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 PDF

Info

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
Application number
CN202210508129.8A
Other languages
English (en)
Inventor
朱冲
陈超
杨帆
洪星
汪宁宁
洪佳音
何辉
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.)
Wotai Energy Co ltd
Original Assignee
Jiangsu Huizhi Energy Engineering Technology Innovation Research Institute Co ltd
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 Jiangsu Huizhi Energy Engineering Technology Innovation Research Institute Co ltd filed Critical Jiangsu Huizhi Energy Engineering Technology Innovation Research Institute Co ltd
Priority to CN202210508129.8A priority Critical patent/CN114997470A/zh
Publication of CN114997470A publication Critical patent/CN114997470A/zh
Pending legal-status Critical Current

Links

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

基于LSTM神经网络的短期用电负荷预测方法
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；
Figure BDA0003638185360000031
Figure BDA0003638185360000032
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；
Figure BDA0003638185360000033
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
Figure BDA0003638185360000034
其中α1+β1+γ1＝1，
Figure BDA0003638185360000035
为第n天第i点修正数据，Xn±1，i为 Xn，i附近2个横向负荷点，
Figure BDA0003638185360000036
为距离Xn，i最近的2个相似 日负荷点。
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
Figure BDA0003638185360000041
经过归一化之后变为矩阵：
Figure BDA0003638185360000042
其中
Figure BDA0003638185360000043
这里
Figure BDA0003638185360000044
为变量Xi的最小值
Figure BDA0003638185360000045
为变量得极差，经过(6)式变化后，所得负 荷数据值均在0～1之间，完成了归一化。
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；
Figure BDA0003638185360000071
Figure BDA0003638185360000072
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；
Figure BDA0003638185360000073
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
Figure RE-GDA0003785819370000064
其中a1+β1+γ1＝1，
Figure BDA0003638185360000079
为第n天第i点修正数据，Xn±1，i为 Xn，i附近2个横向负荷点，
Figure BDA0003638185360000076
为距离Xn，i最近的2个相似 日负荷点。
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
Figure BDA0003638185360000077
经过归一化之后变为矩阵：
Figure BDA0003638185360000078
其中
Figure BDA0003638185360000084
这里
Figure BDA0003638185360000081
为变量
Figure BDA0003638185360000082
的最小值
Figure BDA0003638185360000083
为变量得极差，经过(6)式变化后，所得负 荷数据值均在0～1之间，完成了归一化。
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；
Figure RE-FDA0003785819360000021
Figure RE-FDA0003785819360000022
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；
Figure RE-FDA0003785819360000023
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
Figure RE-FDA0003785819360000024
其中α1+β1+γ1＝1，
Figure RE-FDA0003785819360000025
为第n天第i点修正数据，Xn±1，i为Xn，i附近2个横向负荷点，
Figure RE-FDA0003785819360000026
为距离Xn，i最近的2个相似日负荷点。
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
Figure RE-FDA0003785819360000027
经过归一化之后变为矩阵：
Figure RE-FDA0003785819360000028
其中
Figure RE-FDA0003785819360000029
这里
Figure RE-FDA00037858193600000210
为变量Xi的最小值
Figure RE-FDA00037858193600000211
为变量得极差，经过(6)式变化后，所得负荷数据值均在0～1之间，完成了归一化。
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。
CN202210508129.8A 2022-05-11 2022-05-11 基于lstm神经网络的短期用电负荷预测方法 Pending CN114997470A (zh)

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)

* Cited by examiner, † Cited by third party
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

Cited By (2)

* Cited by examiner, † Cited by third party
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.