CN114358449A - 基于图神经网络的电动汽车充电负荷时空分布预测方法 - Google Patents
基于图神经网络的电动汽车充电负荷时空分布预测方法 Download PDFInfo
- Publication number
- CN114358449A CN114358449A CN202210276522.9A CN202210276522A CN114358449A CN 114358449 A CN114358449 A CN 114358449A CN 202210276522 A CN202210276522 A CN 202210276522A CN 114358449 A CN114358449 A CN 114358449A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- space
- charging load
- graph neural
- 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
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
- 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
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明涉及基于图神经网络的电动汽车充电负荷时空分布预测方法,通过获取待预测点所在区域的电动汽车的历史负荷数据和天气数据考虑,并对天气数据进行降维处理,同时基于降维处理后的天气预报数据和电动汽车的历史负荷数据得到特征数据;再将所述降维后的特征数据带入训练完成的图神经网络模型,得到电动汽车充电负荷时空分布。本发明实现了电动汽车充电负荷时空分布预测,能够得到了城市内充电负荷潜在分布情况,且本发明提供的充电负荷时空预测方法和现有的深度神经网络预测算法相比,预测精度更高,对支持电网对电动汽车充电负荷实现有序管理、保证电网安全稳定运行具有重要意义。
Description
技术领域
本发明属于电动汽车充电负荷预测领域,尤其是基于图神经网络的电动汽车充电负荷时空分布预测方法。
背景技术
近年来,在能源转型的政策支持下,电动汽车行业发展迅速。随着电动汽车保有量逐年增加,大量电动汽车接入电网,其充电负荷具有高度随机性,可能影响电网的安全稳定运行。与此同时,电网侧可基于分时电价等方法主动调控电动汽车充电负荷的时空分布,从而降低充电汽车充电负荷随机性的影响。因此,亟需对电动汽车充电负荷的时空分布进行准确预测,挖掘电动汽车充电负荷在电网需求响应中的潜力,实现对电动汽车充电负荷的主动管理,提高配电网的安全稳定性。然而,电动汽车充电功率的时空分布受多种社会因素与人为因素影响,输入特征更为复杂。天气、电价、交通情况、用户行为偏好等因素均可能影响电动汽车充放电功率的时空分布,难以采用传统的物理模型进行准确描述。而数据驱动方法无需具体的物理模型,而直接从历史数据中获取预测目标的隐藏信息,具有更加强大的非线性映射能力。基于数据驱动方法的电动汽车充电负荷预测具有广阔的应用前景,亟需根据电动汽车充电负荷时空分布的特点提取更加精炼的特征,提高预测效率与精度。
目前电动汽车充电负荷预测大多以城市数值天气预报和总体历史充电信息为支撑。该预测方式能够提取城市总体电动汽车充电负荷的时序特征,但未能考虑城市内部不同区域之间的充电负荷关联性,无法体现电动汽车作为交通工具的空间特征。而电动汽车充电负荷时空分布预测则能够提取电动汽车在交通网内转移的空间特征,兼顾汽车作为交通工具与电器设备的双重特性,为城市整体电动汽车充电负荷需求的时空分布提供参考,从而指导城市配电网调度系统引导各区域电动汽车有序充电。因此,如何根据城市内各区域间车辆移动的特点研究电动汽车充电负荷时空预测方法,已经成为了电动汽车有序充电管理的重要前提。
发明内容
本发明的目的在于克服现有技术的不足,提出基于图神经网络的电动汽车充电负荷时空分布预测方法,通过构建包含图结构的神经网络,并提出其前向计算的卷积方法,使得模型最终能够准确预测城市电动汽车的充电负荷时空分布,指导调度系统如何引导各区域电动汽车有序充电。
本发明解决其技术问题是采取以下技术方案实现的:
基于图神经网络的电动汽车充电负荷时空分布预测方法,包括以下步骤:
步骤1、获取待预测城市的天气预报数据和城市内部各区域的电动汽车历史充电负荷数据,并对获取的数据进行归一化处理;
步骤2、对步骤1进行归一化处理的天气预报数据进行降维处理,得到天气预报数据以及历史充电负荷数据的特征数据;
步骤3、将步骤2中得到的特征数据带入构建的图神经网络模型中,得到待预测城市的电动汽车充电负荷时空分布。
而且,所述步骤1的具体实现方法为:从预测点所处城市的气象站获取天气预报数据,天气预报数据包括:预测点所处城市的天气类型、气温、湿度、风速、大气压强、空气质量指数和天空能见度;电动汽车历史充电负荷数据为预测点区域各拓扑节点的前若干个负荷记录值,并对获取的数据进行归一化处理。
而且,所述归一化处理的具体方法为:
而且,所述步骤3的具体实现方法为:
步骤3.1、构建图卷积层模块与长短时记忆网络模块级联形式的图神经网络;
步骤3.2、将步骤2得到的特征数据作为步骤3.1图神经网络的输入,采用反向传播方法对图神经网络进行训练,得到电动汽车时空分布的图神经网络模型;
步骤3.3、将步骤2得到的特征数据输入至步骤3.2得到的图神经网络模型,得到待预测城市的电动汽车充电负荷时空分布。
而且,所述步骤3.1的具体实现方法为:采用图卷积层提取充电负荷的空间特征:
其中,为待预测地区拓扑图的特征矩阵;为的邻接矩阵;为含自相关的邻接矩阵, ;为内的第行第列元素;为预处理后的邻接矩阵;为sigmoid函数;为从上层到图卷积层的权值矩阵;为从图卷积层到下层的权值矩阵,为度矩阵;
将图卷积层与长短时记忆层级联,进一步抽取充电负荷的时间特征,其前向传播过程为:
其中,和分别为长短时记忆单元的内部参数,分别对应遗忘门、输入门、输出门、单元状态,为仅在当前输入下的单元状态,为长短时记忆单元时刻的输出,为对应单元权重矩阵,为对应单元的偏置矩阵;为遗忘门参数的权重矩阵,为时刻的单元输入,为时刻的单元输出,为遗忘门参数的偏置矩阵,为输入门参数的权重矩阵,为输入门参数的偏置矩阵,为输出门的权重矩阵,为输出门的偏置矩阵,为单元状态传播参数的权重矩阵,为单元状态传播参数的偏置矩阵;
将经历过图卷积层与长短时记忆层抽取过的特征通过全连接层连接至输出单元,形成全连接神经网络,其中,全连接神经网络的隐藏层单元具有一个非线性激活函数F用以描述数据间的非线性关系,当其采用修正线性单元时:
而且,所述步骤3.2的中具体实现方法为将预测点实际充电负荷值作为标签,以带有L2正则项的平均绝对误差为损失函数,对图神经网络进行训练,得到电动汽车时空分布的图神经网络模型。
而且,所述将预测点实际充电负荷值作为标签,以带有L2正则项的平均绝对误差为损失函数,对图神经网络进行训练,得到电动汽车时空分布的图神经网络模型的具体实现方法为:构建含L2正则项的图神经网络损失函数:
而且,所述步骤3.3的具体实现方法为:将步骤2中天气预报数据以及历史充电负荷数据的特征数据输入至步骤3.2中图神经网络模型中,经过前向传播,计算图神经网络模型的输出值,输出值为待预测区域的充电负荷时空分布。
本发明的优点和积极效果是:
1、本发明通过获取待预测点所在区域的电动汽车的历史负荷数据和天气数据考虑,并对天气数据进行降维处理,同时基于降维处理后的天气预报数据和电动汽车的历史负荷数据得到特征数据;再将所述降维后的特征数据带入训练完成的图神经网络模型,得到电动汽车充电负荷时空分布。本发明实现了电动汽车充电负荷时空分布预测,能够得到了城市内充电负荷潜在分布情况,且本发明提供的充电负荷时空预测方法和现有的深度神经网络预测算法相比,预测精度更高,对支持电网对电动汽车充电负荷实现有序管理、保证电网安全稳定运行具有重要意义。
2、本发明在对于获取的天气数据进行了降维处理,能够避免获取的气温、湿度等天气数据与充电负荷数据的相关性不明显,同时通过数据降维方法进一步提取天气数据内部的隐藏信息、降低数据空间密度,有效降低了数据冗余度,抑制模型过拟合。
3、本发明根据电动汽车充电负荷的特点,所构建的图神经网络模型采用了图卷积层与长短时记忆网络级联的形式构建图神经网络模型,兼顾了电动汽车充电负荷的空间关联特征和时间关联特征,提高了神经网络的信息提取能力。
附图说明
图1为本发明的流程图;
图2为本发明的预测流程示意图;
图3为本发明的图神经网络的结构图;
图4为本发明的图神经网络训练过程损失变化图;
图5为本发明的图神经网络预测结果对比图。
具体实施方式
以下结合附图对本发明做进一步详述。
基于图神经网络的电动汽车充电负荷时空分布预测方法,如图1和图2所示,包括以下步骤:
步骤1、获取待预测城市的天气预报数据和城市内部各区域的电动汽车历史充电负荷数据,并对获取的数据进行归一化处理。
天气预报数据从预测点所处城市的气象站获取,天气预报数据包括:预测点所处城市的天气类型、气温、湿度、风速、大气压强、空气质量指数和天空能见度;电动汽车历史充电负荷数据为预测点区域各拓扑节点的前30个负荷记录值,并对获取的数据进行归一化处理。
其中,归一化处理的具体方法为:
步骤2、对步骤1进行归一化处理的天气预报数据进行降维处理,得到天气预报数据以及历史充电负荷数据的特征数据。
因为电动汽车的历史充电负荷数据间具有高度正相关性,无需进行降维;而气温、湿度等天气数据与充电负荷数据的相关性不明显,需通过数据降维方法进一步提取数据内部的隐藏信息、降低数据空间密度。降维处理采用t分布邻域嵌入(t-distributedStochastic Neighbor Embedding, t-SNE)算法将天气预报数据进行降维处理,在t-SNE算法中,假设降维前的高维空间数据点服从高斯分布,降维后的低维空间数据点服从t分布,在高维空间中两个任意点:i点与j点间的条件概率服从:
为最小化各数据点间的散度,采用梯度下降的方法训练总差异至最小,从而最终使得数据集中各点被映射至低维空间后,各数据点的相对距离关系尽量保持不变。本发明采用该算法对数值天气预报数据进行降维,增加数据空间的密度,显著提高数值天气预报的数据价值,降低输入数据的维数,加快模型的训练速度,提高预测准确率。
步骤3、将步骤2中得到的特征数据带入构建的图神经网络模型中,得到待预测城市的电动汽车充电负荷时空分布。
步骤3.1、如图3所示,构建图卷积层模块与长短时记忆网络模块级联形式的图神经网络。
采用图卷积层提取充电负荷的空间特征:
其中,为待预测地区拓扑图的特征矩阵;为的邻接矩阵;为含自相关的邻接矩阵, ;为内的第行第列元素;为预处理后的邻接矩阵;为sigmoid函数;为从上层到图卷积层的权值矩阵;为从图卷积层到下层的权值矩阵,为度矩阵;
将图卷积层与长短时记忆层级联,进一步抽取充电负荷的时间特征,其整体前向传播过程为:
其中,和分别为长短时记忆单元的内部参数,分别对应遗忘门、输入门、输出门、单元状态,为仅在当前输入下的单元状态,为长短时记忆单元时刻的输出,为对应单元权重矩阵,为对应单元的偏置矩阵;为遗忘门参数的权重矩阵,为时刻的单元输入,为时刻的单元输出,为遗忘门参数的偏置矩阵,为输入门参数的权重矩阵,为输入门参数的偏置矩阵,为输出门的权重矩阵,为输出门的偏置矩阵,为单元状态传播参数的权重矩阵,为单元状态传播参数的偏置矩阵;
将经历过图卷积层与长短时记忆层抽取过的特征通过全连接层连接至输出单元,形成全连接神经网络,其中,全连接神经网络的隐藏层单元具有一个非线性激活函数F用以描述数据间的非线性关系,当其采用修正线性单元时:
步骤3.2、将步骤2得到的特征数据作为步骤3.1图神经网络的输入,采用反向传播方法对图神经网络进行训练,得到电动汽车时空分布的图神经网络模型。
如图4所示,将预测点实际充电负荷值作为标签,以带有L2正则项的平均绝对误差为损失函数,对图神经网络进行训练,得到电动汽车时空分布的图神经网络模型的具体实现方法为:构建含L2正则项的图神经网络损失函数:
其中,为迭代因子计算式,为更新的第个单元的参数,为时刻输入特征,为时刻电动汽车负荷真实值,当迭代足够次数后,图神经网络中的参数将趋于稳定,即为网络训练完成,得到电动汽车时空分布的图神经网络模型,可利用训练好的模型实现电动汽车充电负荷时空分布预测。
步骤3.3、将步骤2得到的特征数据输入至步骤3.2得到的图神经网络模型,得到待预测城市的电动汽车充电负荷时空分布。
将步骤2中天气预报数据以及历史充电负荷数据的特征数据输入至步骤3.2中图神经网络模型中,经过前向传播,计算图神经网络模型的输出值,输出值为待预测区域的充电负荷时空分布。
如图5所示,为本发明的预测结果与采用传统深度神经网络的预测结果对比图。从图之用能够看出,本发明所提方法更加接近真实值。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方其中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (9)
1.基于图神经网络的电动汽车充电负荷时空分布预测方法,其特征在于:包括以下步骤:
步骤1、获取待预测城市的天气预报数据和城市内部各区域的电动汽车历史充电负荷数据,并对获取的数据进行归一化处理;
步骤2、对步骤1进行归一化处理的天气预报数据进行降维处理,得到天气预报数据以及历史充电负荷数据的特征数据;
步骤3、将步骤2中得到的特征数据带入构建的图神经网络模型中,得到待预测城市的电动汽车充电负荷时空分布。
2.根据权利要求1所述的基于图神经网络的电动汽车充电负荷时空分布预测方法,其特征在于:所述步骤1的具体实现方法为:从预测点所处城市的气象站获取天气预报数据,天气预报数据包括:预测点所处城市的天气类型、气温、湿度、风速、大气压强、空气质量指数和天空能见度;电动汽车历史充电负荷数据为预测点区域各拓扑节点的前若干个负荷记录值,并对获取的数据进行归一化处理。
4.根据权利要求1所述的基于图神经网络的电动汽车充电负荷时空分布预测方法,其特征在于:所述步骤2中降维处理采用t分布邻域嵌入算法将天气预报数据进行降维处理,t分布邻域嵌入算法在高维空间中两个任意点:点与点间的条件概率为:
5.根据权利要求1所述的基于图神经网络的电动汽车充电负荷时空分布预测方法,其特征在于:所述步骤3的具体实现方法为:
步骤3.1、构建图卷积层模块与长短时记忆网络模块级联形式的图神经网络;
步骤3.2、将步骤2得到的特征数据作为步骤3.1图神经网络的输入,采用反向传播方法对图神经网络进行训练,得到电动汽车时空分布的图神经网络模型;
步骤3.3、将步骤2得到的特征数据输入至步骤3.2得到的图神经网络模型,得到待预测城市的电动汽车充电负荷时空分布。
6.根据权利要求5所述的基于图神经网络的电动汽车充电负荷时空分布预测方法,其特征在于:所述步骤3.1的具体实现方法为:采用图卷积层提取充电负荷的空间特征:
其中,为待预测地区拓扑图的特征矩阵;为的邻接矩阵;为含自相关的邻接矩阵,;为内的第行第列元素;为预处理后的邻接矩阵;为sigmoid函数;为从上层到图卷积层的权值矩阵;为从图卷积层到下层的权值矩阵,为度矩阵;
将图卷积层与长短时记忆层级联,进一步抽取充电负荷的时间特征,其前向传播过程为:
其中,和分别为长短时记忆单元的内部参数,分别对应遗忘门、输入门、输出门、单元状态,为仅在当前输入下的单元状态,为长短时记忆单元时刻的输出,为对应单元权重矩阵,为对应单元的偏置矩阵;为遗忘门参数的权重矩阵,为时刻的单元输入,为时刻的单元输出,为遗忘门参数的偏置矩阵,为输入门参数的权重矩阵,为输入门参数的偏置矩阵,为输出门的权重矩阵,为输出门的偏置矩阵,为单元状态传播参数的权重矩阵,为单元状态传播参数的偏置矩阵;
将经历过图卷积层与长短时记忆层抽取过的特征通过全连接层连接至输出单元,形成全连接神经网络,其中,全连接神经网络的隐藏层单元具有一个非线性激活函数F用以描述数据间的非线性关系,当其采用修正线性单元时:
7.根据权利要求5所述的基于图神经网络的电动汽车充电负荷时空分布预测方法,其特征在于:所述步骤3.2的中具体实现方法为将预测点实际充电负荷值作为标签,以带有L2正则项的平均绝对误差为损失函数,对图神经网络进行训练,得到电动汽车时空分布的图神经网络模型。
8.根据权利要求7所述的基于图神经网络的电动汽车充电负荷时空分布预测方法,其特征在于:所述将预测点实际充电负荷值作为标签,以带有L2正则项的平均绝对误差为损失函数,对图神经网络进行训练,得到电动汽车时空分布的图神经网络模型的具体实现方法为:构建含L2正则项的图神经网络损失函数:
9.根据权利要求5所述的基于图神经网络的电动汽车充电负荷时空分布预测方法,其特征在于:所述步骤3.3的具体实现方法为:将步骤2中天气预报数据以及历史充电负荷数据的特征数据输入至步骤3.2中图神经网络模型中,经过前向传播,计算图神经网络模型的输出值,输出值为待预测区域的充电负荷时空分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210276522.9A CN114358449A (zh) | 2022-03-21 | 2022-03-21 | 基于图神经网络的电动汽车充电负荷时空分布预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210276522.9A CN114358449A (zh) | 2022-03-21 | 2022-03-21 | 基于图神经网络的电动汽车充电负荷时空分布预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358449A true CN114358449A (zh) | 2022-04-15 |
Family
ID=81094587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210276522.9A Pending CN114358449A (zh) | 2022-03-21 | 2022-03-21 | 基于图神经网络的电动汽车充电负荷时空分布预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358449A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117239739A (zh) * | 2023-11-13 | 2023-12-15 | 国网冀北电力有限公司 | 一种知识大模型预测用户侧负荷方法、装置及设备 |
CN117473398A (zh) * | 2023-12-26 | 2024-01-30 | 四川国蓝中天环境科技集团有限公司 | 一种基于运渣车活动的城市扬尘污染源分类方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830487A (zh) * | 2018-06-21 | 2018-11-16 | 王芊霖 | 基于长短时神经网络的电力负荷预测方法 |
CN110046787A (zh) * | 2019-01-15 | 2019-07-23 | 重庆邮电大学 | 一种城市区域电动汽车充电需求时空预测方法 |
CN110147877A (zh) * | 2019-05-24 | 2019-08-20 | 福州大学 | 基于卷积长短时网络的pm2.5预测方法 |
CN111242355A (zh) * | 2020-01-06 | 2020-06-05 | 中国电力科学研究院有限公司 | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 |
CN113268916A (zh) * | 2021-04-07 | 2021-08-17 | 浙江工业大学 | 一种基于时空图卷积网络的交通事故预测方法 |
CN113825165A (zh) * | 2020-06-18 | 2021-12-21 | 中国移动通信集团浙江有限公司 | 基于时间图网络的5g切片网络拥塞预警方法及装置 |
-
2022
- 2022-03-21 CN CN202210276522.9A patent/CN114358449A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830487A (zh) * | 2018-06-21 | 2018-11-16 | 王芊霖 | 基于长短时神经网络的电力负荷预测方法 |
CN110046787A (zh) * | 2019-01-15 | 2019-07-23 | 重庆邮电大学 | 一种城市区域电动汽车充电需求时空预测方法 |
CN110147877A (zh) * | 2019-05-24 | 2019-08-20 | 福州大学 | 基于卷积长短时网络的pm2.5预测方法 |
CN111242355A (zh) * | 2020-01-06 | 2020-06-05 | 中国电力科学研究院有限公司 | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 |
CN113825165A (zh) * | 2020-06-18 | 2021-12-21 | 中国移动通信集团浙江有限公司 | 基于时间图网络的5g切片网络拥塞预警方法及装置 |
CN113268916A (zh) * | 2021-04-07 | 2021-08-17 | 浙江工业大学 | 一种基于时空图卷积网络的交通事故预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117239739A (zh) * | 2023-11-13 | 2023-12-15 | 国网冀北电力有限公司 | 一种知识大模型预测用户侧负荷方法、装置及设备 |
CN117239739B (zh) * | 2023-11-13 | 2024-02-02 | 国网冀北电力有限公司 | 一种知识大模型预测用户侧负荷方法、装置及设备 |
CN117473398A (zh) * | 2023-12-26 | 2024-01-30 | 四川国蓝中天环境科技集团有限公司 | 一种基于运渣车活动的城市扬尘污染源分类方法 |
CN117473398B (zh) * | 2023-12-26 | 2024-03-19 | 四川国蓝中天环境科技集团有限公司 | 一种基于运渣车活动的城市扬尘污染源分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | A machine learning method for predicting driving range of battery electric vehicles | |
CN109063911B (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
JP5888640B2 (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
CN112529283A (zh) | 基于注意力机制的综合能源系统短期负荷预测方法 | |
CN114358449A (zh) | 基于图神经网络的电动汽车充电负荷时空分布预测方法 | |
CN110969290A (zh) | 一种基于深度学习的径流概率预测方法及系统 | |
CN116128150B (zh) | 一种基于两级优化的光伏智能出力预测方法 | |
CN113537582B (zh) | 一种基于短波辐射修正的光伏功率超短期预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
CN117498400B (zh) | 一种分布式光伏与储能数据的处理方法及系统 | |
CN115115125A (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
Liu et al. | A short-term probabilistic photovoltaic power prediction method based on feature selection and improved LSTM neural network | |
CN110570042B (zh) | 一种短期电动汽车充电负荷预测方法及系统 | |
CN115879602A (zh) | 一种基于瞬变气象的超短期光伏出力预测方法 | |
Zhao et al. | A novel short‐term load forecasting approach based on kernel extreme learning machine: A provincial case in China | |
CN113780679B (zh) | 一种基于泛在电力物联网的负荷预测方法及装置 | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
Chen et al. | Graph neural network-based wind farm cluster speed prediction | |
Tian et al. | Photovoltaic power generation and charging load prediction research of integrated photovoltaic storage and charging station | |
Zhang et al. | A spatial correlation prediction model of urban PM2. 5 concentration based on deconvolution and LSTM | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network | |
CN115481788A (zh) | 相变储能系统负荷预测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220415 |
|
RJ01 | Rejection of invention patent application after publication |