CN114595873A - 一种基于灰色关联的da-lstm的短期电力负荷预测方法 - Google Patents
一种基于灰色关联的da-lstm的短期电力负荷预测方法 Download PDFInfo
- Publication number
- CN114595873A CN114595873A CN202210169235.8A CN202210169235A CN114595873A CN 114595873 A CN114595873 A CN 114595873A CN 202210169235 A CN202210169235 A CN 202210169235A CN 114595873 A CN114595873 A CN 114595873A
- Authority
- CN
- China
- Prior art keywords
- day
- lstm
- value
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 241000238633 Odonata Species 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 230000015654 memory Effects 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- -1 hydrogen Chemical class 0.000 claims 1
- 239000001257 hydrogen Substances 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明公开了一种基于灰色关联的DA‑LSTM的短期电力负荷预测方法，包括：获取多日日负荷影响因素数据和负荷数据，计算各个日负荷影响因素数据负荷数据之间的MIC值，获得各影响因素的权重，划分历史日数据和待预测日数据，并构建灰色关联判断矩阵，利用各影响因素的权重对灰色关联判断矩阵进行加权，计算出加权灰色关联决策阵，得到每个历史日和待预测日的灰色关联值，将灰色关联值从大到小进行排序，设置阈值，选择满足阈值历史日作为相似日集，构建DA‑LSTM模型，利用将蜻蜓算法DA对长短期记忆网络LSTM的参数进行优化，在DA‑LSTM模型中输入相似日数据，对待预测日进行负荷预测。该方法结合历史负荷、气象、日期类型等因素进行预测，能对待预测日实现短期预测。
Description
技术领域
本发明涉及电力负荷预测技术领域，更具体的涉及一种基于灰色关联的DA-LSTM的短期电力负荷预测方法。
背景技术
电力系统短期负荷预测是根据历史负荷变化规律，结合气象、经济等因素对未来几天或几小时负荷进行科学预测。准确的负荷预测是安排电力生产调度、提高电力系统自动化运行水平的重要决策依据。对电力负荷进行短期预测是电网企业分散式负荷管理，实现精细化管理的重要手段。
现有相似日方法中相似日的选取主要是直接采用灰色关联或聚类，但所选取的相似日与待预测日的相似度有待进一步提高。
发明内容
本发明实施例提供一种基于灰色关联的DA-LSTM的短期电力负荷预测方法，包括：
获取多日日负荷影响因素数据和负荷数据，获得影响因素特征数据；
计算各个日负荷影响因素数据负荷数据之间的MIC值，获得各影响因素的权重；
划分历史日影响因素特征数据数据和待预测日影响因素特征数据数据，并构建灰色关联判断矩阵，利用各影响因素的权重对灰色关联判断矩阵进行加权，计算出加权灰色关联决策矩阵，根据加权灰色关联决策矩阵得到每个历史日和待预测日的灰色关联值，将灰色关联值从大到小进行排序，设置阈值，选择满足阈值历史日作为相似日集；
利用将蜻蜓算法DA对长短期记忆网络LSTM的参数进行优化，构建DA-LSTM模型；
在DA-LSTM模型中输入相似日影响因素特征数据数据，对待预测日进行负荷预测。
近一步，日负荷影响因素数据，包括：
周一到周日、节假日、工作日、日最高温度、日最低温度、日平均温度、日相对湿度。
近一步，还包括对负荷数据的预处理步骤，其包括：
采用3σ原则，分别计算数据的四分位数Q1和Q3；
设定可接受值的取值范围，设定方法如下式所示：
Q3+k(Q3-Q1)～Q1-k(Q3-Q1)
式中，Q1为第一四分位数，Q3为第三四分位数；
对负荷数据从小到大依次排序；
采用线性插补法和均值插补法填补计算，取其平均值填充负荷数据对应缺失值。
近一步，各影响因素的权重，计算公式包括：
W＝[ω1 ω2 … ωm]
式中：pk为第k个影响因素的MIC值，ωk为第k个影响因素的权重，k＝1，2，…，m。
近一步，构建灰色关联判断矩阵，包括：
各元素按下式计算：
式中：rik为第i个样本的第k个特征对应的关联系数，yik为第i个样本的第k个特征对应值，y0k为待预测日的第k个影响因素的特征值，ρ为分辨系数。
近一步，加权灰色关联决策矩阵，计算公式包括：
近一步，灰色关联值，计算公式包括：
近一步，利用将蜻蜓算法DA对长短期记忆网络LSTM的参数进行优化的步骤，包括：
设置蜻蜓种群个数及蜻蜓种群的次数；
设置LSTM的隐藏层LSTM单元的个数、学习率的取值范围，随机初始化种群；
将蜻蜓的个体位置信息依次赋值给LSTM网络模型隐含层单元数和学习率；
将DA-LSTM模型的平均绝对百分比误差作为蜻蜓个体当前的适应度值，每进行一次迭代操作，计算此蜻蜓个体的最小适应度值，并通过对比，选取最小适应度值作为最优值，保存寻找到最优值时所对应的隐含层单元数和学习率；
计算蜻蜓个体行为，更新蜻蜓个体的邻域半径和相对位置；当满足蜻蜓算法的最大迭代次数时，则停止LSTM模型的参数寻优过程，输出蜻蜓的最小适应度值和最优值所对应的参数隐含层单元数和学习率；
否则继续迭代。
本发明实施例提供一种基于灰色关联的DA-LSTM的短期电力负荷预测方法，与现有技术相比，其有益效果如下：
采用相似日的方法可以筛选得到相关性高的训练样本，并且可以降低数据维度，从而较少的训练样本就能达到较高的预测精度。利用MIC，采用相关系数法确定各影响因素的权重，进而计算出每个样本的灰色关联值。将蜻蜓算法和长短期记忆相结合，对LSTM网络的部分需人为设定的参数进行优化
附图说明
图1为本发明实施例提供的一种基于灰色关联的DA-LSTM的短期电力负荷预测方法流程图；
图2为本发明实施例提供的一种基于灰色关联的DA-LSTM的短期电力负荷预测方法DA-LSTM算法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
参见图1～2，本发明实施例提供一种基于灰色关联的DA-LSTM的短期电力负荷预测方法，该方法包括：
获取多日日负荷影响因素数据和负荷数据；计算各个日负荷影响因素数据负荷数据之间的MIC值，获得各影响因素的权重；划分历史日数据和待预测日数据，并构建灰色关联判断矩阵，利用各影响因素的权重对灰色关联判断矩阵进行加权，计算出加权灰色关联决策阵，得到每个历史日和待预测日的灰色关联值，将灰色关联值从大到小进行排序，设置阈值，选择满足阈值历史日作为相似日集；构建DA-LSTM模型，利用将蜻蜓算法DA对长短期记忆网络LSTM的参数进行优化；在DA-LSTM模型中输入相似日数据，对待预测日进行负荷预测。
实施例：
1、获取负荷、气象、日期类型等数据，并对其进行预处理
步骤1：异常值检测
针对负荷值出现的前后对比差异很大的值，采用3σ原则，分别计算数据的四分位数Q1和Q3，设定可接受值的取值范围，设定方法如下式所示，其中，k取3时检测极端异常值。
Q3+k(Q3-Q1)～Q1-k(Q3-Q1)
式中，Q1为第一四分位数，Q3为第三四分位数，即将训练样本从小到大依次排序，Q1即为序列中第25％的数字，Q3即为序列中第75％的数字。
步骤2：缺失值填充
上述异常值剔除后，将作为缺失值进行填充。采用线性插补法和均值插补法填补计算，取其平均值填充对应缺失值。
2、MIC特征选择
作为计算灰色关联度的样本，本申请选择日特征因素：周一到周日、是否为节假日、是否为工作日、日最高温度、日最低温度、日平均温度、日相对湿度。计算各个特征与负荷之间的MIC值；本申请将MIC阈值设置为本0.6，即选取MIC值大于0.6的影响因素。
3、将数据划分为训练集和测试集
其中，训练集为历史数据，测试集为待预测日(目标日)数据。
4、灰色关联分析选取相似日
步骤1：构建电力负荷影响因素特征向量
Yi＝[yi1 yi2 yi3 … yim]
Y0＝[y01 y02 y03 … y0m]
Yi、Y0分别为历史样本和待预测日的特征向量。式中：i＝1，2，…，n，n为历史样本总数；yim为第i个样本的第m个因素的特征值。
步骤2：构建灰色关联判断矩阵R
各元素按下式计算：
式中：rik为第i个样本的第k个特征对应的关联系数；yik为第i个样本的第k个特征对应值；y0k为待预测日的第k个影响因素的特征值；ρ为分辨系数，一般取0.5。
步骤3：相关系数法确定各影响因素的权重
W＝[ω1 ω2 … ωm]
式中：pk为第k个影响因素的MIC值；ωk为第k个影响因素的权重，k＝1，2，…，m。
步骤4：利用步骤3权重对灰色关联判断矩阵进行加权，计算出加权灰色关联决策矩阵R′
步骤5：得到每个历史样本的灰色关联值
式中：Gi为第i个样本的灰色关联度。
步骤6：将每个历史日特征向量的灰色关联度从大到小进行排序，设置阈值，选择满足阈值的样本作为相似日集。本申请将阈值设置为0.6。
5、建立基于蜻蜓算法优化长短期记忆网络的短期负荷预测模型
建立预测模型具体步骤如下：
步骤1：初始化LSTM和蜻蜓算法的相关参数
设置蜻蜓种群个数及蜻蜓种群的次数；设置LSTM的两个超参数(隐藏层LSTM单元的个数、学习率)的取值范围，随机初始化种群。
步骤2：构建LSTM网络模型，并将蜻蜓的个体位置信息依次赋值给隐含层单元数和学习率。
步骤3：根据DA-LSTM模型，将预测模型的平均绝对平均百分比误差作为蜻蜓个体当前的适应度值，每进行一次操作，计算此蜻蜓个体的最小适应度值，并通过对比，选取最小适应度值作为最优值，保存寻找到最优值时所对应的隐含层单元数和学习率。
步骤4：计算蜻蜓个体行为，对蜻蜓个体的邻域半径和相对位置进行更新。
步骤5：当满足蜻蜓算法的最大迭代次数时，则停止LSTM模型的参数寻优过程，输出蜻蜓的最小适应度值和最优值所对应的参数隐含层单元数和学习率；否则继续迭代，重复执行步骤3。
6、DA-LSTM模型预测日负荷
DA-LSTM模型预测日负荷
用上述训练出来的最优隐藏层LSTM单元个数和学习率，利用LSTM模型，以相似日集为训练集，对待预测日进行负荷预测。
7、模型性能评估
采用平均绝对百分比误差MAPE(Mean Absolute Percentage Error)和均方根误差RMSE(Root Mean Square Error)为误差标准，分别表示为
式中：n为预测时刻点数，yt和
分别为t时刻对应的实际值与预测值。
以上公开的仅为本发明的几个具体实施例，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明的精神和范围，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围内。
Claims (8)
1.一种基于灰色关联的DA-LSTM的短期电力负荷预测方法，其特征在于，包括：
获取日负荷影响因素和电力负荷数据，获得影响因素特征数据；
计算各个日负荷影响因素和电力负荷数据之间的MIC值，获得各影响因素的权重；
划分历史日影响因素特征数据和待预测日影响因素特征数据，并构建灰色关联判断矩阵；
利用各影响因素的权重对灰色关联判断矩阵进行加权，计算出加权灰色关联决策矩阵，根据加权灰色关联决策矩阵计算每个历史日和待预测日的灰色关联值，将灰色关联值从大到小进行排序，设置阈值，将满足阈值的历史日作为相似日集；
利用蜻蜓算法DA对长短期记忆网络LSTM的参数进行优化，构建DA-LSTM模型；
在DA-LSTM模型中输入相似日的影响因素特征数据数据，对待预测日进行负荷预测。
2.如权利要求1所述的一种基于灰色关联的DA-LSTM的短期电力负荷预测方法，其特征在于，所述日负荷影响因素，包括：
周一到周日、节假日、工作日、日最高温度、日最低温度、日平均温度、日相对湿度。
3.如权利要求1所述的一种基于灰色关联的DA-LSTM的短期电力负荷预测方法，其特征在于，还包括对电力负荷数据的预处理，其包括：
采用3σ原则，分别计算数据的四分位数Q1和Q3；
设定可接受值的取值范围，设定方法如下式所示：
Q3+k(Q3-Q1)～Q1-k(Q3-Q1)
式中，Q1为第一四分位数，Q3为第三四分位数；
对负荷数据从小到大依次排序；
采用线性插补法和均值插补法填补计算，取其平均值填充负荷数据对应缺失值。
4.如权利要求1所述的一种基于灰色关联的DA-LSTM的短期电力负荷预测方法，其特征在于，所述各影响因素的权重，计算公式包括：
W＝[ω1 ω2 … ωm]
式中：pk为第k个影响因素的MIC值，ωk为第k个影响因素的权重，k＝1，2，…，m。
5.如权利要求4所述的一种基于灰色关联的DA-LSTM的短期电力负荷预测方法，其特征在于，所述灰色关联判断矩阵，包括：
各元素按下式计算：
式中：rik为第i个样本的第k个特征对应的关联系数，yik为第i个样本的第k个特征对应值，y0k为待预测日的第k个影响因素的特征值，ρ为分辨系数。
6.如权利要求5所述的一种基于灰色关联的DA-LSTM的短期电力负荷预测方法，其特征在于，所述加权灰色关联决策阵，计算公式包括：
7.如权利要求6所述的一种基于灰色关联的DA-LSTM的短期电力负荷预测方法，其特征在于，所述灰色关联值，计算公式包括：
8.如权利要求6所述的一种基于灰色关联的DA-LSTM的短期电力负荷预测方法，其特征在于，所述利用蜻蜓算法DA对长短期记忆网络LSTM的参数进行优化的步骤，包括：
设置蜻蜓种群个数及蜻蜓种群的次数；
设置LSTM的隐藏层LSTM单元的个数、学习率的取值范围，随机初始化种群；
将蜻蜓的个体位置信息依次赋值给LSTM网络模型隐含层单元数和学习率；
将DA-LSTM模型的平均绝对百分比误差作为蜻蜓个体当前的适应度值，每进行一次迭代操作，计算此蜻蜓个体的最小适应度值，并通过对比，选取最小适应度值作为最优值，保存寻找到最优值时所对应的隐含层单元数和学习率；
计算蜻蜓个体行为，更新蜻蜓个体的邻域半径和相对位置；
当满足蜻蜓算法的最大迭代次数时，则停止LSTM模型的参数寻优过程，输出蜻蜓的最小适应度值和最优值所对应的参数隐含层单元数和学习率；
否则继续迭代。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210169235.8A CN114595873A (zh) | 2022-02-23 | 2022-02-23 | 一种基于灰色关联的da-lstm的短期电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210169235.8A CN114595873A (zh) | 2022-02-23 | 2022-02-23 | 一种基于灰色关联的da-lstm的短期电力负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114595873A true CN114595873A (zh) | 2022-06-07 |
Family
ID=81804271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210169235.8A Pending CN114595873A (zh) | 2022-02-23 | 2022-02-23 | 一种基于灰色关联的da-lstm的短期电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114595873A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114912720A (zh) * | 2022-07-15 | 2022-08-16 | 石家庄科林电气股份有限公司 | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 |
| CN115983434A (zh) * | 2022-12-07 | 2023-04-18 | 广州番禺职业技术学院 | 一种基于神经网络的短期风场风速预测方法及系统 |
| CN118213997A (zh) * | 2024-05-21 | 2024-06-18 | 国网安徽省电力有限公司巢湖市供电公司 | 一种基于ahp-灰色模糊算法的城市电网负荷预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340273A (zh) * | 2020-02-17 | 2020-06-26 | 南京邮电大学 | 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法 |
| CN111860979A (zh) * | 2020-07-01 | 2020-10-30 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN112561156A (zh) * | 2020-12-11 | 2021-03-26 | 国网江苏省电力有限公司南通供电分公司 | 基于用户负荷模式分类的短期电力负荷预测方法 |
| CN113240193A (zh) * | 2021-06-03 | 2021-08-10 | 安徽理工大学 | 一种基于变分模态分解和人工蜂群优化的短期电力负荷预测方法 |
-
2022
- 2022-02-23 CN CN202210169235.8A patent/CN114595873A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340273A (zh) * | 2020-02-17 | 2020-06-26 | 南京邮电大学 | 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法 |
| CN111860979A (zh) * | 2020-07-01 | 2020-10-30 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN112561156A (zh) * | 2020-12-11 | 2021-03-26 | 国网江苏省电力有限公司南通供电分公司 | 基于用户负荷模式分类的短期电力负荷预测方法 |
| CN113240193A (zh) * | 2021-06-03 | 2021-08-10 | 安徽理工大学 | 一种基于变分模态分解和人工蜂群优化的短期电力负荷预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张海涛;李文娟;向春勇;王家华;刘丽新;: "基于气温累积效应和灰色关联度的短期负荷预测研究", 电气自动化, no. 03, 30 May 2019 (2019-05-30) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114912720A (zh) * | 2022-07-15 | 2022-08-16 | 石家庄科林电气股份有限公司 | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 |
| CN115983434A (zh) * | 2022-12-07 | 2023-04-18 | 广州番禺职业技术学院 | 一种基于神经网络的短期风场风速预测方法及系统 |
| CN118213997A (zh) * | 2024-05-21 | 2024-06-18 | 国网安徽省电力有限公司巢湖市供电公司 | 一种基于ahp-灰色模糊算法的城市电网负荷预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022135265A1 (zh) | 气候变化影响下水库调度规则的失效预警分析方法 | |
| CN114595873A (zh) | 一种基于灰色关联的da-lstm的短期电力负荷预测方法 | |
| CN106485262B (zh) | 一种母线负荷预测方法 | |
| JP2022500769A (ja) | 電力システム熱負荷の予測方法及び予測装置 | |
| CN111401599B (zh) | 一种基于相似性搜索和lstm神经网络的水位预测方法 | |
| CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
| CN107292098A (zh) | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 | |
| CN110163429A (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
| CN113408869A (zh) | 一种配电网建设目标风险评估方法 | |
| 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 | |
| CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
| CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 | |
| 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 | |
| CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
| CN117909888B (zh) | 智慧人工智能气候预测方法 | |
| CN115018200A (zh) | 一种基于深度学习并考虑多种影响因素的电力负荷预测方法及系统 | |
| CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
| 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 | |
| CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
| CN115115119A (zh) | 一种基于灰色关联的oa-gru的短期电力负荷预测方法 | |
| CN116663404A (zh) | 一种耦合人工智能和贝叶斯理论的洪水预报方法及系统 | |
| CN115907228A (zh) | 一种基于pso-lssvm的短期电力负荷预测分析方法 | |
| CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
| CN115345245A (zh) | 一种基于随机森林和迁移学习的热带气旋快速加强预报方法 | |
| CN113592176A (zh) | 一种电网生产技改项目投资预测方法 |
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 |