CN114548350A - 一种基于樽海鞘群和bp神经网络的电力负荷预测方法 - Google Patents

一种基于樽海鞘群和bp神经网络的电力负荷预测方法 Download PDF

Info

Publication number
CN114548350A
CN114548350A CN202210187824.9A CN202210187824A CN114548350A CN 114548350 A CN114548350 A CN 114548350A CN 202210187824 A CN202210187824 A CN 202210187824A CN 114548350 A CN114548350 A CN 114548350A
Authority
CN
China
Prior art keywords
neural network
value
sea squirt
data
goblet
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
Application number
CN202210187824.9A
Other languages
English (en)
Inventor
孙全
孙渊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN202210187824.9A priority Critical patent/CN114548350A/zh
Publication of CN114548350A publication Critical patent/CN114548350A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于樽海鞘群和BP神经网络的电力负荷预测方法，解决了目前预测算法、方法精度不高的问题，其技术方案要点是通过获取完整原始数据，并进行预处理，再构建并确定BP神经网络的结构、学习效率、目标精度和训练次数，确定樽海鞘群算法的种群规模、迭代次数、搜索空间的上下界和动态权重，依据BP神经网络参数的个数确定樽海鞘群的维数，然后参照建立的BP神经网络模型，随机生成樽海鞘群，通过樽海鞘群算法的不断迭代，得出最优参数组合，将其作为BP神经网络的初始值，最后运行BP神经网络进行预测，本发明的一种基于樽海鞘群和BP神经网络的电力负荷预测方法，能更加科学、可靠的实现短期预测，保障电力系统安全稳定运行。

Description

一种基于樽海鞘群和BP神经网络的电力负荷预测方法
技术领域
本发明涉及电力负荷预测技术，特别涉及一种基于樽海鞘群和BP神经网络的电力负荷预测方法。
背景技术
电力负荷预测是制定电力供应计划和电网电量供需平衡的关键挑战之一。电力负荷预测是在与时刻相关的气温、相对湿度等历史数据的基础上，挖掘出电力负荷的变化规律，继而预测出未来某个时间段内的电力负荷。根据预测的时间段的长短可分为超短期、短期、中期和长期预测。现有的电力负荷预测方法大致可分为两类，一类是以多元线性回归、时间序列分析、灰色预测等为代表的传统预测方法；另一类是以神经网络、专家系统等为代表的人工智能算法。由于电力负荷变化是一个高度复杂的非线性过程，因此传统的预测方法及常规的人工智能算法在预测精度上有待提高。
发明内容
本发明的目的是提供一种基于樽海鞘群和BP神经网络的电力负荷预测方法，能更加科学、可靠的实现短期预测，保障电力系统安全稳定运行。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种基于樽海鞘群和BP神经网络的电力负荷预测方法，包括有以下步骤：
S1、获取完整的电力负荷、最高温度、最低温度、平均温度、相对湿度和降雨量6类原始数据，并进行预处理对完整数据中的异常值做筛选处理；
S2、构建并确定BP神经网络的结构、学习效率、目标精度和训练次数，确定樽海鞘群算法的种群规模、迭代次数、搜索空间的上下界和动态权重，依据BP神经网络参数的个数确定樽海鞘群的维数；
S3、参照建立的BP神经网络模型，随机生成樽海鞘群，通过樽海鞘群算法的不断迭代，得出最优参数组合，将其作为BP神经网络的初始值；
S4、运行BP神经网络预测未来某短期时间段内的电力负荷。
综上所述，本发明具有以下有益效果：
基于对樽海鞘群算法的改进，动态权重融入到樽海鞘群算法当中，能克服樽海鞘群算法前期全局搜索能力不足，后期局部搜索能力不足的缺陷，同时保障了算法的收敛性，继而提升了算法的整体性能，用改进的樽海鞘群算法来优化BP神经网络的初始值，解决了传统BP神经网络在训练时依赖于网络初始值的问题，提升了网络训练时的速度，避免了训练时陷入局部最优，进而可获得更加科学、可靠的预测模型，实现短期预测，保障电力系统安全稳定运行。
附图说明
图1为箱形图对数据进行处理示意图；
图2为BP神经网络结构图；
图3为实例中预测效果图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
传统预测方法中的多元线性回归模型，选用的何种因子和该因子采用何种表达式只是一种推测，这影响了电力负荷因子的多样性和某些因子的不可测性，从而使得该模型在复杂情况下的应用受到限制。时间序列分析和灰色预测模型，未考虑到气温等外部因素对电力负荷的影响，并且后者在多数情况下只能做超短期预测，且越往后预测精度越低。人工智能算法中的BP神经网络算法依赖于网络的初始值和阈值且在训练时存在收敛速度慢、易陷入局部最优的缺点。
本发明为了更精确地预测出未来短期时间段内的电力负荷，针对相关技术中的上述技术问题，本发明提出了一种基于改进的樽海鞘群优化BP神经网络的短期电力负荷预测方法。它能够为电力调度部门制定电力供应计划提供科学、可靠的依据，继而保障电力系统安全稳定地运行。
根据一个或多个实施例，公开了一种基于樽海鞘群和BP神经网络的电力负荷预测方法，包括有以下步骤：
S1、获取完整的电力负荷、最高温度、最低温度、平均温度、相对湿度和降雨量6类原始数据，并进行预处理对完整数据中的异常值做筛选处理。
对原始数据的预处理包括：
S11、将6类原始数据的每类数据按照从小到大的顺序排列。
S12、对排列后的数据位于中间、居于25％位置处、居于75％位置处分别定位为中位数、下四分位、上四分位。
S13、如图1所示，用箱形图将已获得的每类完整原始数据中的异常值筛选出来，定义正常数值区间，判断每类数据中的每个数值是否都位于正常数值区间，进行筛选，对不在正常数值区间内的数值标记为异常值；
定义正常数值区间[Ql-k×IQR，Qh+k×IQR]，其中k为控制区间长度的一个正数，取1.5；IQR定义为：IQR＝Qh-Ql；
其中，Qm表示中位数、Ql表示下四分位、Qh表示上四分位。
S14、对筛选出来的异常值用每类数据中的正常值的均值进行替换，再对数据进行归一化处理。归一化处理为：
Figure BDA0003523411280000041
其中，aij表示第i类指标中的第j个参数值，ai min表示第i类指标中的最小参数值，ai max表示第i类指标中的最大参数值，
Figure BDA0003523411280000042
表示第i类指标中的第j个参数值经归一化处理后的值。
S2、如图2所示，构建并确定BP神经网络的结构、学习效率、目标精度和训练次数，确定樽海鞘群算法的种群规模、迭代次数、搜索空间的上下界和动态权重，依据BP神经网络参数的个数确定樽海鞘群的维数。
BP神经网络的确立和构建具体为：
确定输入层的输入量：
Figure BDA0003523411280000043
其中，
隐含层的输入量为：
Figure BDA0003523411280000044
隐含层的输出量为：
Figure BDA0003523411280000045
隐含层的Sigmoid函数为：
Figure BDA0003523411280000046
输出层的输入量为：
Figure BDA0003523411280000047
输入层的输出量为：
Figure BDA0003523411280000051
反向传播误差函数为：
Figure BDA0003523411280000052
其中，r(k)为网络模型输出值，y(k)为实际输出值；
误差反向传播阶段通过将反向传播误差函数计算得到的值对隐含层及输出层的权值系数进行负梯度修正，从而得到隐含层到输出层加权系数的增量为
Figure BDA0003523411280000053
其中，η为学习效率，α为惯性系数；
输出层的加权系数修正增量为
Figure BDA0003523411280000054
其中，
Figure BDA0003523411280000055
隐含层的加权系数修正增量为
Figure BDA0003523411280000056
其中，
Figure BDA0003523411280000057
对于樽海鞘群算法的优化具体为：
将樽海鞘群体分为领导者和跟随者两类，群体中每个樽海鞘个体以链的形式首尾两节依次向前移动。
领导者和跟随者在搜索过程中不断更新自身位置，
领导者位置更新公式为
Figure BDA0003523411280000061
其中，
Figure BDA0003523411280000062
表示第d为链中第一个位置；Fd表示第d维食物位置，ubd表示搜索空间的上界，lbd表示搜索空间的下界，c2表示区间[0，1]内的随机数，c1表示收敛因子，表达式为；
Figure BDA0003523411280000063
l表示当前迭代次数，lmax表示最大迭代次数。
跟随者位置更新公式为
Figure BDA0003523411280000064
其中，
Figure BDA0003523411280000065
表示更新后第d维的位置，
Figure BDA0003523411280000066
表示更新前第d维的位置。
通过不断计算更新适应度值，对领导者和跟随者位置不断进行更新，直到满足最优条件。
S3、参照建立的BP神经网络模型，随机生成樽海鞘群，通过樽海鞘群算法的不断迭代，得出最优参数组合，将其作为BP神经网络的初始值。
基于樽海鞘群优化BP神经网络具体为：
S31、设置樽海鞘群的数量N，空间维数D，BP神经网络的结构：输入层节点个数，隐含层节点个数，输出节点的个数，权值以及阈值；
S32、样本数据处理，包含异常值的替代和数据的归一化；选取训练数据和测试数据；
S33、以反向传播误差函数作为适应度函数，当适应度函数的数值达到设定值时，即为最优解；
S34、樽海鞘群初始化，将权值和阈值进行有序排列作为位置值，根据其位置随机产生初始位置；
S35、通过适应度函数计算，当前排在最优樽海鞘设置为当前食物的位置，选定食物位置后确定种群的领导者和跟随者；
S36、领导者和跟随者位置的更新，通过改进后的领导者位置更新公式进行移动，同时根据跟随者位置更新公式对跟随者位置进行更新；
S37、对更新后群体的适应度值进行计算，通过对比樽海鞘个体与当前作为食物的樽海鞘个体适应度值后，取两者之间最优的群体作为食物的位置；
S38、重复步骤S35至步骤S37，直到适应度函数的数值达到设定的标准值，此时模型输出的结果即为全局最优解；
S39、BP神经网络训练，将经过改进的樽海鞘群优化的初始权值和阈值带入BP神经网络进行数据训练，形成电力负荷预测模型。
S4、运行BP神经网络即通过形成的电力负荷预测模型预测未来某短期时间段内的电力负荷。
为说明清楚，现举一实例：
以某地区的数据为例来测试本发明的可行性和优越性，原始数据(部分)如下表1所示：
表1 某地区2012.1.1～2015.1.10六项指标原始数据
Figure BDA0003523411280000081
基于本发明的方法进行处理，获得的预测效果如图3所示，分析附图3可知，BP神经网络预测出的2015年1月6日这一天的电力负荷与实际相差最大，相对实际负荷的误差百分比为25.06％，1月10日这一天与实际相差最小，但与之对应的相对误差也高达12.63％。樽海鞘群优化BP神经网络算法预测出来的最大相对误差只有5.92％，最小可达1.29％，与实际负荷变化更吻合。由此可见，基于樽海鞘群优化的BP神经网络能够有效地对电力负荷进行预测。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (6)

1.一种基于樽海鞘群和BP神经网络的电力负荷预测方法，其特征是，包括有以下步骤：
S1、获取完整的电力负荷、最高温度、最低温度、平均温度、相对湿度和降雨量6类原始数据，并进行预处理对完整数据中的异常值做筛选处理；
S2、构建并确定BP神经网络的结构、学习效率、目标精度和训练次数，确定樽海鞘群算法的种群规模、迭代次数、搜索空间的上下界和动态权重，依据BP神经网络参数的个数确定樽海鞘群的维数；
S3、参照建立的BP神经网络模型，随机生成樽海鞘群，通过樽海鞘群算法的不断迭代，得出最优参数组合，将其作为BP神经网络的初始值；
S4、运行BP神经网络预测未来某短期时间段内的电力负荷。
2.根据权利要求1所述的基于樽海鞘群和BP神经网络的电力负荷预测方法，其特征是，步骤S1中对原始数据的预处理包括：
S11、将6类原始数据的每类数据按照从小到大的顺序排列；
S12、对排列后的数据位于中间、居于25％位置处、居于75％位置处分别定位为中位数、下四分位、上四分位；
S13、用箱形图将已获得的每类完整原始数据中的异常值筛选出来，定义正常数值区间，判断每类数据中的每个数值是否都位于正常数值区间，进行筛选，对不在正常数值区间内的数值标记为异常值；
S14、对筛选出来的异常值用每类数据中的正常值的均值进行替换，再对数据进行归一化处理。
3.根据权利要求2所述的基于樽海鞘群和BP神经网络的电力负荷预测方法，其特征是，对原始数据的预处理具体有：
定义正常数值区间[Ql-k×IQR，Qh+k×IQR]，其中k为控制区间长度的一个正数，取1.5；IQR定义为：IQR＝Qh-Ql；
其中，Qm表示中位数、Ql表示下四分位、Qh表示上四分位；
对数据的归一化处理为：
Figure FDA0003523411270000021
其中，aij表示第i类指标中的第j个参数值，ai min表示第i类指标中的最小参数值，ai max表示第i类指标中的最大参数值，
Figure FDA0003523411270000022
表示第i类指标中的第j个参数值经归一化处理后的值。
4.根据权利要求1所述的基于樽海鞘群和BP神经网络的电力负荷预测方法，其特征是，BP神经网络的建立实现具体为：
确定输入层的输入量：
Figure FDA0003523411270000023
其中，
隐含层的输入量为：
Figure FDA0003523411270000024
隐含层的输出量为：
Figure FDA0003523411270000025
隐含层的Sigmoid函数为：
Figure FDA0003523411270000026
输出层的输入量为：
Figure FDA0003523411270000027
输入层的输出量为：
Figure FDA0003523411270000028
反向传播误差函数为：
Figure FDA0003523411270000029
其中，r(k)为网络模型输出值，y(k)为实际输出值；
误差反向传播阶段通过将反向传播误差函数计算得到的值对隐含层及输出层的权值系数进行负梯度修正，从而得到隐含层到输出层加权系数的增量为
Figure FDA0003523411270000031
其中，η为学习效率，α为惯性系数；
输出层的加权系数修正增量为
Figure FDA0003523411270000032
其中，
Figure FDA0003523411270000033
隐含层的加权系数修正增量为
Figure FDA0003523411270000034
其中，
Figure FDA0003523411270000035
5.根据权利要求4所述的基于樽海鞘群和BP神经网络的电力负荷预测方法，其特征是，樽海鞘群算法的优化具体为：
将樽海鞘群体分为领导者和跟随者两类，群体中每个樽海鞘个体以链的形式首尾两节依次向前移动；
领导者和跟随者在搜索过程中不断更新自身位置，
领导者位置更新公式为
Figure FDA0003523411270000036
其中，
Figure FDA0003523411270000037
表示第d为链中第一个位置；Fd表示第d维食物位置，ubd表示搜索空间的上界，lbd表示搜索空间的下界，c2表示区间[0，1]内的随机数，c1表示收敛因子，表达式为；
Figure FDA0003523411270000041
表示当前迭代次数，lmax表示最大迭代次数；
跟随者位置更新公式为
Figure FDA0003523411270000042
其中，
Figure FDA0003523411270000043
表示更新后第d维的位置，
Figure FDA0003523411270000044
表示更新前第d维的位置；
通过不断计算更新适应度值，对领导者和跟随者位置不断进行更新，直到满足最优条件。
6.根据权利要求5所述的基于樽海鞘群和BP神经网络的电力负荷预测方法，其特征是，基于樽海鞘群优化BP神经网络具体为：
S31、设置樽海鞘群的数量N，空间维数D，BP神经网络的结构：输入层节点个数，隐含层节点个数，输出节点的个数，权值以及阈值；
S32、样本数据处理，包含异常值的替代和数据的归一化；选取训练数据和测试数据；
S33、以反向传播误差函数作为适应度函数，当适应度函数的数值达到设定值时，即为最优解；
S34、樽海鞘群初始化，将权值和阈值进行有序排列作为位置值，根据其位置随机产生初始位置；
S35、通过适应度函数计算，当前排在最优樽海鞘设置为当前食物的位置，选定食物位置后确定种群的领导者和跟随者；
S36、领导者和跟随者位置的更新，通过改进后的领导者位置更新公式进行移动，同时根据跟随者位置更新公式对跟随者位置进行更新；
S37、对更新后群体的适应度值进行计算，通过对比樽海鞘个体与当前作为食物的樽海鞘个体适应度值后，取两者之间最优的群体作为食物的位置；
S38、重复步骤S35至步骤S37，直到适应度函数的数值达到设定的标准值，此时模型输出的结果即为全局最优解；
S39、BP神经网络训练，将经过改进的樽海鞘群优化的初始权值和阈值带入BP神经网络进行数据训练，形成电力负荷预测模型。
CN202210187824.9A 2022-02-28 2022-02-28 一种基于樽海鞘群和bp神经网络的电力负荷预测方法 Pending CN114548350A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210187824.9A CN114548350A (zh) 2022-02-28 2022-02-28 一种基于樽海鞘群和bp神经网络的电力负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210187824.9A CN114548350A (zh) 2022-02-28 2022-02-28 一种基于樽海鞘群和bp神经网络的电力负荷预测方法

Publications (1)

Publication Number Publication Date
CN114548350A true CN114548350A (zh) 2022-05-27

Family

ID=81679670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210187824.9A Pending CN114548350A (zh) 2022-02-28 2022-02-28 一种基于樽海鞘群和bp神经网络的电力负荷预测方法

Country Status (1)

Country Link
CN (1) CN114548350A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952728A (zh) * 2022-11-29 2023-04-11 淮阴工学院 一种亚硝态氮浓度软测量预测方法
CN117591889A (zh) * 2024-01-18 2024-02-23 北京中科飞鸿科技股份有限公司 一种基于神经网络的探测队形优化方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952728A (zh) * 2022-11-29 2023-04-11 淮阴工学院 一种亚硝态氮浓度软测量预测方法
CN115952728B (zh) * 2022-11-29 2023-07-07 淮阴工学院 一种亚硝态氮浓度软测量预测方法
CN117591889A (zh) * 2024-01-18 2024-02-23 北京中科飞鸿科技股份有限公司 一种基于神经网络的探测队形优化方法
CN117591889B (zh) * 2024-01-18 2024-04-26 北京中科飞鸿科技股份有限公司 一种基于神经网络的探测队形优化方法

Similar Documents

Publication Publication Date Title
Lu et al. Review of meta-heuristic algorithms for wind power prediction: Methodologies, applications and challenges
CN108280551B (zh) 一种利用长短期记忆网络的光伏发电功率预测方法
CN110766212B (zh) 用于历史数据缺失电场的超短期光伏功率预测方法
CN110084424A (zh) 一种基于lstm与lgbm的电力负荷预测方法
CN112116144B (zh) 一种区域配电网短期负荷预测方法
CN114548350A (zh) 一种基于樽海鞘群和bp神经网络的电力负荷预测方法
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN110969290A (zh) 一种基于深度学习的径流概率预测方法及系统
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
Wang et al. A regional pretraining-classification-selection forecasting system for wind power point forecasting and interval forecasting
CN110276483A (zh) 基于神经网络的制糖原材料预测方法
CN114678080A (zh) 转炉终点磷含量预测模型及构建方法、磷含量预测方法
CN111598329A (zh) 基于自动化参数调整循环神经网络的时序数据预测方法
CN109858665A (zh) 基于特征筛选与anfis-pso的光伏短期功率预测方法
CN112990587A (zh) 一种对台区用电进行精准预测的方法及系统、设备、介质
CN115115389A (zh) 一种基于价值细分和集成预测的快递客户流失预测方法
CN110717581A (zh) 一种基于温度模糊处理和dbn的短期负荷预测方法
CN116526473A (zh) 基于粒子群优化lstm的电热负荷预测方法
CN112801388A (zh) 一种基于非线性时间序列算法的电力负荷预测方法及系统
CN116502455A (zh) 一种激光选区熔化技术的工艺参数确定方法及系统
CN113282747B (zh) 一种基于自动机器学习算法选择的文本分类方法
CN113962819A (zh) 一种基于极限学习机的工厂化水产养殖溶解氧预测方法
CN117439053A (zh) 一种Stacking集成模型电量预测方法、装置、存储介质
CN116960962A (zh) 一种跨区域数据融合的中长期区域负荷预测方法
CN116245259A (zh) 基于深度特征选择的光伏发电预测方法、装置和电子设备

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