练模型的损失函数中加入L2正则化项,提高CNN深度神经网络模型的泛化,解决过拟合问题:
损失函数式中,Em为原函数训练的误差值;λ为L2正则化项的系数;ω为DNN模型的权重值;
②在训练和测试DNN模型时,若出现未知的配电网络拓扑结构,首先计算样本与其余样本的方差值,并找出最小值,当最小方差值大于阈值时,标记此未知拓扑结构,然后增量其训练样本的DNN模型,将未知拓扑纳入拓扑知识库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111551526.5A CN114329861B (zh) | 2021-12-17 | 2021-12-17 | 一种基于边际电价的配电网静态拓扑实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111551526.5A CN114329861B (zh) | 2021-12-17 | 2021-12-17 | 一种基于边际电价的配电网静态拓扑实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114329861A true CN114329861A (zh) | 2022-04-12 |
CN114329861B CN114329861B (zh) | 2024-03-22 |
Family
ID=81052794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111551526.5A Active CN114329861B (zh) | 2021-12-17 | 2021-12-17 | 一种基于边际电价的配电网静态拓扑实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114329861B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598386A (zh) * | 2018-12-12 | 2019-04-09 | 国网山东省电力公司临沂供电公司 | 一种基于深度学习的配网优化精准分析方法及系统 |
US20190228351A1 (en) * | 2018-01-23 | 2019-07-25 | Erik M. Simpson | Electronic forward market exchange for transportation seats and capacity in transportation spaces and vehicles |
CN110598931A (zh) * | 2019-09-12 | 2019-12-20 | 清华大学 | 基于图卷积的节点电价预测方法及装置 |
CN111654025A (zh) * | 2020-06-12 | 2020-09-11 | 国网河北省电力有限公司经济技术研究院 | 考虑配网间互联的输配一体化协调调度方法 |
CN112488418A (zh) * | 2020-12-14 | 2021-03-12 | 中国南方电网有限责任公司 | 一种全拓扑负荷预测方法、装置及计算机设备 |
-
2021
- 2021-12-17 CN CN202111551526.5A patent/CN114329861B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190228351A1 (en) * | 2018-01-23 | 2019-07-25 | Erik M. Simpson | Electronic forward market exchange for transportation seats and capacity in transportation spaces and vehicles |
CN109598386A (zh) * | 2018-12-12 | 2019-04-09 | 国网山东省电力公司临沂供电公司 | 一种基于深度学习的配网优化精准分析方法及系统 |
CN110598931A (zh) * | 2019-09-12 | 2019-12-20 | 清华大学 | 基于图卷积的节点电价预测方法及装置 |
CN111654025A (zh) * | 2020-06-12 | 2020-09-11 | 国网河北省电力有限公司经济技术研究院 | 考虑配网间互联的输配一体化协调调度方法 |
CN112488418A (zh) * | 2020-12-14 | 2021-03-12 | 中国南方电网有限责任公司 | 一种全拓扑负荷预测方法、装置及计算机设备 |
Non-Patent Citations (3)
Title |
---|
DAE-HYUN CHOI 等: "Impact of power system network topology errors on real-time locational marginal price", 《JOURNAL OF MODERN POWER SYSTEMS AND CLEAN ENERGY》, 4 February 2017 (2017-02-04), pages 797 - 809 * |
何凯;王剑晓;王佳伟;李强;王尧;邢亚虹;钟海旺;: "基于全成本电价的电网规划方案评估与优选", 中国电力, no. 03, 5 March 2020 (2020-03-05), pages 66 - 75 * |
安然: "基于随机矩阵理论的配电网无功优化方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 3, 15 March 2021 (2021-03-15), pages 042 - 470 * |
Also Published As
Publication number | Publication date |
---|---|
CN114329861B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wen et al. | Load demand forecasting of residential buildings using a deep learning model | |
Guo et al. | A deep learning model for short-term power load and probability density forecasting | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
Correa-Jullian et al. | Assessment of deep learning techniques for prognosis of solar thermal systems | |
Zhou et al. | Comparison of machine-learning models for predicting short-term building heating load using operational parameters | |
Kheirandish et al. | Dynamic fuzzy cognitive network approach for modelling and control of PEM fuel cell for power electric bicycle system | |
Zhang et al. | Problem of data imbalance in building energy load prediction: Concept, influence, and solution | |
Verma et al. | A comprehensive review on the nilm algorithms for energy disaggregation | |
Pranolo et al. | Robust LSTM With tuned-PSO and bifold-attention mechanism for analyzing multivariate time-series | |
Mpawenimana et al. | A comparative study of LSTM and ARIMA for energy load prediction with enhanced data preprocessing | |
US20230324860A1 (en) | Estimating Energy Consumption for a Building Using Dilated Convolutional Neural Networks | |
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 | |
Chen et al. | MultiCycleNet: multiple cycles self-boosted neural network for short-term electric household load forecasting | |
Yuan et al. | A multi-timescale smart grid energy management system based on adaptive dynamic programming and Multi-NN Fusion prediction method | |
Li et al. | Photovoltaic power prediction method for zero energy consumption buildings based on multi-feature fuzzy clustering and MAOA-ESN | |
CN116845889A (zh) | 一种基于层次化超图神经网络的电力负载预测方法 | |
Liu et al. | Multi-stage residual life prediction of aero-engine based on real-time clustering and combined prediction model | |
Ibrahim et al. | LSTM neural network model for ultra-short-term distribution zone substation peak demand prediction | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
Shachee et al. | Electrical energy consumption prediction using lstm-rnn | |
Fan et al. | Use of weighted local constant method to short-term forecasting of electric load in cities at weekends | |
CN114329861B (zh) | 一种基于边际电价的配电网静态拓扑实现方法 | |
Yang et al. | Assessment of regional-scale geothermal production based on a hybrid deep learning model: A case study of the southern Songliao Basin, China | |
CN116774086A (zh) | 一种基于多传感器数据融合的锂电池健康状态估计方法 | |
Kang et al. | Satellite power system state prediction based on online learning with parameter association rules |
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 | ||
GR01 | Patent grant |