CN114881338A - 基于最大互信息系数与深度学习的配电网线损预测方法 - Google Patents

基于最大互信息系数与深度学习的配电网线损预测方法 Download PDF

Info

Publication number
CN114881338A
CN114881338A CN202210544270.3A CN202210544270A CN114881338A CN 114881338 A CN114881338 A CN 114881338A CN 202210544270 A CN202210544270 A CN 202210544270A CN 114881338 A CN114881338 A CN 114881338A
Authority
CN
China
Prior art keywords
line loss
power distribution
distribution network
mutual information
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.)
Pending
Application number
CN202210544270.3A
Other languages
English (en)
Inventor
王杰
罗李子
黄亦铖
唐兆杰
孙金生
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202210544270.3A priority Critical patent/CN114881338A/zh
Publication of CN114881338A publication Critical patent/CN114881338A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供基于最大互信息系数与深度学习的配电网线损预测方法，以实际配电网历史线损数据、气候气象数据作为特征变量，计算特征变量与待预测时刻线损之间的最大互信息系数；搭建由输入层、多层LSTM单元、Dropout层及输出层的配电网线损预测模型；选取最大互信息系数值大于M的特征变量作为特征集，在特征集中按照最大互信息系数值由高到低依次选取特征作为配电网线损预测模型的输入，并结合模型预测误差构建最优输入特征集，实现配电网线损精准预测。本发明的配电网线损预测方法，能够定量分析配电网历史多时刻线损特征、气候气象特征与待预测时刻线损之间的关联度，构建完整有效的模型输入特征集，降低模型训练复杂度，提升线损预测模型的预测精度。

Description

基于最大互信息系数与深度学习的配电网线损预测方法
技术领域
本发明属于电力系统稳态分析领域，涉及一种配电网线损预测方法，更具体地，涉及一种基于最大互信息系数与深度学习的配电网线损预测方法。
背景技术
配电网线损是电力系统在配电过程中造成的能量损耗，是衡量电力网络运行状况、管理质量、经济效益的重要综合指标，能够直接反映电力网络的规划设计与管控运行水平，对电力网络的运行维护、改造升级以及规划调度起直接指导作用。配电网线损的精准预测能够有效指导电网管理人员对电网运行的调控，及时判断电力线路的安全状况。随着近些年智能电网建设的飞速推进以及大数据、人工智能等技术的日趋成熟，电网运行量测数据呈指数型增长，为配电网线损精准预测提供了有效支撑。然而配电网线损数据的海量多源特性，传统基于物理机理的预测方法不能有效分析多源海量量测数据与配电网线损之间的非线性隐藏联系。
基于数据驱动的方法对电力系统进行深入分析是当下智能电网建设的核心战略需求，不同于传统基于物理模型进行分析的方法，数据驱动方法通过深入挖掘电网海量历史数据的时空关联特性，进而建立高效的数据驱动模型，避免了复杂困难的物理建模，能够有效提高分析建模的效率和精度。目前，基于深度学习等智能算法的配电网线损预测方法虽然能有效挖掘出电网历史数据中运行参数之间的非线性隐藏联系，但由于电网运行参数数据的多源海量特性，导致基于深度学习的配电网预测模型训练耗时耗力。如何基于数据驱动方法实现配电网线损快速、准确预测，是一个具有重要意义的研究课题。
发明内容
本发明的目的在于提供一种基于最大互信息系数与深度学习的配电网线损预测方法，能够有效构建线损预测模型输入特征集，提升线损预测模型精度与速度。
为实现上述技术目的，本发明采用如下技术方案：
一种基于最大互信息系数与深度学习的配电网线损预测方法，该方法步骤如下：
(1)获取配电网线损历史数据和对应的气候气象数据，基于预测时刻前不同时段配电网线损历史数据、预测时刻前不同时段气候气象数据构建特征变量，以预测时刻线损数据作为输出特征，分别计算各特征变量与输出特征的最大互信息系数；
(2)建立由输入层、多层LSTM单元、Dropout层、输出层组成的配电网线损预测模型；选取最大互信息系数值大于M的n个特征变量作为特征集，进而在特征集中按照最大互信息系数值由高到低依次选取特征变量作为配电网线损预测模型的输入，选取特征个数记为m，初始值为1；
(3)根据构建的配电网线损预测模型与输入特征，迭代训练、测试线损预测模型，得到模型预测误差，并判断m是否小于n，若是，则m＝m+1，返回继续迭代训练、测试线损预测模型，否则结束模型训练；
(4)根据得到的模型预测误差，确定配电网线损预测模型最优输入特征集，根据最优输入特征集采集数据，输入配电网线损预测模型，实现配电网线损预测。
作为一种优选的实施方式，所述步骤(1)中，数据的采样间隔为T，一天采样k个点；分别取预测时刻前s*T时间前的线损数据、预测时刻前v*T时间前气候气象数据构建特征变量，以预测时刻的线损数据作为输出特征，分别计算各特征变量与输出特征的最大互信息系数，其中s、v为自然数，s＝1～7*k，v＝0～7*k。
作为一种优选的实施方式，先计算特征变量与输出特征的互信息值，进而基于互信息值计算特征变量与输出特征的最大互信息系数，在计算互信息值时，基于下述方式简化计算：
将特征变量a与b化为以a、b为坐标轴的散点图，将a坐标轴划分为A段，b坐标轴划分为B段，即得到多个小方格；计算每个小方格中坐标点(a,b)的落入概率，得到联合概率p(a,b)，进而计算出a与b之间的互信息值。
作为一种优选的实施方式，所述配电网线损预测模型中，输入层由归一化后的特征变量组成，输入层节点个数为特征变量的维度。
作为一种优选的实施方式，所述LSTM单元由遗忘门、输入门和输出门构成。
作为一种优选的实施方式，所述输出层由全连接层构成，输出层节点个数为输出特征的维度。
作为一种优选的实施方式，所述LSTM单元设有2层，第一层LSTM单元节点个数为85，第二层LSTM单元节点个数为100，Dropout层的Dropout概率值取0.1。
作为一种优选的实施方式，所述特征集选取标准M的值取所有特征变量与输出特征的最大互信息系数中最大值的0.3倍。
作为一种优选的实施方式，所述气候气象数据为温度值、风速值、降水量值。
作为一种优选的实施方式，将获取的配电网线损历史数据和对应的气候气象数据划分为训练集数据和测试集数据，训练集数据用于量化分析特征变量与输出特征的最大互信息系数并参与模型训练，测试集的数据用于在每次模型训练后对线损预测模型进行精度测试，得到模型预测误差。
作为一种优选的实施方式，所述模型预测误差采用均方根误差。
本发明提出了一种基于最大互信息系数与深度学习的配电网线损预测方法，该方法避免了复杂困难的物理建模，通过最大互信息系数定量分析了实际配电网多时刻线损特征、气候气象特征与待预测时刻线损之间的关联度，相较于线性相关分析，基于最大互信息系数的关联度定量分析更加全面，能够挖掘出输入特征与输出特征之间的非线性关联度。进一步基于关联度量化分析结果选取输入特征集，能够有效去除无效特征的不利影响、提升数据质量。并基于所选取的输入特征集，结合深度LSTM神经网络，构建了配电网线损预测模型，模型训练时间、难度得到了大幅降低，预测精度进一步提升。
附图说明
图1是本发明的方法流程示意图。
图2是本发明的线损预测模型结构示意图。
图3是本发明基于不同输入特征的线损预测模型测试误差结果图。
图4是本发明实施例中基于实际配电网真实数据的线损预测结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施案例对本发明进行深入地详细说明。应当理解，此处所描述的具体实施案例仅仅用以解释本发明，并不用于限定发明。
图1是本发明的方法流程示意图，介绍了本发明方法的基本步骤。以下为本发明方法的具体实现。
1)本发明实施例基于实际配电网的真实线损历史数据、气候气象数据进行验证，数据采样间隔为3小时，一天采样8个点。采样2017-2018年间485天共3880个点的线损值数据与气象气候数据，其中1-3200点的历史数据作为配电网线损预测模型的训练集，3201-3880共680个点的历史数据作为配电网线损预测模型的测试集。关联度定量分析基于模型训练集进行，参与定量分析的输入特征为待预测时刻前s*3小时前线损(s取1～56)以及待预测时刻前v*3小时前温度、风速、降水量(v取0～56)，即取待预测时刻前7天内线损相关特征进行关联度分析。输出特征为待预测时刻线损。仿真实验在64位计算上进行，CPU为2.9GHz，Inter Corei5，基于MATLAB深度学习工具箱实现深度LSTM神经网络。
参与关联度定量分析的模型输入、输出特征数据构建如下所示：
Xt＝(xt,xt+1,...xt+3143),t＝1,2,...,56
Xt1＝(xt1,xt1+1,...xt1+3143),t1＝1,2,...,57 (1)
Y＝(yt2,yt2+1,...yt2+3143),t2＝57
式中，Xt为历史线损值；Xt1为气象气候特征数据集，分别取温度值、风速值、降水量值；Y为模型输出特征，即待预测时刻线损值；t、t1、t2为时刻点；
关联度定量分析基于最大互信息系数进行，其具体计算方法如下所示：
11)对于给定的两个特征变量a与b(本实施例中a分别取Xt、Xt1，其中Xt1分别取温度值、风速值、降水量值，b为Y)，首先计算它们之间的互信息值，计算公式如下：
Figure BDA0003649242550000041
式中，p(a,b)为特征变量a与b之间的联合概率；
12)为简化联合概率p(a,b)的计算过程，将特征变量a与b化为以a、b为坐标轴的散点图，将a坐标轴划分为A段，b坐标轴划分为B段，即可得到多个小方格，通过计算每个小方格中坐标点(a,b)的落入概率，得到联合概率p(a,b)，进而计算出a与b之间的互信息值，计算公式如下：
Figure BDA0003649242550000042
13)根据步骤12)所得I(a；b)，变量a与b之间的最大互信息系数(MaximalInformation Coefficient，MIC)具体计算方法如下：
Figure BDA0003649242550000051
式中，I(a,b)为变量a与b之间的互信息值；A、B为沿a、b方向划分段数的个数，即网格分布，A与B的值从1开始递增，同时满足A*B≤Q；Q的大小为数据总量的0.6次方；
2)基于深度LSTM神经网络理论，搭建具有输入层、隐藏层、Dropout层以及输出层的多层深度神经网络配电网线损预测模型，线损预测模型结构示意图如图2所示，具体搭建方法如下所示：
21)配电网线损预测模型的输入层由归一化后的输入特征组成，输入层节点个数为输入特征的维度：
22)配电网线损预测模型的隐藏层由多层LSTM单元构成，LSTM单元包含遗忘门、输入门和输出门，计算公式为：
ft＝σ(Wf*[ht-1,xt]+bf)
it＝σ(Wi*[ht-1,xt]+bi) (5)
ot＝σ(Wo*[ht-1,xt]+bo)
式中，ft、it、ot分别表示遗忘门、输入门以及输出门在t时刻的计算结果；Wf、Wi、Wo分别表示遗忘门、输入门以及输出门的权重矩阵；bf、bi、bo分别表示遗忘门、输入门以及输出门的偏置项；σ为sigmoid激活函数；
23)配电网线损预测模型的Dropout层用于防止模型过拟合，输出层由全连接层构成，输出层节点个数为输出特征的维度，本实施例中输出特征维度为1，即为待预测时刻线损值；
24)模型预测误差采用均方根误差(Root Mean Squared Error，RMSE)，计算公式为：
Figure BDA0003649242550000052
式中，yi'为预测值；yi为真实值；z为样本总数；3)根据步骤1)所得关联度定量分析结果，其中特征变量与输出特征的最大互信息系数最大值为0.5699，即M为0.1710，选取最大互信息系数大于M的特征变量构成特征集，最终选取共47个特征变量；
31)为验证所选特征集的有效性，基于所构建的线损预测模型进行测试；输入特征分别选取所有特征变量(7天内共227个特征变量)、最大互信息系数大于M的特征变量(共47个特征变量)、最大互信息系数小于M的特征变量(共180个特征变量)；
32)不同输入特征对应的预测模型结构(LSTM层数、节点个数)通过多次实验确定(保证预测误差RMSE最小)，模型训练迭代次数均取250次，初始学习率均取0.01；
33)基于不同输入特征所确定的预测模型结构进行测试，所有特征变量、最大互信息系数大于M的特征变量、最大互信息系数小于M的特征变量分别作为预测模型输入特征的测试结果如下(取5次实验测试平均值)：平均预测误差(RMSE)：0.087、0.021、0.131；模型迭代训练时间：136秒、77秒、117秒。
通过测试结果直接证明了基于最大互信息系数构建线损预测模型输入特征的有效性，能够深入挖掘历史多时刻线损、气象气候特征与待预测时刻线损的关联度，进而有效去除无效特征的不利影响，降低输入特征的维度，减少模型迭代训练的复杂度，提升线损预测精度。
4)为进一步构建线损预测模型最优输入特征集，在所选特征集中按照最大互信息系数值由高到低依次选取特征作为配电网线损预测模型的输入，选取特征个数记为m，初始值为1；最大互信息系数值均为大于或等于0的值，且两组序列数据之间的最大互信息系数值越大，则这两组序列数据之间的关联度越高；
根据步骤2)、3)得到的配电网线损预测模型与输入特征，基于训练集迭代训练线损预测模型，并在测试集上进行预测精度测试，得到模型预测误差，并判断m是否小于n，若是，则m＝m+1，且返回步骤3)，若否，则进入步骤5)；
基于不同输入特征的模型预测误差测试结果如图3所示；
5)最优输入特征集选取步骤4)中所得RMSE最小值(0.0141)所对应的输入特征，本实例中所得最优输入特征个数为6，分别为待预测时刻前8*3、1*3、7*3、2*3、6*3小时前历史线损以及待预测时刻前1*3小时前历史温度。
基于最优特征输入特征历史数据，结合步骤2)中所得多层深度神经网络线损预测模型，最终基于测试集上前12天采样数据所得线损预测结果如图4所示；线损预测模型训练最大迭代次数为250次，模型迭代训练时间为56秒，训练完成的模型参数为：输入层节点个数：6，共2层LSTM层，LSTM层1节点个数：85，LSTM层2节点个数：100，Dropout层的Dropout概率值取0.1，输出特征个数为1，即为待预测时刻线损值。
本发明提出的基于最大互信息系数与深度学习的配电网线损预测方法，为线损预测模型的输入特征选取提供了量化的参考标准，能够有效构建线损预测模型的最优输入特征集。在多源海量配电网历史数据、气象气候数据处理中量化了多源特征与线损预测模型输出的关联度，进而有效去除无效特征的不利影响，大幅减少输入特征维度，降低线损预测模型的迭代训练复杂度，进一步提高线损预测精度。

Claims (10)

1.一种基于最大互信息系数与深度学习的配电网线损预测方法，其特征在于，该方法包括如下步骤：
（1）获取配电网线损历史数据和对应的气候气象数据，基于预测时刻前不同时段配电网线损历史数据、预测时刻前不同时段气候气象数据构建特征变量，以预测时刻线损数据作为输出特征，分别计算各特征变量与输出特征的最大互信息系数；
（2）建立由输入层、多层LSTM单元、Dropout层、输出层组成的配电网线损预测模型；选取最大互信息系数值大于M的n个特征变量作为特征集，进而在特征集中按照最大互信息系数值由高到低依次选取特征变量作为配电网线损预测模型的输入，选取特征个数记为m，初始值为1；
（3）根据构建的配电网线损预测模型与输入特征，迭代训练、测试线损预测模型，得到模型预测误差，并判断m是否小于n，若是，则m=m+1，返回继续迭代训练、测试线损预测模型，否则结束模型训练；
（4）根据得到的模型预测误差，确定配电网线损预测模型最优输入特征集，根据最优输入特征集采集数据，输入配电网线损预测模型，实现配电网线损预测。
2.根据权利要求1所述的方法，其特征在于，所述步骤（1）中，数据的采样间隔为T，一天采样k个点；分别取预测时刻前s*T时间前的线损数据、预测时刻前v*T时间前气候气象数据构建特征变量，以预测时刻的线损数据作为输出特征，分别计算各特征变量与输出特征的最大互信息系数，其中s、v为自然数，s=1~7*k，v=0~7*k。
3.根据权利要求1所述的方法，其特征在于，先计算特征变量与输出特征的互信息值，进而基于互信息值计算特征变量与输出特征的最大互信息系数，在计算互信息值时，基于下述方式简化计算：
将特征变量a与b化为以a、b为坐标轴的散点图，将a坐标轴划分为A段，b坐标轴划分为B段，即得到多个小方格；计算每个小方格中坐标点(a,b)的落入概率，得到联合概率p(a,b)，进而计算出a与b之间的互信息值。
4.根据权利要求1所述的方法，其特征在于，所述配电网线损预测模型中，输入层由归一化后的特征变量组成，输入层节点个数为特征变量的维度。
5.根据权利要求1所述的方法，其特征在于，所述LSTM单元由遗忘门、输入门和输出门构成。
6.根据权利要求1所述的方法，其特征在于，所述输出层由全连接层构成，输出层节点个数为输出特征的维度。
7.根据权利要求1所述的方法，其特征在于，所述LSTM单元设有2层，第一层LSTM单元节点个数为85，第二层LSTM单元节点个数为100，Dropout层的Dropout概率值取0.1。
8.根据权利要求1所述的方法，其特征在于，所述M的值取所有特征变量与输出特征的最大互信息系数中最大值的0.3倍。
9.根据权利要求1所述的方法，其特征在于，所述气候气象数据为温度值、风速值、降水量值。
10.根据权利要求1所述的方法，其特征在于，将获取的配电网线损历史数据和对应的气候气象数据划分为训练集数据和测试集数据，训练集数据用于量化分析特征变量与输出特征的最大互信息系数并参与模型训练，测试集的数据用于在每次模型训练后对线损预测模型进行精度测试，得到模型预测误差；所述模型预测误差采用均方根误差。
CN202210544270.3A 2022-05-18 2022-05-18 基于最大互信息系数与深度学习的配电网线损预测方法 Pending CN114881338A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210544270.3A CN114881338A (zh) 2022-05-18 2022-05-18 基于最大互信息系数与深度学习的配电网线损预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210544270.3A CN114881338A (zh) 2022-05-18 2022-05-18 基于最大互信息系数与深度学习的配电网线损预测方法

Publications (1)

Publication Number Publication Date
CN114881338A true CN114881338A (zh) 2022-08-09

Family

ID=82676572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210544270.3A Pending CN114881338A (zh) 2022-05-18 2022-05-18 基于最大互信息系数与深度学习的配电网线损预测方法

Country Status (1)

Country Link
CN (1) CN114881338A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115219853A (zh) * 2022-09-20 2022-10-21 北京智盟信通科技有限公司 风电场集电线路故障预警处理方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115219853A (zh) * 2022-09-20 2022-10-21 北京智盟信通科技有限公司 风电场集电线路故障预警处理方法及系统
CN115219853B (zh) * 2022-09-20 2023-01-20 北京智盟信通科技有限公司 风电场集电线路故障预警处理方法及系统

Similar Documents

Publication Publication Date Title
CN112949945B (zh) 一种改进双向长短期记忆网络的风电功率超短期预测方法
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN112686464A (zh) 短期风电功率预测方法及装置
CN105574615B (zh) 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法
CN110751318A (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN110991690A (zh) 一种基于深度卷积神经网络的多时次风速预测方法
CN108399470B (zh) 一种基于多示例遗传神经网络的室内pm2.5预测方法
CN113094860A (zh) 一种基于注意力机制的工控网络流量建模方法
CN113516271A (zh) 一种基于时空神经网络的风电集群功率日前预测方法
CN115293197A (zh) 一种基于长短期记忆网络的钻孔应变数据异常检测方法
CN113344288A (zh) 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN116894504A (zh) 一种风电集群功率超短期预测模型建立方法
CN116796168A (zh) 一种基于多头注意力机制的CNN-BiLSTM高海拔多因素输电线路可听噪声预测方法
CN115965177A (zh) 基于注意力机制改进的自回归误差补偿风电功率预测方法
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN114881338A (zh) 基于最大互信息系数与深度学习的配电网线损预测方法
Wibawa et al. Long Short-Term Memory to Predict Unique Visitors of an Electronic Journal
CN112232714B (zh) 一种基于深度学习的结构参数不完备下配电网风险评估方法
Zhou et al. Short-term wind power prediction based on EMD-LSTM
CN110555566B (zh) 一种基于b样条分位数回归的光电概率密度预测方法
CN116565850A (zh) 一种基于qr-blstm的风电功率超短期预测方法
CN114971022B (zh) 基于D-value-LSTM神经网络模型的风电功率预测方法
CN116307139A (zh) 一种优化与改进极限学习机的风电功率超短期预测方法
CN113722951B (zh) 基于神经网络的散射体三维有限元网格优化方法
CN115330085A (zh) 基于深度神经网络且无未来信息泄露的风速预测方法

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