CN114399078A - 一种负荷日前预测与超短期预测的协同预测方法及系统 - Google Patents
一种负荷日前预测与超短期预测的协同预测方法及系统 Download PDFInfo
- Publication number
- CN114399078A CN114399078A CN202111465115.4A CN202111465115A CN114399078A CN 114399078 A CN114399078 A CN 114399078A CN 202111465115 A CN202111465115 A CN 202111465115A CN 114399078 A CN114399078 A CN 114399078A
- Authority
- CN
- China
- Prior art keywords
- prediction
- load
- ultra
- day
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000001537 neural effect Effects 0.000 claims abstract description 11
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 7
- 238000003860 storage Methods 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011282 treatment 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Power Engineering (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种负荷日前预测与超短期预测的协同预测方法及系统,获取气象数据和日期特征数据;根据气象数据、日期特征数据和预设门控循环单元模型,得到日前负荷预测结果;将日前负荷预测结果的序列扩充数据、历史负荷数据以及气象数据和日期特征数据一起输入到预设卷积神经网络‑门控循环单元超短期负荷预测模型中,得到超短期负荷预测结果;利用超短期负荷预测结果对日前负荷预测结果进行修正,得到修正后的日前负荷预测结果;本发明考虑了超短期负荷预测和日前负荷预测的优势与劣势,将两者综合运用、相互协同,提高了超短期负荷预测与日前负荷预测的精度。
Description
技术领域
本发明涉及负荷预测技术领域,特别涉及一种负荷日前预测与超短期预测的协同预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术,并不必然构成现有技术。
电力负荷预测是电力系统管理中的一项基本任务。但由于电力负荷数据具有随机性强、干扰因素多等特点,预测精度无法显著提升。其中,日前负荷预测由于时间跨度大,预测精度普遍较低;而超短期负荷预测又存在固有性的时滞问题,使其难以做到精细化预测。
发明人发现,负荷预测的优化方法多为单独的超短期负荷预测或日前负荷预测的技术修正,单独的预测结果往往准确度较低,不能实现较为稳定的高精度负荷预测。
发明内容
为了解决现有技术的不足,本发明提供了一种负荷日前预测与超短期预测的协同预测方法及系统,考虑了超短期负荷预测和日前负荷预测的优势与劣势,将两者综合运用、相互协同,提高了超短期负荷预测与日前负荷预测的精度。
为了实现上述目的,本发明采用如下技术方案:
本发明第一方面提供了一种负荷日前预测与超短期预测的协同预测方法。
一种负荷日前预测与超短期预测的协同预测方法,包括以下过程:
获取气象数据和日期特征数据;
根据气象数据、日期特征数据和预设门控循环单元(GRU)模型,得到日前负荷预测结果;
将日前负荷预测结果的序列扩充数据、历史负荷数据以及气象数据和日期特征数据一起输入到预设卷积神经网络-门控循环单元(CNN-GRU)超短期负荷预测模型中,得到超短期负荷预测结果;
利用超短期负荷预测结果对日前负荷预测结果进行修正,得到修正后的日前负荷预测结果。
本发明第二方面提供了一种负荷日前预测与超短期预测的协同预测系统。
一种负荷日前预测与超短期预测的协同预测系统,包括:
数据获取模块,被配置为:获取气象数据和日期特征数据;
日前预测模块,被配置为:根据气象数据、日期特征数据和预设门控循环单元模型,得到日前负荷预测结果;
超短期负荷预测模块,被配置为:将日前负荷预测结果的序列扩充数据、历史负荷数据以及气象数据和日期特征数据一起输入到预设卷积神经网络-门控循环单元超短期负荷预测模型中,得到超短期负荷预测结果;
结果修正模块,被配置为:利用超短期负荷预测结果对日前负荷预测结果进行修正,得到修正后的日前负荷预测结果。
本发明第三方面提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的负荷日前预测与超短期预测的协同预测方法中的步骤。
本发明第四方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方面所述的负荷日前预测与超短期预测的协同预测方法中的步骤。
与现有技术相比,本发明的有益效果是:
1、本发明提供的负荷日前预测与超短期预测的协同预测方法及系统,考虑了超短期负荷预测和日前负荷预测的优势与劣势,将两者综合运用、相互协同,提高了超短期负荷预测与日前负荷预测的精度。
2、本发明针对超短期负荷预测普遍存在的时滞问题,使用日前负荷预测结果进行辅助模型训练已达到提高预测精度的目的;同时针对日前预测时间跨度大、精度难以提升的问题,反过来使用超短期负荷预测的精细化结果对日前负荷预测结果进行指导修正,使得日前负荷预测精度也得到提升。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的负荷日前预测与超短期预测的协同预测方法的流程示意图。
图2为本发明实施例1提供的日前负荷预测模型结构示意图。
图3为本发明实施例1提供的超短期负荷预测模型结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1:
如图1所示,本发明实施例1提供了一种负荷日前预测与超短期预测的协同预测方法,包括以下过程:
获取气象数据和日期特征数据;
根据气象数据、日期特征数据和预设门控循环单元(GRU)模型,得到日前负荷预测结果;
将日前负荷预测结果的序列扩充数据、历史负荷数据以及气象数据和日期特征数据一起输入到预设卷积神经网络-门控循环单元(CNN-GRU)超短期负荷预测模型中,得到超短期负荷预测结果;
利用超短期负荷预测结果对日前负荷预测结果进行修正,得到修正后的日前负荷预测结果。
具体的,包括以下过程:
S1:数据预处理
本实施例中,日前预测使用的预测输入数据有:日气温预测序列(1h),日天气预测序列(1h,归一化为数值序列),日期特征值(含星期数、节假日等信息)。超短期预测使用预测点前24h的负荷序列(15min)。
对以上数据均施以以下处理:
数据填补:利用前后加权均值法推算缺失的实际值进行填补,填补方式如下式。
数据滤波:利用卷积深度置信网络(CDBN)分离噪声,提取有效数据。
S2:建立日前负荷预测模型
首先使用传统建模方法,基于气象预测数据(1h)建立三层GRU日前负荷预测模型(图2)。对于该模型的预测结果序列(1h),同样使用前后加权均值法填充成为15min分辨率的负荷序列方便用于校正超短期预测模型,此处:
S3:建立超短期负荷预测模型
将填充后的序列与历史负荷序列、用能行为特征(包括日期特征,天气类型,以及温、湿度特征值)一同作为CNN-GRU神经网络(图3)的输入,建立精细化的超短期预测模型,得到精度矫正后的超短期负荷预测数据,即接下来15min后的瞬时负荷量。
S4:模型结合处理
利用高精度的超短期负荷预测数据,反过来对于指导修正日前负荷预测数据的关键节点与数据填充。后续的数据填充以此为依据使用相似值填补法,若已存在相似条件的超短期预测数据,则取历史精细化超短期负荷预测数据中气象条件与负荷趋势相似的负荷数据对1h分辩率的日前负荷预测序列进行填充,此时不再采用前后加权均值法填充,增加填充数据的准确度。
S5:预测性能评估
使用均方根误差(RMSE)、均方误差(MSE)和平均绝对误差(MAE)三项指标,对于日前负荷预测模型计算一月间的预测结果的三个性能指标的平均值作为评估指标。对于超短期负荷预测模型则取一日内的预测结果的三个性能指标的平均值作为评估指标。
实施例2:
本发明实施例2提供了一种负荷日前预测与超短期预测的协同预测系统,包括:
数据获取模块,被配置为:获取气象数据和日期特征数据;
日前预测模块,被配置为:根据气象数据、日期特征数据和预设门控循环单元模型,得到日前负荷预测结果;
超短期负荷预测模块,被配置为:将日前负荷预测结果的序列扩充数据、历史负荷数据以及气象数据和日期特征数据一起输入到预设卷积神经网络-门控循环单元超短期负荷预测模型中,得到超短期负荷预测结果;
结果修正模块,被配置为:利用超短期负荷预测结果对日前负荷预测结果进行修正,得到修正后的日前负荷预测结果。
所述系统的工作方法与实施例1提供的负荷日前预测与超短期预测的协同预测方法相同,这里不再赘述。
实施例3:
本发明实施例3提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明实施例1所述的负荷日前预测与超短期预测的协同预测方法中的步骤。
实施例4:
本发明实施例4提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明实施例1所述的负荷日前预测与超短期预测的协同预测方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种负荷日前预测与超短期预测的协同预测方法,其特征在于:
包括以下过程:
获取气象数据和日期特征数据;
根据气象数据、日期特征数据和预设门控循环单元模型,得到日前负荷预测结果;
将日前负荷预测结果的序列扩充数据、历史负荷数据以及气象数据和日期特征数据一起输入到预设卷积神经网络-门控循环单元超短期负荷预测模型中,得到超短期负荷预测结果;
利用超短期负荷预测结果对日前负荷预测结果进行修正,得到修正后的日前负荷预测结果。
2.如权利要求1所述的负荷日前预测与超短期预测的协同预测方法,其特征在于:
气象数据包括日天气预测序列、日温度预测序列、日风速预测序列和日湿度预测序列。
3.如权利要求1所述的负荷日前预测与超短期预测的协同预测方法,其特征在于:
日前负荷预测和超短期负荷预测采用的气象数据和日期特征数据均为预处理后的数据,预处理,包括:数据滤波和数据填补;
所述数据滤波为:利用卷积深度置信网络分离噪声;
所述数据填补为:将日前负荷预测结果采用前后加权均值法进行序列扩充。
4.如权利要求1所述的负荷日前预测与超短期预测的协同预测方法,其特征在于:
利用超短期负荷预测结果对日前负荷预测结果进行修正,包括:
超短期负荷预测数据修正日前负荷预测数据的关键节点与数据填充,若已存在相似条件的超短期预测数据,取历史超短期负荷预测数据中气象条件与负荷趋势相似的负荷数据对日前负荷预测序列进行填充。
5.如权利要求1所述的负荷日前预测与超短期预测的协同预测方法,其特征在于:
日前负荷预测结果的序列扩充数据和历史负荷数据输入到卷积神经网络-门控循环单元超短期负荷预测模型的门控循环单元中,预处理后的气象数据和日期特征数据输入到卷积神经网络-门控循环单元超短期负荷预测模型的卷积神经网络中。
6.一种负荷日前预测与超短期预测的协同预测系统,其特征在于:
包括:
数据获取模块,被配置为:获取气象数据和日期特征数据;
日前预测模块,被配置为:根据气象数据、日期特征数据和预设门控循环单元模型,得到日前负荷预测结果;
超短期负荷预测模块,被配置为:将日前负荷预测结果的序列扩充数据、历史负荷数据以及气象数据和日期特征数据一起输入到预设卷积神经网络-门控循环单元超短期负荷预测模型中,得到超短期负荷预测结果;
结果修正模块,被配置为:利用超短期负荷预测结果对日前负荷预测结果进行修正,得到修正后的日前负荷预测结果。
7.如权利要求6所述的负荷日前预测与超短期预测的协同预测方法,其特征在于:
利用超短期负荷预测结果对日前负荷预测结果进行修正,包括:
超短期负荷预测数据修正日前负荷预测数据的关键节点与数据填充,若已存在相似条件的超短期预测数据,取历史超短期负荷预测数据中气象条件与负荷趋势相似的负荷数据对日前负荷预测序列进行填充。
8.如权利要求6所述的负荷日前预测与超短期预测的协同预测方法,其特征在于:
日前负荷预测结果的序列扩充数据和历史负荷数据输入到卷积神经网络-门控循环单元超短期负荷预测模型的门控循环单元中,预处理后的气象数据和日期特征数据输入到卷积神经网络-门控循环单元超短期负荷预测模型的卷积神经网络中。
9.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-5任一项所述的负荷日前预测与超短期预测的协同预测方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5任一项所述的负荷日前预测与超短期预测的协同预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111465115.4A CN114399078B (zh) | 2021-11-30 | 2021-11-30 | 一种负荷日前预测与超短期预测的协同预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111465115.4A CN114399078B (zh) | 2021-11-30 | 2021-11-30 | 一种负荷日前预测与超短期预测的协同预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114399078A true CN114399078A (zh) | 2022-04-26 |
CN114399078B CN114399078B (zh) | 2024-09-10 |
Family
ID=81225496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111465115.4A Active CN114399078B (zh) | 2021-11-30 | 2021-11-30 | 一种负荷日前预测与超短期预测的协同预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399078B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375002A (zh) * | 2022-07-12 | 2022-11-22 | 国网江苏省电力有限公司电力科学研究院 | 一种短期电力负荷预测方法、系统、存储介质及计算设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633867A (zh) * | 2019-09-23 | 2019-12-31 | 国家电网有限公司 | 一种基于gru和注意力机制的超短期负荷预测模型 |
CN111709588A (zh) * | 2020-06-23 | 2020-09-25 | 苏州联电能源发展有限公司 | 一种用电量预测方法和系统 |
CN112928752A (zh) * | 2021-02-03 | 2021-06-08 | 广州市电力工程设计院有限公司 | 一种用电负荷预测方法、装置及存储介质 |
CN113516275A (zh) * | 2021-04-08 | 2021-10-19 | 国网河北省电力有限公司经济技术研究院 | 一种配电网超短期负荷预测方法、装置及终端设备 |
-
2021
- 2021-11-30 CN CN202111465115.4A patent/CN114399078B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633867A (zh) * | 2019-09-23 | 2019-12-31 | 国家电网有限公司 | 一种基于gru和注意力机制的超短期负荷预测模型 |
CN111709588A (zh) * | 2020-06-23 | 2020-09-25 | 苏州联电能源发展有限公司 | 一种用电量预测方法和系统 |
CN112928752A (zh) * | 2021-02-03 | 2021-06-08 | 广州市电力工程设计院有限公司 | 一种用电负荷预测方法、装置及存储介质 |
CN113516275A (zh) * | 2021-04-08 | 2021-10-19 | 国网河北省电力有限公司经济技术研究院 | 一种配电网超短期负荷预测方法、装置及终端设备 |
Non-Patent Citations (1)
Title |
---|
LIZHEN WU ET AL.: "A Short-Term Load Forecasting Method Based on GRU-CNN Hybrid Neural Network Model", MATHEMATICAL PROBLEMS IN ENGINEERING, 31 December 2020 (2020-12-31), pages 1 - 10 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375002A (zh) * | 2022-07-12 | 2022-11-22 | 国网江苏省电力有限公司电力科学研究院 | 一种短期电力负荷预测方法、系统、存储介质及计算设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114399078B (zh) | 2024-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800898A (zh) | 一种智能短期负荷预测方法及系统 | |
WO2014187828A1 (de) | Methode zur ermittlung eines modells einer ausgangsgrösse eines technischen systems | |
CN109615124B (zh) | 一种基于深度学习的scada主站负荷预测方法 | |
CN112288193A (zh) | 基于注意力机制的gru深度学习的海洋站表层盐度预测方法 | |
CN111427266A (zh) | 一种针对带扰动的非线性系统辨识方法 | |
CN113705929B (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
CN112711083B (zh) | 基于自适应权重特征的多源降水数据动态融合方法及系统 | |
CN105117975A (zh) | 一种光伏输出功率值的分频预测方法 | |
CN114399078A (zh) | 一种负荷日前预测与超短期预测的协同预测方法及系统 | |
CN117424229A (zh) | 基于低风速功率修正的超短期风电功率预测方法及系统 | |
CN116599050A (zh) | 基于自注意力机制的光伏预测方法及相关装置 | |
CN116739383A (zh) | 基于大数据的充电桩电力负荷预测评估方法 | |
CN106094524A (zh) | 基于输入趋势补偿的快速模型预测控制方法 | |
CN116388232B (zh) | 风电调频综合惯性控制方法、系统、电子设备和存储介质 | |
CN109685242B (zh) | 基于Adaboost算法的光伏超短期组合预测方法 | |
CN117764617A (zh) | 一种基于大数据分析的物业运行成本预测方法和装置 | |
CN112700050A (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
CN107563573B (zh) | 一种基于自适应学习混合模型的太阳能发电量的预测方法 | |
CN113205174B (zh) | 基于特征解耦深度神经网络模型的夏季峰荷预测方法与系统 | |
CN113762646A (zh) | 一种光伏短期功率智能预测方法及系统 | |
Ali et al. | Discrete-time LPV controller synthesis using dilated LMIs with application to an arm-driven inverted pendulum | |
Guo et al. | Optimal control of blank holder force based on deep reinforcement learning | |
CN110825051A (zh) | 一种基于gap metric的不确定系统的多模型控制方法 | |
CN115859815B (zh) | 基于sa-tcn模型的短期可调节负荷预测方法及系统 | |
CN110458364B (zh) | 一种短期负荷预测的平滑数据预处理方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |