CN114936681A - 一种基于深度学习的碳排放预测方法 - Google Patents
一种基于深度学习的碳排放预测方法 Download PDFInfo
- Publication number
- CN114936681A CN114936681A CN202210495899.3A CN202210495899A CN114936681A CN 114936681 A CN114936681 A CN 114936681A CN 202210495899 A CN202210495899 A CN 202210495899A CN 114936681 A CN114936681 A CN 114936681A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- carbon emission
- lstm
- deep learning
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 60
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 59
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种基于深度学习的碳排放预测方法,包括获取当前碳排放数据;输入预先构建并训练过的LSTM预测模型,获取碳排放预测结果;其中,所述LSTM预测模型的训练包括:获取预先采集的历史碳排放数据,对历史碳排放数据进行预处理;对所述数据集进行标签分类,得到数据标签类型;对所述标签分类后的数据集进行划分;将所述划分过的数据集输入LSTM预测模型,调整LSTM网络参数,进行训练,获取训练结果;分析所述训练结果,如果效果收敛则结束训练,如果效果较差则重复调整LSTM网络参数步骤,重新训练,直至结果符合要求,本发明研究了一个更为准确的碳排放预测的方法,为低碳调度提供有效的、可信度高的数据支持。
Description
技术领域
本发明涉及一种基于深度学习的碳排放预测方法,属于电网调度自动化技术领域。
背景技术
在过去的几十年中,预测逐渐成为各国的研究热点,许多模型和理论被应用于国防、科技预测的研究中,归纳下来,主要有以下三种类型:基于线性理论模型:主要有卡尔曼滤波模型、指数平滑模型、自适应权重模型;基于非线性理论模型:主要有小波理论模型、突变理论模型、混沌理论模型等;基于深度学习的智能预测模型:主要有神经网络模型、非参数回归模型等。其中,基于线性理论模型的预测模型的理论简单、容易被理解,该方法在预测时只能通过本路段的历史数据进行模型训练,没有考虑其他影响,因此随着预测时间间隔的减少,该模型的性能会明显变差。基于非线性理论模型通过数据处理将数据分解为分辨率不同的信号,对分解后的信号分别采用预测算法进行预测,最后将分解信号的预测结果合成就得到了最终的预测结果。这种模型的抗干扰能力较强,但该模型的计算量大,运算效率较低,且对于每一个预测段均需要建立相应的模型,因此当对海量数据进行预测时,需要建立的模型会非常多,训练模型的时间花销也会很大。基于深度学习的智能预测模型需要通过大量的数据去对神经网络模型进行训练,生成的模型是输出数据与输入数据之间的映射关系,输入数据通过该映射关系就能得到与之对应的预测结果。该模型预测精度高,但前期需要大量的历史数据进行模型训练。
目前,国内碳排放预测技术,大多采用线性或非线性理论的预测技术,考虑了国家发改委发布的区域碳排放因子,范围性较广,适用于全国全省范围较广的碳排放数据,只能作为趋势预测,预测结果误差较大。此外,由于没有引进单个样本的历史数据,没有考虑到样本数据的独特性。因此,需要研究准确的碳排放预测的方法,为低碳调度提供有效的、可信度高的数据支持。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于深度学习的碳排放预测方法,适用本地区域准确可靠的碳排放预测算法,为双碳背景下的大电网调度运行、市场交易、规划发展等工作提供辅助决策。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种基于深度学习的碳排放预测方法,包括:
获取当前碳排放数据;
输入预先构建并训练过的LSTM预测模型,获取碳排放预测结果;
其中,所述LSTM预测模型的训练包括:
获取预先采集的历史碳排放数据,对历史碳排放数据进行预处理,去除无效数据后,形成数据集;
对所述数据集进行标签分类,得到数据标签类型;
对所述标签分类后的数据集进行划分,一部分作为训练集,一部分作为测试集;
将所述划分过的数据集输入LSTM预测模型,调整LSTM网络参数,进行训练,获取训练结果;
分析所述训练结果,如果效果收敛则结束训练,如果效果较差则重复调整LSTM网络参数步骤,重新训练,直至结果符合要求。
进一步的,所述对历史碳排放数据进行预处理,包括:
检查数据的有效性,筛选出错误数据、空数据;
采用当天24点平均值替换的方法,将所述错误数据、空数据替换掉。
进一步的,对所述数据集进行标签分类时,将其中的日期格式数据按照预先设定的编码规则进行编码。
进一步的,对所述标签分类后的数据集进行划分时,将数据集的80%作为训练集,20%作为测试集。
进一步的,将所述划分过的数据集输入LSTM预测模型,调整LSTM网络参数,进行训练,包括:
将划分过的数据集输入LSTM预测模型;
按照预先设定的规则设置好最大迭代次数、初始学利率、学习率衰减方式以及遗留时长,进行训练;其中,所述学习率衰减方式为在设定的周期内,如果准确率没有提升,则折半减小学习率继续训练;所述遗留时长为在设定的每次时间序列内,用设定数量的数据预测下一个数据;
训练时,80%的训练图片用于模型训练,其余20%的图片用于模型每一周期的验证。
进一步的,所述LSTM预测模型训练时,如果在设定的周期范围内,模型没有明显的优化提升则设置早停。
进一步的,所述LSTM预测模型每训练一周期保存一次模型文件。
进一步的,所述LSTM预测模型训练时,输入的自变量为数据集中的日数据、月数据、年数据,输出的因变量为碳排放数据。
第二方面,本发明提供一种基于深度学习的碳排放预测装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据前述任一项所述方法的步骤。
第三方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述任一项所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
本发明提供一种基于深度学习的碳排放预测方法,通过获取当前碳排放数据;输入预先构建并训练过的LSTM预测模型,获取碳排放预测结果,并通过历史碳排放数据训练LSTM预测模型,使得碳排放预测的方法更为准确,为低碳调度提供有效的、可信度高的数据支持。
附图说明
图1是本发明实施例提供的一种基于深度学习的碳排放预测方法的流程图;
图2是本发明实施例提供的一种基于深度学习的碳排放预测方法的训练过程截图;
图3是本发明实施例提供的预测结果示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
本实施例介绍一种基于深度学习的碳排放预测方法,包括:
获取当前碳排放数据;
输入预先构建并训练过的LSTM预测模型,获取碳排放预测结果;
其中,所述LSTM预测模型的训练包括:
获取预先采集的历史碳排放数据,对历史碳排放数据进行预处理,去除无效数据后,形成数据集;
对所述数据集进行标签分类,得到数据标签类型;
对所述标签分类后的数据集进行划分,一部分作为训练集,一部分作为测试集;
将所述划分过的数据集输入LSTM预测模型,调整LSTM网络参数,进行训练,获取训练结果;
分析所述训练结果,如果效果收敛则结束训练,如果效果较差则重复调整LSTM网络参数步骤,重新训练,直至结果符合要求。
本实施例提供的基于深度学习的碳排放预测方法,其应用过程具体涉及如下步骤:
本专利采用深度学习长短期记忆网络为主体预测网络,借助宁夏灵武二期火电厂近6年每天24点的碳排放数据作为实验数据集。具体实现步骤如图1所示。
步骤一:采集历史碳排放数据。本专利借助宁夏灵武二期火电厂2021年每天24点的碳排放数据作为实验数据集,共52560条数据。
步骤二:对历史碳排放数据进行预处理。在数据预处理过程中,检查数据的有效性,对错误数据、空数据进行处理。为了降低错误数据、空数据对最终结果的影响,采用当天24点平均值替换的方法,处理掉所有无效数据。
步骤三:对数据集进行标签分类,得到数据标签类型。为了保证数据的可用性,需要将日期格式数据进行合理编码,编码规则如下表所示:
表编码规则
步骤四:将数据进行合理划分。为了保证深度学习模型充分的训练和有效的测试,本专利将数据集的80%作为训练集,20%作为测试集。
步骤五:将数据标签类型输入深度学习网络架构;
步骤六:设置LSTM网络参数。需要设置的参数如下表所示:
表网络参数
本专利中,设置的最大迭代次数为300个训练周期,初始的学习率设置为0.01,学习率衰减方式为连续3周期准确率没有提升,那么折半减小学习率继续训练。如果连续10个周期,模型没有明显的优化提升则设置早停。训练时将训练集分割成两部分,80%的训练图片用于模型训练,其余20%的图片用于模型每一周期的验证。模型每训练一周期保存一次模型文件。输入的自变量为日数据、月数据、年数据,共计3组,输出的因变量为碳排放数据,共计1组。遗留时长为设置的每次时间序列30,即用30个数据预测下一个数据。
步骤七:开始训练。训练过程如图2所示;
步骤八:分析训练结果,如果效果收敛则结束训练,如果效果较差则重复第六步进行调参,重新训练。
预测结果如图3所示,红色曲线为本专利训练值,黄色曲线为本专利测试值,蓝色曲线为本专利数据实际值。本专利所搭建的LSTM预测模型对于碳排放预测以达到较高水平,预测曲线与实际曲线高度吻合,经统计,在实验数据集中平均预测准确率达到92.7%,符合应用需求,模型搭建完成,具备投入使用水平。
实施例2
本实施例提供一种基于深度学习的碳排放预测装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据实施例1中任一项所述方法的步骤。
实施例3
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例1中任一项所述方法的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于深度学习的碳排放预测方法,其特征在于,包括:
获取当前碳排放数据;
输入预先构建并训练过的LSTM预测模型,获取碳排放预测结果;
其中,所述LSTM预测模型的训练包括:
获取预先采集的历史碳排放数据,对历史碳排放数据进行预处理,去除无效数据后,形成数据集;
对所述数据集进行标签分类,得到数据标签类型;
对所述标签分类后的数据集进行划分,一部分作为训练集,一部分作为测试集;
将所述划分过的数据集输入LSTM预测模型,调整LSTM网络参数,进行训练,获取训练结果;
分析所述训练结果,如果效果收敛则结束训练,如果效果较差则重复调整LSTM网络参数步骤,重新训练,直至结果符合要求。
2.根据权利要求1所述的基于深度学习的碳排放预测方法,其特征在于:所述对历史碳排放数据进行预处理,包括:
检查数据的有效性,筛选出错误数据、空数据;
采用当天24点平均值替换的方法,将所述错误数据、空数据替换掉。
3.根据权利要求1所述的基于深度学习的碳排放预测方法,其特征在于:对所述数据集进行标签分类时,将其中的日期格式数据按照预先设定的编码规则进行编码。
4.根据权利要求1所述的基于深度学习的碳排放预测方法,其特征在于:对所述标签分类后的数据集进行划分时,将数据集的80%作为训练集,20%作为测试集。
5.根据权利要求1所述的基于深度学习的碳排放预测方法,其特征在于:将所述划分过的数据集输入LSTM预测模型,调整LSTM网络参数,进行训练,包括:
将划分过的数据集输入LSTM预测模型;
按照预先设定的规则设置好最大迭代次数、初始学利率、学习率衰减方式以及遗留时长,进行训练;其中,所述学习率衰减方式为在设定的周期内,如果准确率没有提升,则折半减小学习率继续训练;所述遗留时长为在设定的每次时间序列内,用设定数量的数据预测下一个数据;
训练时,80%的训练图片用于模型训练,其余20%的图片用于模型每一周期的验证。
6.根据权利要求5所述的基于深度学习的碳排放预测方法,其特征在于:所述LSTM预测模型训练时,如果在设定的周期范围内,模型没有明显的优化提升则设置早停。
7.根据权利要求5所述的基于深度学习的碳排放预测方法,其特征在于:所述LSTM预测模型每训练一周期保存一次模型文件。
8.根据权利要求5所述的基于深度学习的碳排放预测方法,其特征在于:所述LSTM预测模型训练时,输入的自变量为数据集中的日数据、月数据、年数据,输出的因变量为碳排放数据。
9.一种基于深度学习的碳排放预测装置,其特征在于:包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~8任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该程序被处理器执行时实现权利要求1~8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210495899.3A CN114936681A (zh) | 2022-05-09 | 2022-05-09 | 一种基于深度学习的碳排放预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210495899.3A CN114936681A (zh) | 2022-05-09 | 2022-05-09 | 一种基于深度学习的碳排放预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114936681A true CN114936681A (zh) | 2022-08-23 |
Family
ID=82865002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210495899.3A Pending CN114936681A (zh) | 2022-05-09 | 2022-05-09 | 一种基于深度学习的碳排放预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936681A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222153A (zh) * | 2022-08-30 | 2022-10-21 | 华能靖远热电有限公司 | 一种火电企业低碳调度寻优方法及系统 |
CN116362138A (zh) * | 2023-04-07 | 2023-06-30 | 广东海洋大学 | 基于大数据的人工智能园区碳监测方法 |
CN117668497A (zh) * | 2024-01-31 | 2024-03-08 | 山西卓昇环保科技有限公司 | 基于深度学习实现环境保护下的碳排放分析方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667090A (zh) * | 2020-03-25 | 2020-09-15 | 国网天津市电力公司 | 一种基于深度置信网络与权值共享的负荷预测方法 |
CN113240155A (zh) * | 2021-04-16 | 2021-08-10 | 国网河北省电力有限公司沧州供电分公司 | 预测碳排放量的方法、装置及终端 |
-
2022
- 2022-05-09 CN CN202210495899.3A patent/CN114936681A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667090A (zh) * | 2020-03-25 | 2020-09-15 | 国网天津市电力公司 | 一种基于深度置信网络与权值共享的负荷预测方法 |
CN113240155A (zh) * | 2021-04-16 | 2021-08-10 | 国网河北省电力有限公司沧州供电分公司 | 预测碳排放量的方法、装置及终端 |
Non-Patent Citations (1)
Title |
---|
赵雄飞等: "基于LSTM 模型的中国CO2排放量预测影响因素分析", 《中国市场》, no. 22, 8 August 2021 (2021-08-08), pages 1 - 2 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222153A (zh) * | 2022-08-30 | 2022-10-21 | 华能靖远热电有限公司 | 一种火电企业低碳调度寻优方法及系统 |
CN115222153B (zh) * | 2022-08-30 | 2023-11-07 | 华能靖远热电有限公司 | 一种火电企业低碳调度寻优方法及系统 |
CN116362138A (zh) * | 2023-04-07 | 2023-06-30 | 广东海洋大学 | 基于大数据的人工智能园区碳监测方法 |
CN117668497A (zh) * | 2024-01-31 | 2024-03-08 | 山西卓昇环保科技有限公司 | 基于深度学习实现环境保护下的碳排放分析方法及系统 |
CN117668497B (zh) * | 2024-01-31 | 2024-05-07 | 山西卓昇环保科技有限公司 | 基于深度学习实现环境保护下的碳排放分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114936681A (zh) | 一种基于深度学习的碳排放预测方法 | |
CN108009667A (zh) | 一种能源需求总量及结构预测系统 | |
CN111428201B (zh) | 基于经验模态分解和前馈神经网络对时序数据的预测方法 | |
CN109978268A (zh) | 一种短期负荷预测方法、系统及相关装置 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN112819225A (zh) | 基于bp神经网络和arima模型的碳市场价格预测方法 | |
CN114035468A (zh) | 基于XGBoost算法的风机检修流程预测性监控方法与系统 | |
CN114819374A (zh) | 区域新能源超短期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 | |
CN113052389A (zh) | 基于多任务的分布式光伏电站超短期功率预测方法及系统 | |
CN112506663A (zh) | 基于去噪和误差修正的云服务器cpu负载预测方法、系统和介质 | |
CN114118401A (zh) | 基于神经网络的配电网络流量预测方法、系统、装置及存储介质 | |
CN112700050A (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
CN112348236A (zh) | 用于智能用电监测终端的异常日负荷需求预测系统与方法 | |
CN110674460B (zh) | 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法 | |
CN116703003A (zh) | 一种居民用水量的预测方法 | |
CN112598188A (zh) | 神经网络的生成方法、功率预测方法、装置和存储介质 | |
CN116316600A (zh) | 基于季节分型的面向风电功率日前预测自适应滤波方法 | |
CN113449933B (zh) | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 | |
CN114168583A (zh) | 一种基于正则自动编码器的电量数据清洗方法及系统 | |
CN111476408B (zh) | 一种电力通信设备状态预测方法及系统 | |
CN114904655A (zh) | 一种单电场节能控制方法及装置 | |
CN113158134A (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 | |
CN112465196A (zh) | 一种系统负荷预测方法、装置、设备和存储介质 | |
CN117634652B (zh) | 基于机器学习的大坝变形可解释预测方法 |
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 |