CN114881538A - 一种基于感知机的需求响应用户选择方法 - Google Patents

一种基于感知机的需求响应用户选择方法 Download PDF

Info

Publication number
CN114881538A
CN114881538A CN202210722545.8A CN202210722545A CN114881538A CN 114881538 A CN114881538 A CN 114881538A CN 202210722545 A CN202210722545 A CN 202210722545A CN 114881538 A CN114881538 A CN 114881538A
Authority
CN
China
Prior art keywords
user
response
perceptron
historical
demand response
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
Application number
CN202210722545.8A
Other languages
English (en)
Other versions
CN114881538B (zh
Inventor
张伟椿
胡秦然
俞晓荣
葛毅
吴在军
周吉
郝珊珊
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.)
Liyang Research Institute of Southeast University
Original Assignee
Liyang Research Institute of Southeast 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 Liyang Research Institute of Southeast University filed Critical Liyang Research Institute of Southeast University
Priority to CN202210722545.8A priority Critical patent/CN114881538B/zh
Publication of CN114881538A publication Critical patent/CN114881538A/zh
Application granted granted Critical
Publication of CN114881538B publication Critical patent/CN114881538B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Water Supply & Treatment (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于感知机的需求响应用户选择方法，保护获取每个用户的历史特征数据，并进行归一化处理；将每个用户的特征向量
Figure 355449DEST_PATH_IMAGE001
进行扩充，得到广义特征向量
Figure 772655DEST_PATH_IMAGE002
，并获取用户的历史响应情况
Figure 6190DEST_PATH_IMAGE003
，两者共同组成样本训练集；获得每个用户自身的分离超平面；系统在t时刻的给定负荷调节目标为
Figure 633480DEST_PATH_IMAGE004
，获取t时所有用户自身的广义特征向量
Figure 751609DEST_PATH_IMAGE005
，根据其对应的分离超平面进行响应情况的预测；选取k个用户发送负荷调节指令；获取用户的历史相应情况，判断与根据感知机模型预测的用户响应结果是否一致，并对其自身的分离超平面进行更新。本发明有利于实现精准的功率调节，充分发挥需求侧用户资源的潜力。

Description

一种基于感知机的需求响应用户选择方法
技术领域
本发明涉及电力系统需求响应领域，具体是一种基于感知机的需求响应用户选择方法。
背景技术
随着电力系统中光伏、风电等可再生能源的广泛接入，其固有的间歇性和随机性给电网安全运行带来了极大的挑战，严重威胁到了电网的稳定性。同时，出于减碳的目的，传统燃煤机组等高污染发电资源逐渐退役，削弱了电网调节的灵活性，加大了对于灵活可调资源的需求。在这样的背景下，用户侧负荷资源逐渐受到重视，需求响应技术应运而生，可用于平抑电网的可再生能源波动，削峰填谷等。
然而，在需求响应项目中，用户往往会受到自身因素和外界环境的影响，具有复杂的不确定性，具体的表现为用户可能会选择退出某次的需求响应事件。对于负荷聚合商而言，若不能正确评估用户的响应行为，而盲目地发送调节指令，会导致实际的负荷调节量无法满足电力系统的调度需求。
目前，关于需求响应的研究大多聚焦于机制、经济性、物理模型等方面，关于需求响应不确定性的研究也只是简单的从概率角度对调节容量进行建模，鲜有研究考虑用户实际的自身和外界等因素对用户不确定性的影响，难以从本质上解决这一问题。
发明内容
本发明的目的在于提供一种基于感知机的需求响应用户选择方法,基于感知机模型算法对用户的历史相应情况进行二分类预测，在每次的事件中能够考虑用户实际的自身和外界环境等上下文信息，从而选择合适的用户发送负荷调节指令，有利于实现精准的功率调节，充分发挥需求侧用户资源的潜力。
本发明的目的可以通过以下技术方案实现：
一种基于感知机的需求响应用户选择方法，包括如下步骤：
步骤S1：获取每个用户的历史特征数据，历史特征数据包括自身和外界因素两方面，并进行归一化处理；
步骤S2：将每个用户的特征向量
Figure 433468DEST_PATH_IMAGE001
进行扩充，得到广义特征向量
Figure 881767DEST_PATH_IMAGE002
，并获取用 户的历史响应情况
Figure 802450DEST_PATH_IMAGE003
，两者共同组成样本训练集；
步骤S3：基于感知机模型算法在样本训练集上进行训练，获得每个用户自身的分离超平面；
步骤S4：系统在t时刻的给定负荷调节目标为
Figure 728817DEST_PATH_IMAGE004
，获取t时所有用户自身的广义特 征向量
Figure 949714DEST_PATH_IMAGE005
，根据其对应的分离超平面进行响应情况的预测；
步骤S5：针对预测结果为响应的用户，选取k个用户发送负荷调节指令；
步骤S6：获取用户的历史相应情况，判断与根据感知机模型算法预测的用户响应结果是否一致，并对其自身的分离超平面进行更新。
步骤S1中，针对过去每次的需求响应事件，分别从用户自身和外界因素两方面获取与用户对应的历史特征数据；
用户自身包括用户年龄、职业、教育水平；外界因素包括环境温度、实时电价、需求响应激励水平；
对共d维的数据进行归一化处理至区间[0, 1]内，与每个用户对应的特征向量表 示为
Figure 37756DEST_PATH_IMAGE006
。
步骤S2中，在获得的d维特征向量末尾添加常数1，用于刻画与用户自身相关的其 他非时变的影响因素，组成共
Figure 835948DEST_PATH_IMAGE007
维的广义特征向量
Figure 175793DEST_PATH_IMAGE008
；另外，获取在过去每次需求响 应事件中各用户的历史响应情况
Figure 375830DEST_PATH_IMAGE009
，取值为+1代表用户积极响应，完成功率 调节；取-1代表用户未响应；两者共同组成样本训练集
Figure 772789DEST_PATH_IMAGE010
，
Figure 58277DEST_PATH_IMAGE011
，N为用 户总数。
步骤S3中，基于感知机模型算法在样本训练集上进行训练，包括以下过程：
1) 为每个用户设定权重系数和偏置系数的初始值，d维的权重系数向量
Figure 60868DEST_PATH_IMAGE012
和偏 置系数
Figure 990778DEST_PATH_IMAGE013
；
2) 选择样本数据
Figure 686201DEST_PATH_IMAGE014
，计算
Figure 334352DEST_PATH_IMAGE015
；
3) 若小于等于0，则判定为错误分类点，分别对两个系数进行更新：
Figure 140634DEST_PATH_IMAGE016
4) 不断选择数据更新，直至样本训练集中没有错误分类点；
5) 输出最终的对应每个用户的权重系数向量
Figure 190629DEST_PATH_IMAGE017
和偏置系数
Figure 791375DEST_PATH_IMAGE018
。
步骤S4中，系统在t时刻的给定负荷调节目标为
Figure 51455DEST_PATH_IMAGE019
，获取t时所有用户自身的广义 特征向量
Figure 271215DEST_PATH_IMAGE020
，根据其对应的分离超平面
Figure 300351DEST_PATH_IMAGE021
进行响应情况的预测；若
Figure 478522DEST_PATH_IMAGE022
，预测用户i在本次需求响应事件中将会积极响应，反之则预测用户不会 响应。
步骤S5中，在t时刻针对预测结果为响应的用户，选取k个用户发送负荷调节指令， 直到
Figure 960319DEST_PATH_IMAGE023
，其中
Figure 108404DEST_PATH_IMAGE024
为用户j与负荷聚合商签约的功率调节容量。
步骤S6中，获取用户的历史相应情况，判断与根据感知机模型算法预测的用户响应结果是否一致；针对错误预测的用户，基于步骤S3对其自身的分离超平面进行更新，以便下次需求响应事件调用。
本发明的有益效果：
本发明的一种基于感知机的需求响应用户选择方法,基于感知机模型对用户的历史相应情况进行二分类预测，在每次的事件中能够考虑用户实际的自身和外界环境等上下文信息，从而选择合适的用户发送负荷调节指令，有利于实现精准的功率调节，充分发挥需求侧用户资源的潜力。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明的用户选择方法流程图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，本发明提供了一种基于感知机的需求响应用户选择方法，包括以下步骤：
步骤S1: 获取每个用户的历史特征数据，历史特征数据包括自身和外界因素两方面，并进行归一化处理。
具体地，
针对过去每次的需求响应事件，分别从用户自身和外界因素两方面获取与用户对应的历史特征数据；
用户自身包括用户年龄、职业、教育水平；外界因素包括环境温度、实时电价、需求响应激励水平；
对共d维的数据进行归一化处理至区间[0, 1]内，与每个用户对应的特征向量表 示为
Figure 867412DEST_PATH_IMAGE025
。
步骤S2：将每个用户的特征向量
Figure 75540DEST_PATH_IMAGE026
进行扩充，得到广义特征向量X i ，并获取用户的 历史响应情况
Figure 919999DEST_PATH_IMAGE027
，两者共同组成样本训练集。
具体地，在获得的d维特征向量末尾添加常数1，用于刻画与用户自身相关的其他 非时变的影响因素，组成共
Figure 871774DEST_PATH_IMAGE028
维的广义特征向量
Figure 609923DEST_PATH_IMAGE020
；另外，获取在过去每次需求响应 事件中各用户的历史响应情况
Figure 126968DEST_PATH_IMAGE029
，取值为+1代表用户积极响应，完成功率调 节；取-1代表用户未响应；两者共同组成样本训练集
Figure 317778DEST_PATH_IMAGE030
，
Figure 948610DEST_PATH_IMAGE031
，N为用户总 数。
步骤S3：基于感知机模型算法在样本训练集上进行训练，获得每个用户自身的分离超平面。
具体地，
基于感知机模型算法在样本训练集上进行训练，包括以下过程：
1) 为每个用户设定权重系数和偏置系数的初始值，d维的权重系数向量；
Figure 541266DEST_PATH_IMAGE032
和 偏置系数
Figure 91196DEST_PATH_IMAGE033
；
2) 选择样本数据
Figure 910247DEST_PATH_IMAGE034
，计算
Figure 203825DEST_PATH_IMAGE035
；
3) 若小于等于0，则判定为错误分类点，分别对两个系数进行更新：
Figure 791933DEST_PATH_IMAGE036
4) 不断选择数据更新，直至样本训练集中没有错误分类点；
5) 输出最终的对应每个用户的权重系数向量
Figure 512764DEST_PATH_IMAGE017
和偏置系数
Figure 678166DEST_PATH_IMAGE018
。
步骤S4：系统在t时刻的给定负荷调节目标为
Figure 650801DEST_PATH_IMAGE037
，获取t时所有用户自身的广义特 征向量
Figure 483628DEST_PATH_IMAGE020
，根据其对应的分离超平面进行响应情况的预测。
具体地，系统在t时刻的给定负荷调节目标为
Figure 985148DEST_PATH_IMAGE038
，获取t时所有用户自身的广义特 征向量
Figure 169004DEST_PATH_IMAGE020
，根据其对应的分离超平面
Figure 679751DEST_PATH_IMAGE039
进行响应情况的预测；若
Figure 101505DEST_PATH_IMAGE040
，预测用户i在本次需求响应事件中将会积极响应，反之则预测用户不会响 应。
步骤S5：针对预测结果为响应的用户，选取k个用户发送负荷调节指令。
具体地，在t时刻针对预测结果为响应的用户，选取k个用户发送负荷调节指令，直 到
Figure 164139DEST_PATH_IMAGE041
，其中
Figure 179500DEST_PATH_IMAGE042
为用户j与负荷聚合商签约的功率调节容量。
步骤S6：获取用户的历史相应情况，判断与根据感知机模型算法预测的用户响应结果是否一致，并对其自身的分离超平面进行更新。
具体地，获取用户的历史相应情况，判断与根据感知机模型算法预测的用户响应结果是否一致；针对错误预测的用户，基于步骤S3对其自身的分离超平面进行更新，以便下次需求响应事件调用。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (7)

1.一种基于感知机的需求响应用户选择方法，其特征在于，包括如下步骤：
步骤S1：获取每个用户的历史特征数据，历史特征数据包括自身和外界因素两方面，并进行归一化处理；
步骤S2：将每个用户的特征向量
Figure 729239DEST_PATH_IMAGE001
进行扩充，得到广义特征向量
Figure 274621DEST_PATH_IMAGE002
，并获取用户的历史 响应情况
Figure 389207DEST_PATH_IMAGE003
，两者共同组成样本训练集；
步骤S3：基于感知机模型算法在样本训练集上进行训练，获得每个用户自身的分离超平面；
步骤S4：系统在t时刻的给定负荷调节目标为
Figure 904502DEST_PATH_IMAGE004
，获取t时所有用户自身的广义特征向 量
Figure 296301DEST_PATH_IMAGE005
，根据其对应的分离超平面进行响应情况的预测；
步骤S5：针对预测结果为响应的用户，选取k个用户发送负荷调节指令；
步骤S6：获取用户的历史相应情况，判断与根据感知机模型算法预测的用户响应结果是否一致，并对其自身的分离超平面进行更新。
2.根据权利要求1所述的一种基于感知机的需求响应用户选择方法，其特征在于，步骤S1中，针对过去每次的需求响应事件，分别从用户自身和外界因素两方面获取与用户对应的历史特征数据；
用户自身包括用户年龄、职业、教育水平；外界因素包括环境温度、实时电价、需求响应激励水平；
对共d维的数据进行归一化处理至区间[0, 1]内，与每个用户对应的特征向量表示为
Figure 137218DEST_PATH_IMAGE006
。
3.根据权利要求2所述的一种基于感知机的需求响应用户选择方法，其特征在于，步骤 S2中，在获得的d维特征向量末尾添加常数1，用于刻画与用户自身相关的其他非时变的影 响因素，组成共
Figure 369395DEST_PATH_IMAGE007
维的广义特征向量
Figure 953960DEST_PATH_IMAGE008
；另外，获取在过去每次需求响应事件中各用户 的历史响应情况
Figure 59319DEST_PATH_IMAGE009
，取值为+1代表用户积极响应，完成功率调节；取-1代表用户 未响应；两者共同组成样本训练集
Figure 946504DEST_PATH_IMAGE010
，
Figure 770104DEST_PATH_IMAGE011
, N为用户总数。
4.根据权利要求1所述的一种基于感知机的需求响应用户选择方法，其特征在于，步骤S3中，基于感知机模型算法在样本训练集上进行训练，包括以下过程：
1) 为每个用户设定权重系数和偏置系数的初始值，d维的权重系数向量
Figure 768147DEST_PATH_IMAGE012
和偏置系 数
Figure 993591DEST_PATH_IMAGE013
；
2) 选择样本数据
Figure 51677DEST_PATH_IMAGE014
，计算
Figure 362573DEST_PATH_IMAGE015
；
3) 若小于等于0，则判定为错误分类点，分别对两个系数进行更新：
Figure 288941DEST_PATH_IMAGE016
4) 不断选择数据更新，直至样本训练集中没有错误分类点；
5) 输出最终的对应每个用户的权重系数向量w i 和偏置系数b i 。
5.根据权利要求4所述的一种基于感知机的需求响应用户选择方法，其特征在于，步骤 S4中，系统在t时刻的给定负荷调节目标为
Figure 978679DEST_PATH_IMAGE017
，获取t时所有用户自身的广义特征向量
Figure 597879DEST_PATH_IMAGE018
， 根据其对应的分离超平面
Figure 271437DEST_PATH_IMAGE019
进行响应情况的预测；若
Figure 1496DEST_PATH_IMAGE020
，预测用 户i在本次需求响应事件中将会积极响应，反之则预测用户不会响应。
6.根据权利要求5所述的一种基于感知机的需求响应用户选择方法，其特征在于，步骤 S5中，在t时刻针对预测结果为响应的用户，选取k个用户发送负荷调节指令，直到
Figure 670375DEST_PATH_IMAGE021
，其中
Figure 335842DEST_PATH_IMAGE022
为用户j与负荷聚合商签约的功率调节容量。
7.根据权利要求6所述的一种基于感知机的需求响应用户选择方法，其特征在于，步骤S6中，获取用户的历史相应情况，判断与根据感知机模型算法预测的用户响应结果是否一致；针对错误预测的用户，基于步骤S3对其自身的分离超平面进行更新，以便下次需求响应事件调用。
CN202210722545.8A 2022-06-24 2022-06-24 一种基于感知机的需求响应用户选择方法 Active CN114881538B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210722545.8A CN114881538B (zh) 2022-06-24 2022-06-24 一种基于感知机的需求响应用户选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210722545.8A CN114881538B (zh) 2022-06-24 2022-06-24 一种基于感知机的需求响应用户选择方法

Publications (2)

Publication Number Publication Date
CN114881538A true CN114881538A (zh) 2022-08-09
CN114881538B CN114881538B (zh) 2022-12-13

Family

ID=82682500

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210722545.8A Active CN114881538B (zh) 2022-06-24 2022-06-24 一种基于感知机的需求响应用户选择方法

Country Status (1)

Country Link
CN (1) CN114881538B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549960A (zh) * 2018-04-20 2018-09-18 国网重庆市电力公司永川供电分公司 一种24小时电力负荷预测方法
US10841853B1 (en) * 2019-10-11 2020-11-17 Cellonyx, Inc. AI-based load balancing of 5G cellular networks
US20210003974A1 (en) * 2019-07-02 2021-01-07 Microsoft Technology Licensing, Llc Power grid aware machine learning device
CN112379214A (zh) * 2020-10-27 2021-02-19 广东电网有限责任公司广州供电局 一种电网故障的检测方法和装置
CN113902202A (zh) * 2021-10-15 2022-01-07 南京工程学院 基于双重注意力机制和lstm的短期负荷预测模型和方法
CN113919545A (zh) * 2021-08-30 2022-01-11 浙江工业大学 一种多数据模型融合的光伏发电功率预测方法和系统
CN114372418A (zh) * 2022-01-17 2022-04-19 河海大学 一种风电功率时空态势描述模型建立方法
CN114511058A (zh) * 2022-01-27 2022-05-17 国网江苏省电力有限公司泰州供电分公司 一种用于电力用户画像的负荷元件构建方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549960A (zh) * 2018-04-20 2018-09-18 国网重庆市电力公司永川供电分公司 一种24小时电力负荷预测方法
US20210003974A1 (en) * 2019-07-02 2021-01-07 Microsoft Technology Licensing, Llc Power grid aware machine learning device
US10841853B1 (en) * 2019-10-11 2020-11-17 Cellonyx, Inc. AI-based load balancing of 5G cellular networks
CN112379214A (zh) * 2020-10-27 2021-02-19 广东电网有限责任公司广州供电局 一种电网故障的检测方法和装置
CN113919545A (zh) * 2021-08-30 2022-01-11 浙江工业大学 一种多数据模型融合的光伏发电功率预测方法和系统
CN113902202A (zh) * 2021-10-15 2022-01-07 南京工程学院 基于双重注意力机制和lstm的短期负荷预测模型和方法
CN114372418A (zh) * 2022-01-17 2022-04-19 河海大学 一种风电功率时空态势描述模型建立方法
CN114511058A (zh) * 2022-01-27 2022-05-17 国网江苏省电力有限公司泰州供电分公司 一种用于电力用户画像的负荷元件构建方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姚栋方等: "基于深度学习的短期电力负荷预测", 《国外电子测量技术》 *
张天欣: "感知机理论研究综述", 《电子技术与软件工程》 *

Also Published As

Publication number Publication date
CN114881538B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
CN106600059B (zh) 基于改进rbf神经网络的智能电网短期负荷预测方法
Rakshit et al. Noisy evolutionary optimization algorithms–a comprehensive survey
Wang et al. A hybrid wind speed forecasting model based on phase space reconstruction theory and Markov model: A case study of wind farms in northwest China
CN105678404B (zh) 基于网购电和动态关联因子的微电网负荷预测系统及方法
Pratama et al. Recurrent classifier based on an incremental metacognitive-based scaffolding algorithm
CN108898251B (zh) 考虑气象相似性和功率波动的海上风电场功率预测方法
Pindoriya et al. Composite reliability evaluation using Monte Carlo simulation and least squares support vector classifier
Ruvolo et al. Active task selection for lifelong machine learning
CN105095494B (zh) 一种对分类数据集进行测试的方法
JP6680659B2 (ja) 情報処理装置、情報処理方法、及びプログラム
JP2022515941A (ja) 生成的敵対神経網ベースの分類システム及び方法
CN105956722A (zh) 一种短期风电功率的预测方法及装置
CN110781595A (zh) 能源使用效率pue的预测方法、装置、终端及介质
CN110263982A (zh) 广告点击率预估模型的优化方法和装置
CN111160461A (zh) 基于模糊聚类的加权在线极限学习机大数据分类方法
JP6468364B2 (ja) 情報処理装置、情報処理方法、及び、プログラム
CN112381315A (zh) 一种基于pso优化的ls-svm智能台区负荷预测方法及系统
CN110516756A (zh) 基于协方差矩阵特征值曲线相似度的cmaes聚类优化方法
CN114881538B (zh) 一种基于感知机的需求响应用户选择方法
CN112541530B (zh) 针对聚类模型的数据预处理方法及装置
Hu et al. A novel hybrid technique for short-term electricity price forecasting in UK electricity markets
CN112446435A (zh) 一种城市数据分类方法及系统
CN109657695A (zh) 一种基于确定性退火的模糊划分聚类方法及装置
CN107065520A (zh) 一种冷风机参数配置优化方法
CN110648248A (zh) 一种发电站的控制方法、装置及设备

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
GR01 Patent grant
GR01 Patent grant