CN114997470A - 基于lstm神经网络的短期用电负荷预测方法 - Google Patents
基于lstm神经网络的短期用电负荷预测方法 Download PDFInfo
- Publication number
- CN114997470A CN114997470A CN202210508129.8A CN202210508129A CN114997470A CN 114997470 A CN114997470 A CN 114997470A CN 202210508129 A CN202210508129 A CN 202210508129A CN 114997470 A CN114997470 A CN 114997470A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- neural network
- input
- historical
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000010606 normalization Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000013277 forecasting method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000002360 preparation method Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000032683 aging Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
-
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开基于LSTM神经网络的短期用电负荷预测方法,涉及电力技术领域。该基于LSTM神经网络的短期用电负荷预测方法,包括历史数据准备、数据预处理、归一化处理、输入输出量选择、LSTM神经网路结构的确定和实例验证。该基于LSTM神经网络的短期用电负荷预测方法,采用多变量单模型方法构建网络。由于LSTM网络权重共享方式上与传统神经网络的不同,当采用96个输出节点时,LSTM所需要学习的参数相比于传统神经网络大为减少,极大地方便了模型的建立,仅需要一个网络即可完成高精度的负荷预测,这也是LSTM网络在负荷预测上优于传统神经网络的方面。
Description
技术领域
本发明涉及电力技术技术领域,具体为基于LSTM神经网络的短 期用电负荷预测方法。
背景技术
在根据预测结果分类,负荷预测可分为短期负荷预测和中长期负 荷预测。对于短期负荷预测,国内外研究方法主要可以概括为以下2 类:一类是以时间序列法为代表的传统方法;另一类是以人工神经网 络法为代表的新型人工智能方法。前者主要有时间序列法、多元线性 回归法及傅立叶展开法等,这些方法多以纯数学理论为根基,难以适 应日新月异的电网发展和用户侧日益提高的需求而被逐渐淘汰。而在 新型人工智能方法中,运用最为典型的是神经网络法。一些文献运用 了神经网络中最为普遍的BP神经网络,采用Levenberg-Marquardt算 法进行训练,该方法预测效果受到BP网络结构简单、学习能力较差的 限制,达不到很高的精度。
随着研究的进展,单一的神经网络方法逐渐显露出了它的局限性, 将神经网络与其他算法相结合的思想为越来越多的研究人员所采用。 另一些文献提出了一种基于粒子群算法的神经网络方法进行短期负 荷预测,通过粒子群算法优化网络初始值以及每个阶段网络的参数。 除了代表性的神经网络算法以外,信息时代的发展也使得负荷预测的 方法越来越多元化,也有文献提出了基于小波聚类的方法对配变负荷 进行预测研究;还有文献采用了随机森林算法进行负荷预测。
短期负荷主要用于预测未来几天的负荷数据。而对于日负荷数据 而言,具有很强的周期性,具体体现在以下几点:不同日的日负荷曲线 其整体规律相似;同一星期类型日负荷规律相似;工作日、休息日负荷 规律各自相似;不同年度法定节假日的规律相似。利用用电负荷的特 性,采用神经网络分析方法,进行短期负荷预测。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明公开了基于LSTM神经网络的短期 用电负荷预测方法,以解决上述背景技术中提出的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:基于LSTM 神经网络的短期用电负荷预测方法历史数据准备、数据预处理、归一 化处理、输入输出量选择、LSTM神经网路结构的确定和实例验证:
历史数据准备,准备电力全天96点的历史负荷数据;
数据预处理,由于在数据采集过程中,存在人为操作不当、设备 老化等情况的影响,造成坏数据的产生,极大地影响预测模型的准确 度,因此在输入训练数据前需要对样本中的坏数据进行识别与处理;
归一化处理,进行脏数据的识别和处理后,再对新的数据集进行 归一化处理,处理后,所得负荷数据值均在0~1之间,完成了归一化;
输入输出量选择,本发明选择1-7天全天96点的负荷作为输入, 第8天全天96点的历史负荷数据作为标签输出进行第一次训练;而后 以2-8天历史数据作为输入,第9天历史负荷数据作为标签输出进行第 二次训练,以次中方式进行迭代预测。
LSTM神经网路结构的确定,确定输入输出量之后,需确定合适的 网络结构,网络结构中选择多模型单变量预测方法确定输入输出节点 个数;
实例验证,对历史负荷和预测值进行对比。
优选的,所述输入数据的预处理:
由于负荷数据具有周期性,在24小时内数据横向相似,既不会 初夏突变数据,采用横向比较法进行坏数据的识别和处理。利用样本 统计指标与自定义阈值判断是否有异常数据;数据采集频率为每15 分钟一个点位,故所采集的数据为n天96个单位的矩阵,处理具体 步骤如下:
首先基于(1)、(2)式计算序列的均值与方差;
在通过(3)式进行3σ原理的异常数据判断,其中ε为阈值,通 常取值为1~1.5;
若数据满足式(3),则Xn,i为异常数据,可用(4)式进行权重修 正
进行异常数据识别和处理后,在对新的数据集进行归一化处理, 设数据集为矩阵X,则
经过归一化之后变为矩阵:
优选的,所述输入输出的选择:
有历史数据得出结论,负荷数据按工作日和休息日每周呈周期性 变化,周末时用电负荷与工作日相比有所下降,为了利用这一特性, 本发明采用迭代预测的方式,如要预测5月30号的24h负荷值,以4月 1~7号的历史负荷数据作为输入,4月8号的历史负荷数据作为标签输 出进行第一次训练,而后以4月2~8号的历史负荷数据作为输入,9号的 历史负荷数据作为标签输出进行第二次训练,以此种方式进行迭代预 测直到得到5月30号的负荷预测值,同时,本文将历史数据采用 one-hot编码后再作为训练样本,可更好地利用历史负荷数据的周期 性规律。
优选的,所述LSTM神经网络结构的确定:
确定了输入输出量之后,下一步关键工作是确定一个合适的网络 结构,网络结构中,最核心的步骤是先确定输入输出节点个数。
本发明公开了基于LSTM神经网络的短期用电负荷预测方法,其 具备的有益效果如下:
该基于LSTM神经网络的短期用电负荷预测方法,本发明采用多变 量单模型方法构建网络。由于LSTM网络权重共享方式上与传统神经网 络的不同,当采用96个输出节点时,LSTM所需要学习的参数相比于传 统神经网络大为减少,极大地方便了模型的建立,仅需要一个网络即 可完成高精度的负荷预测,这也是LSTM网络在负荷预测上优于传统神 经网络的方面。
该基于LSTM神经网络的短期用电负荷预测方法,多模型单变量预测:使 用96个不同的神经网络预测模型分别对应一天中的96个数据采样点,此种方 法优点是单个网络结构较为小、参数易收敛;缺点是过程冗杂,同时单个网络 易过拟合,若需要预测一天负荷值,则需要搭建96个这样的模型。
具体实施方式
本发明使用到的标准零件均可以从市场上购买,异形件根据说明书的记 载均可以进行订制。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术 人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这 些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权 利要求及其等同物限定。
基于LSTM神经网络的短期用电负荷预测方法,包括历史数据准 备、数据预处理、归一化处理、输入输出量选择、LSTM神经网路结 构的确定和实例验证:
历史数据准备,准备电力全天96点的历史负荷数据;
数据预处理,由于在数据采集过程中,存在人为操作不当、设备 老化等情况的影响,造成坏数据的产生,极大地影响预测模型的准确 度,因此在输入训练数据前需要对样本中的坏数据进行识别与处理;
归一化处理,进行脏数据的识别和处理后,再对新的数据集进行 归一化处理,处理后,所得负荷数据值均在0~1之间,完成了归一化;
输入输出量选择,本发明选择1-7天全天96点的负荷作为输入, 第8天全天96点的历史负荷数据作为标签输出进行第一次训练;而后 以2-8天历史数据作为输入,第9天历史负荷数据作为标签输出进行第 二次训练,以次中方式进行迭代预测。
LSTM神经网路结构的确定,确定输入输出量之后,需确定合适的 网络结构,网络结构中选择多模型单变量预测方法确定输入输出节点 个数;
实例验证,对历史负荷和预测值进行对比。
所述输入数据的预处理:
由于负荷数据具有周期性,在24小时内数据横向相似,既不会 初夏突变数据,采用横向比较法进行坏数据的识别和处理。利用样本 统计指标与自定义阈值判断是否有异常数据;数据采集频率为每15 分钟一个点位,故所采集的数据为n天96个单位的矩阵,处理具体 步骤如下:
首先基于(1)、(2)式计算序列的均值与方差;
在通过(3)式进行3σ原理的异常数据判断,其中ε为阈 值,通常取值为1~1.5;
若数据满足式(3),则Xn,i为异常数据,可用(4)式进行权重 修正
进行异常数据识别和处理后,在对新的数据集进行归一化处理, 设数据集为矩阵X,则
经过归一化之后变为矩阵:
所述输入输出的选择:
有历史数据得出结论,负荷数据按工作日和休息日每周呈周期性 变化,周末时用电负荷与工作日相比有所下降,为了利用这一特性, 本发明采用迭代预测的方式,如要预测5月30号的24h负荷值,以4月 1~7号的历史负荷数据作为输入,4月8号的历史负荷数据作为标签输 出进行第一次训练,而后以4月2~8号的历史负荷数据作为输入,9号的 历史负荷数据作为标签输出进行第二次训练,以此种方式进行迭代预 测直到得到5月30号的负荷预测值,同时,本文将历史数据采用 one-hot编码后再作为训练样本,可更好地利用历史负荷数据的周期 性规律。
所述LSTM神经网络结构的确定:
确定了输入输出量之后,下一步关键工作是确定一个合适的网络 结构,网络结构中,最核心的步骤是先确定输入输出节点个数。
以上显示和描述了本发明的基本原理和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。本发明要求保护范围由所附的权 利要求书及其等效物界定。
Claims (4)
1.基于LSTM神经网络的短期用电负荷预测方法,其特征在于:包括历史数据准备、数据预处理、归一化处理、输入输出量选择、LSTM神经网路结构的确定和实例验证:
历史数据准备,准备电力全天96点的历史负荷数据;
数据预处理,由于在数据采集过程中,存在人为操作不当、设备老化等情况的影响,造成坏数据的产生,极大地影响预测模型的准确度,因此在输入训练数据前需要对样本中的坏数据进行识别与处理;
归一化处理,进行脏数据的识别和处理后,再对新的数据集进行归一化处理,处理后,所得负荷数据值均在0~1之间,完成了归一化;
输入输出量选择,本发明选择1-7天全天96点的负荷作为输入,第8天全天96点的历史负荷数据作为标签输出进行第一次训练;而后以2-8天历史数据作为输入,第9天历史负荷数据作为标签输出进行第二次训练,以次中方式进行迭代预测。
LSTM神经网路结构的确定,确定输入输出量之后,需确定合适的网络结构,网络结构中选择多模型单变量预测方法确定输入输出节点个数;
实例验证,对历史负荷和预测值进行对比。
2.根据权利要求1所述的基于LSTM神经网络的短期用电负荷预测方法,其特征在于:所述输入数据的预处理:
由于负荷数据具有周期性,在24小时内数据横向相似,既不会初夏突变数据,采用横向比较法进行坏数据的识别和处理。利用样本统计指标与自定义阈值判断是否有异常数据;数据采集频率为每15分钟一个点位,故所采集的数据为n天96个单位的矩阵,处理具体步骤如下:
首先基于(1)、(2)式计算序列的均值与方差;
在通过(3)式进行3σ原理的异常数据判断,其中ε为阈值,通常取值为1~1.5;
若数据满足式(3),则Xn,i为异常数据,可用(4)式进行权重修正
进行异常数据识别和处理后,在对新的数据集进行归一化处理,设数据集为矩阵X,则
经过归一化之后变为矩阵:
3.根据权利要求1所述的基于LSTM神经网络的短期用电负荷预测方法,其特征在于:所述输入输出的选择:
有历史数据得出结论,负荷数据按工作日和休息日每周呈周期性变化,周末时用电负荷与工作日相比有所下降,为了利用这一特性,本发明采用迭代预测的方式,如要预测5月30号的24h负荷值,以4月1~7号的历史负荷数据作为输入,4月8号的历史负荷数据作为标签输出进行第一次训练,而后以4月2~8号的历史负荷数据作为输入,9号的历史负荷数据作为标签输出进行第二次训练,以此种方式进行迭代预测直到得到5月30号的负荷预测值,同时,本文将历史数据采用one-hot编码后再作为训练样本,可更好地利用历史负荷数据的周期性规律。
4.根据权利要求1所述的基于LSTM神经网络的短期用电负荷预测方法,其特征在于:所述LSTM神经网络结构的确定:
确定了输入输出量之后,下一步关键工作是确定一个合适的网络结构,网络结构中,最核心的步骤是先确定输入输出节点个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210508129.8A CN114997470A (zh) | 2022-05-11 | 2022-05-11 | 基于lstm神经网络的短期用电负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210508129.8A CN114997470A (zh) | 2022-05-11 | 2022-05-11 | 基于lstm神经网络的短期用电负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114997470A true CN114997470A (zh) | 2022-09-02 |
Family
ID=83025944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210508129.8A Pending CN114997470A (zh) | 2022-05-11 | 2022-05-11 | 基于lstm神经网络的短期用电负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114997470A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117458489A (zh) * | 2023-12-26 | 2024-01-26 | 福建华鼎智造技术有限公司 | 一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法 |
-
2022
- 2022-05-11 CN CN202210508129.8A patent/CN114997470A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117458489A (zh) * | 2023-12-26 | 2024-01-26 | 福建华鼎智造技术有限公司 | 一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法 |
CN117458489B (zh) * | 2023-12-26 | 2024-03-12 | 福建华鼎智造技术有限公司 | 一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229754B (zh) | 基于相似日分段和lm-bp网络的短期负荷预测方法 | |
CN106055918B (zh) | 一种电力系统负荷数据的辨识及修正方法 | |
CN107730031B (zh) | 一种超短期高峰负荷预测方法及其系统 | |
CN110796307B (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
CN108694470B (zh) | 一种基于人工智能的数据预测方法及装置 | |
CN111932402A (zh) | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 | |
CN106980910B (zh) | 中长期电力负荷测算系统及方法 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
CN112712203B (zh) | 一种配电网日最高负荷预测方法和系统 | |
CN113869616A (zh) | 一种自适应的居民用户负荷预测方法 | |
CN111882114B (zh) | 一种短时交通流量预测模型构建方法及预测方法 | |
CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
CN114997470A (zh) | 基于lstm神经网络的短期用电负荷预测方法 | |
CN117239731A (zh) | 基于混合模型的节假日短期电力负荷预测方法 | |
CN116826745B (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
CN112330030B (zh) | 业扩物资需求预测系统及方法 | |
CN117407681A (zh) | 一种基于向量聚类的时序数据预测模型建立方法 | |
CN113919610A (zh) | 低压台区线损预测用arima模型构建方法及评估方法 | |
CN115860797A (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
CN110175705B (zh) | 一种负荷预测方法及包含该方法的存储器、系统 | |
CN113487062A (zh) | 一种基于周期自动编码器的电力负荷预测方法 | |
CN109934394A (zh) | 一种基于灰色和马尔科夫理论的需求侧响应预测方法 | |
CN117910625A (zh) | 燃气负荷预测方法及系统 | |
Zhu et al. | Day-ahead holiday load forecast based on pattern sequence similarity and random forest |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220926 Address after: 226100 No.888, Jiuhua Road, high tech Zone, Nantong City, Jiangsu Province Applicant after: Wotai Energy Co.,Ltd. Address before: 211100 West unit, 1st floor, building D, Jinzhi science and Technology Park, 100 Jiangjun Avenue, Jiangning District, Nanjing City, Jiangsu Province Applicant before: JIANGSU HUIZHI ENERGY ENGINEERING TECHNOLOGY INNOVATION RESEARCH INSTITUTE Co.,Ltd. |