CN114997488A - 一种综合能源系统负荷预测方法及装置 - Google Patents
一种综合能源系统负荷预测方法及装置 Download PDFInfo
- Publication number
- CN114997488A CN114997488A CN202210594672.4A CN202210594672A CN114997488A CN 114997488 A CN114997488 A CN 114997488A CN 202210594672 A CN202210594672 A CN 202210594672A CN 114997488 A CN114997488 A CN 114997488A
- Authority
- CN
- China
- Prior art keywords
- energy system
- system load
- historical data
- load prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000015654 memory Effects 0.000 claims abstract description 37
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 230000007787 long-term memory Effects 0.000 claims abstract description 9
- 230000006403 short-term memory Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000001537 neural effect Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 12
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000011176 pooling Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013179 statistical model Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- 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)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种综合能源系统负荷预测方法及装置,该方法包括:接收目标地区的各种能源的消耗历史数据以及天气历史数据;根据消耗历史数据、天气历史数据以及预生成的能源系统负荷预测模型预测目标地区的能源系统负荷,其中,能源系统负荷预测模型是基于卷积神经网络以及长短期记忆网络所生成的;在能源系统负荷预测模型下,计算消耗历史数据的多个影响因素各自的Shapley值;根据Shapley值确定对多个影响因素的重要性进行排序。本发明一方面建立了基于卷积‑长短期记忆神经网络的综合能源系统负荷高精度预测模型;另一方面,本发明基于Shapley值揭示了预测模型中各影响因素对总能耗的贡献。
Description
技术领域
本发明涉及能源系统负荷检测技术领域,具体涉及一种综合能源系统负荷预测方法及装置。
背景技术
现有技术中的各能源系统单独规划、运行的模式由于存在能源利用效率低、灵活性差等缺点,已然不能满足绿色用能的需要。
发明内容
针对现有技术中的问题,本发明一方面首次建立了基于卷积-长短期记忆神经网络的综合能源系统负荷高精度预测模型;另一方面,本发明实现了根据能源系统运行 数据提取其时间及空间维度上的信息特征,准确预测能源系统负荷;第三方面,本发 明实现了基于模型的预测结果,解释了不同样本特征对区域负荷的影响程度,改善了 传统深度学习模型的黑箱不可解释性。
第一方面,本发明提供一种综合能源系统负荷预测方法,包括:
接收目标地区的各种能源的消耗历史数据以及天气历史数据;
根据所述消耗历史数据、天气历史数据以及预生成的能源系统负荷预测模型预测所述目标地区的能源系统负荷,其中,所述能源系统负荷预测模型是基于卷积神经网 络以及长短期记忆网络所生成的;
在所述能源系统负荷预测模型下,计算所述消耗历史数据的多个影响因素各自的Shapley值;
根据所述Shapley值确定对所述多个影响因素的重要性进行排序。
一实施例中,生成所述能源系统负荷预测模型的方法包括:
根据预生成的卷积神经初始网络以及长短期记忆初始网络生成所述能源系统负荷预测模型的初始模型;
根据多个地区的各种能源的消耗历史数据、天气历史数据以及对应的能源系统负荷生成训练数据;
根据所述训练数据对所述初始模型进行训练,以生成能源系统负荷预测模型。
一实施例中,所述根据所述消耗历史数据、天气历史数据以及预生成的能源系统负荷预测模型预测所述目标地区的能源系统负荷,包括:
将所述目标地区的各种能源的消耗历史数据以及天气历史数据输入至所述卷积神经网络中,以对所述目标地区的各种能源的消耗历史数据以及天气历史数据进行筛 选;
将筛选后的目标地区的各种能源的消耗历史数据以及天气历史数据输入至所述长短期记忆网络中,以提取所述目标地区的各种能源的消耗历史数据以及天气历史数 据的时间特征数据;
根据所述时间特征数据以及所述能源系统负荷预测模型预测所述目标地区的能源系统负荷。
一实施例中,所述在所述能源系统负荷预测模型下,计算所述消耗历史数据的多个影响因素各自的Shapley值,包括:
根据多个影响因素、影响因素的数量以及影响因素的特征函数计算所述Shapley值。
第二方面,本发明提供一种综合能源系统负荷预测装置,该装置包括:
数据接收模块,用于接收目标地区的各种能源的消耗历史数据以及天气历史数据;
负荷预测模块,用于根据所述消耗历史数据、天气历史数据以及预生成的能源系统负荷预测模型预测所述目标地区的能源系统负荷,其中,所述能源系统负荷预测模 型是基于卷积神经网络以及长短期记忆网络所生成的;
Shapley值计算模块,用于在所述能源系统负荷预测模型下,计算所述消耗历史数据的多个影响因素各自的Shapley值;
影响因素排序模块,用于根据所述Shapley值确定对所述多个影响因素的重要性进行排序。
一实施例中,综合能源系统负荷预测装置还包括:模型生成模块,用于生成所述能源系统负荷预测模型,所述模型生成模块包括:
初始模型生成单元,用于根据预生成的卷积神经初始网络以及长短期记忆初始网络生成所述能源系统负荷预测模型的初始模型;
训练数据生成单元,用于根据多个地区的各种能源的消耗历史数据、天气历史数据以及对应的能源系统负荷生成训练数据;
模型生成单元,用于根据所述训练数据对所述初始模型进行训练,以生成能源系统负荷预测模型。
一实施例中,所述负荷预测模块包括:
数据筛选单元,用于将所述目标地区的各种能源的消耗历史数据以及天气历史数据输入至所述卷积神经网络中,以对所述目标地区的各种能源的消耗历史数据以及天 气历史数据进行筛选;
特征提取单元,用于将筛选后的目标地区的各种能源的消耗历史数据以及天气历史数据输入至所述长短期记忆网络中,以提取所述目标地区的各种能源的消耗历史数 据以及天气历史数据的时间特征数据;
负荷预测单元,用于根据所述时间特征数据以及所述能源系统负荷预测模型预测所述目标地区的能源系统负荷。
一实施例中,所述Shapley值计算模块包括:
Shapley值计算单元,用于根据多个影响因素、影响因素的数量以及影响因素的特征函数计算所述Shapley值。
第三方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的确定机程序,处理器执行程序时实现综合能源系统负荷预测方法 的步骤。
第四方面,本发明提供一种确定机可读存储介质,其上存储有确定机程序,该 确定机程序被处理器执行时实现综合能源系统负荷预测方法的步骤。
从上述描述可知,本发明实施例提供的综合能源系统负荷预测方法及装置,首先接收目标地区的各种能源的消耗历史数据以及天气历史数据;接着,根据消耗历史数 据、天气历史数据以及预生成的能源系统负荷预测模型预测目标地区的能源系统负荷, 其中,能源系统负荷预测模型是基于卷积神经网络以及长短期记忆网络所生成的;在 能源系统负荷预测模型下,计算消耗历史数据的多个影响因素各自的Shapley值;最 后根据Shapley值确定对多个影响因素的重要性进行排序。
本发明一方面建立了基于卷积-长短期记忆神经网络的综合能源系统负荷高精度预测模型;从而实现了根据能源系统运行数据提取其时间及空间维度上的信息特征, 准确预测能源系统负荷;并且基于模型的预测结果,解释了不同样本特征对区域负荷 的影响程度,改善了传统深度学习模型的黑箱不可解释性。
另一方面,本发明基于Shapley值揭示了预测模型中各特征对总能耗的贡献。该方法一方面推进了综合能源系统负荷预测的基础研究,另一方面由于其相对较低的计 算负担和较高的预测精度以及模型可解释的特性,故该方法具有很高的实用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本 发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下, 还可以根据这些附图获得其他的附图。
图1为本发明的实施例中的综合能源系统负荷预测方法的流程示意图一;
图2为本发明的实施例中的综合能源系统负荷预测方法的流程示意图二;
图3为本发明的实施例中步骤500的流程示意图;
图4为本发明的实施例中CNN-LSTM能源系统负荷预测模型结构示意图;
图5为本发明的实施例中步骤200的流程示意图;
图6为本发明的实施例中步骤300的流程示意图;
图7为本发明的具体应用实例中综合能源系统负荷预测方法的流程示意图;
图8为本发明的具体应用实例中LSTM模型结构示意图;
图9为本发明的具体应用实例中温度、湿度、风速和降水量的平均shapley值柱 状图;
图10为本发明的具体应用实例中不同样本特征对能源负荷的Shapley值示意图;
图11为本发明的实施例中的综合能源系统负荷预测装置的组成示意图一;
图12为本发明的实施例中的综合能源系统负荷预测装置的组成示意图二;
图13为本发明的实施例中模型生成模块50的组成示意图;
图14为本发明的实施例中负荷预测模块20的组成示意图;
图15为本发明的实施例中Shapley值计算模块30的组成示意图;
图16为本发明的实施例中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整的描述,显然,所描述的实 施例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他实施例,都属于本发明 保护的范围。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或确定机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件 方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有确定机可用程序 代码的确定机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的确定机程序产品的形式。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或 单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是 可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
现有技术解决如背景技术所述的技术痛点主要有以下两种方法:1、采用统计模型对能源系统负荷数据拟合回归;
2、采用机器学习模型从能源系统多维数据中提取特征进行负荷预测。
基于前者的思路,Yuanyuan Wang等人基于传统的时间序列回归方法提出了一种残差修正模型,来提高季节性ARIMA电力需求预测方法的准确性。采用残差修正方 法将误差降至最低,从而提高预测精度,首次将组合模型应用于残差序列的校正,并 且将该方法应用于某电网的电力需求验证模型,得到较高的精度。上述两种方法的局 限在于:
1.传统统计学模型的灵活性差,动态更新实现困难,只关注于负荷预测的时间特征,忽略了能源负荷与空间分布的复杂相关性;
2以LSTM等机器学习模型进行能源负荷预预测方法是典型的黑箱模型,从端到 端训练,具有较强的不确定性和不可控性,可解释性差。
基于上述技术痛点,本发明的实施例提供一种综合能源系统负荷预测方法的具体实施方式,参见图1,该方法具体包括如下内容:
步骤100:接收目标地区的各种能源的消耗历史数据以及天气历史数据。
优选地,步骤100的各种能源包括:化石能源、风能、太阳能、海洋能源、生物 质能和其他可再生能源,进一步的,也可以将各种能源的消耗数据转换成电力消化量 (总能源消耗量)。
步骤200:根据所述消耗历史数据、天气历史数据以及预生成的能源系统负荷预测模型预测所述目标地区的能源系统负荷,其中,所述能源系统负荷预测模型是基于 卷积神经网络以及长短期记忆网络所生成的。
具体地,基于综合能源系统负荷之间存在较强的耦合关系这一特性,首先利用CNN提取反映综合能源系统负荷耦合特性的特征量,将特征量转化为输入到LSTM 的时间序列,利用LSTM优良的时间序列处理能力进行负荷预测,能去较为准确进行 负荷预测,得到较高的精度。
步骤300:在所述能源系统负荷预测模型下,计算所述消耗历史数据的多个影响因素各自的Shapley值。
Shapley Value-沙普利值,通过考虑各个代理做出的贡献,来公平地分配合作收益, 其本质是对于一个合作项目所期望的共享量的平均值。具体地,基于Shapley值进行联盟成员的利益分配体现了各盟员对联盟总目标的贡献程度,避免了分配上的平均主 义,比任何一种仅按资源投入价值、资源配置效率及将二者相结合的分配方式都更具 合理性和公平性,也体现了各盟员相互博弈的过程。但Shapley值法的利益分配方案 尚未考虑联盟成员的风险分担因素,实质上隐含着各盟员风险分担均等的假设,因此, 对于联盟成员风险分担不等或风险分担存在较大差异的状况,需要根据风险分担大小 对Shapley值法的利益分配方案做出适当的修正。另需要注意利用Shapley值法进行 利益分配应具备的前提条件是:要求每个参与人对在不同联盟组合状态下的利益要有 一个较为准确的预期;此外,还要对这种复杂的计算方式有一个清楚的了解。知识联 盟的总产出有时可能是不确定的,不同联盟组合状态下的收益也可能是不确定的,这 会在一定程度上影响Shapley值法的应用。对于总效用不确定的情况,为了获取一个 比较合理的不同联盟组合状态下的效用值,可以采用AHP法、ANP法、模糊数学等 综合评价方法来估算各种联盟组合状态下的可能效用值,从而获得shapley值法所需 要的数据,再进行具体利益分配上的计算。
步骤400:根据所述Shapley值确定对所述多个影响因素的重要性进行排序。
能源系统负荷受多个因素的影响,这里采用Shapley值衡量每个因素对负荷预测结果的贡献。具体地,可以从有效性、对称性、冗员性和可加性这四个角度对各个影 响因素的Shapley值排序,进而得到每个影响因素的重要性排序序列。
从上述描述可知,本发明实施例提供的综合能源系统负荷预测方法,首先接收目标地区的各种能源的消耗历史数据以及天气历史数据;接着,根据消耗历史数据、天 气历史数据以及预生成的能源系统负荷预测模型预测目标地区的能源系统负荷,其中, 能源系统负荷预测模型是基于卷积神经网络以及长短期记忆网络所生成的;在能源系 统负荷预测模型下,计算消耗历史数据的多个影响因素各自的Shapley值;最后根据 Shapley值确定对多个影响因素的重要性进行排序。具体地,本方具有以下有益效果:
(1)首次基于CNN-LSTM模型,建立了一种综合能源系统负荷预测方法;
(2)打破了传统统计模型预测方法输入数据维度大,计算开销大,动态更新困难预测精度低的约束,实现了基于数据驱动模型的创新应用。
(3)与传统统计模型及机器学习模型相比、本发明的提出能够稳定地捕捉多元时间序列地时间和空间特征,准确的预测能源系统负荷,同时能够挖掘不同特征对能源 负荷的影响。
(4)基于Shapley值揭示了预测模型中各影响因素对总能耗的贡献。
一实施例中,参见图2,综合能源系统负荷预测方法还包括:
步骤500:生成所述能源系统负荷预测模型。参见图3,步骤500又包括:
步骤501:根据预生成的卷积神经初始网络以及长短期记忆初始网络生成所述能源系统负荷预测模型的初始模型;
具体地,参见表1以及图4,能源系统负荷预测模型的初始模型包括:输入层、 卷积层、池化层、展平层、LSTM层、输出层。
表1
步骤502:根据多个地区的各种能源的消耗历史数据、天气历史数据以及对应的能源系统负荷生成训练数据;
具体地,将历史上每一年所对应的各种能源消耗了数据、天气数据以及该年对应的能源系统负荷生成一映射,由多年的上述数据生成多个映射,则多个映射即为训练 数据。
步骤503:根据所述训练数据对所述初始模型进行训练,以生成能源系统负荷预测模型。
可以理解的是,此时还需要设定以训练截止条件,优选地,该训练截止条件可以为误差率小于预设值或者为训练轮数等。
一实施例中,参见图5,步骤200包括:
步骤201:将所述目标地区的各种能源的消耗历史数据以及天气历史数据输入至所述卷积神经网络中,以对所述目标地区的各种能源的消耗历史数据以及天气历史数 据进行筛选;
步骤201的卷积神经网络-CNN包括:典型的卷积神经网络包含卷积层、池化层、 激活层及全连接层。此步骤的目的是通过CNN模型提取训练数据的初级特征,首先 卷积层对输入的变量进行卷积运算,提取基本特征;然后卷积层的输出作为激活层的 输入,该层创建一个非线性函数学习复杂时间序列;池化层对其进行降维,减少计算 的复杂度;最终将输出层特征提取到LSTM中。
步骤202:将筛选后的目标地区的各种能源的消耗历史数据以及天气历史数据输入至所述长短期记忆网络中,以提取所述目标地区的各种能源的消耗历史数据以及天 气历史数据的时间特征数据;
具体地,通过LSTM层识别筛选后的数据的特征与能源负荷之间的时间依赖关 系。
步骤203:根据所述时间特征数据以及所述能源系统负荷预测模型预测所述目标地区的能源系统负荷。
一实施例中,参见图6,步骤300包括:
步骤301:根据多个影响因素、影响因素的数量以及影响因素的特征函数计算所述Shapley值。
式中:S为xi中排除第j个影响因素后剩余影响因素的子集;|S|为S中影响 因素的数量;val(S)为特征函数,表示S中的影响因素通过“协作”对负荷预测结果的 影响程度,其值可通过S中的影响因素对不包含在S中的影响因素在负荷预测模型上 的输出计算得到:
式中,对于样本中不包含在S中的每个影响因素都要执行积分求和运算。
为进一步地说明本方案,本发明还A国的五个城市为例,提供综合能源系统负荷预测方法的具体应用实例,参见图7,该具体应用实例具体包括如下内容。
步骤S1:数据收集。
为了验证该方法的可行性,采用从A国的5个最大城市(A-1、A-2、A-3、A-4 以及A-5)收集的数据集进行算例分析。该数据集包含A国近4年的天气状况和能源 消耗。总能源消耗是从各种能源转换而成的电力消耗量,包括化石能源、风能、太阳 能、海洋能源、生物质能和其他可再生能源。
步骤S2:利用CNN-LSTM能源负荷预测模型预测能源系统负荷。
首先由CNN的卷积层对输入的变量进行卷积运算,提取基本特征;然后卷积层 的输出作为激活层的输入,该层创建一个非线性函数学习复杂时间序列;池化层对其 进行降维,减少计算的复杂度;最终将输出层特征提取到LSTM中。
其中卷积层的运算主要为:
b——偏置
m——提取数据特征局部时间窗的宽度
*——卷积运算符
fr(z)——激活函数
卷积层中最为有用的特征信息通过池化运算进行捕捉,对上一个卷积层得到的特征进行抽样,降低维度,减小计算的复杂度,从而形成池化层,其表达式为:
其中:pool()——池化运算,分为全局最大池化与最大池化
LSTM基于门控机制改良于RNN,计算包含输入、输出、遗忘三个过程,图8填 充圆为向量计算单元。W,V,U分别为输入、输出、记忆权重,虚线框的地方表示一个 神经元。
Ct-1至Ct实现循环神经网络的记忆机制。由向量计算单元依次进行遗忘、输入计算对上下两层神经元输出,实现正向传播过程中的长时间保存。遗忘门通过σ(x)函数 决定是否遗忘某一数据向量:
f=σ(W×ht-1+U×Xt+b) (3)
其中,f——遗忘门函数值;
W——上一神经元输出的权重值;
ht-1——上一神经元输出;
U——输入神经元数据的权重值;
Xt——输入神经元数据;
b——偏差校正值;
σ——门函数。
W,U由反向传播函数计算。以遗忘函数f(x)判断是否保留上一神经元传递数据。对于输入门,通过σ(x)和tanh(x)共同确定输入数值:
i=σ(W×ht-1+U×Xt+b) (4)
Co=tanh(W×ht-1+U×Xt+b) (5)
其中,i——由σ函数确定的输入值;
Co——由tanh函数确定的输入值
被神经元保留记忆的数据Ct由遗忘门和输入门确定:
Ct=f×Ct-1+i×Co (6)
其中,Ct——神经元经过遗忘和输入后保留的数据。
对于输出门,σ(x)函数决定输入数据占比,tanh(x)函数决定记忆数据占比:
ht=V×(σ(f)+tanh(Ct)) (7)
其中,V——输出门权重值;
ht——输出数据
三门控机制联立实现数据在不同神经元之间的传递、保留和删除,从而提取有效信息,实现对规律性事物的探索和预测。
为了从不同地点收集的多元时间序列中提取特征,本发明整合了CNN和LSTM 模型的时空建模能力。使用LSTM模型从CNN模型中提取输入数据之间的时间相关 性。将能源系统可采集的多维运行数据降维处理后作为CNN-LSTM预测模型的输 入,提取运行数据中包含的时空特征,实现对能源负荷的预测。
步骤S3:预测结果校验。
本发明实施例所提供的能源负荷预测模型能够在对能源系统运行数据进行降维处理,减小预测过程计算开销的前提下,充分捕捉运行数据时间及空间维度的信息特 征,相对精准地预测能源系统负荷。
步骤S4:基于Shapley值的影响因素重要度分析。
式中:S为xi中排除第j个影响因素后剩余影响因素的子集;|S|为S中影响 因素的数量;val(S)为特征函数,表示S中的影响因素通过“协作”对负荷预测结果的 影响程度,其值可通过S中的影响因素对不包含在S中的影响因素在负荷预测模型上 的输出计算得到:
式中,对于样本中不包含在S中的每个影响因素都要执行积分求和运算。
在本具体应用实例中,Shapley值具有有效性、对称性、冗员性和可加性,并且 满足这4个特性的Shapley值存在且唯一。在负荷预测结果溯源分析问题中,Shapley 值的4个特性可以表示为以下形式。
(1)有效性。一个样本xi中所有影响因素的Shapley值之和等于基于该样本的 负荷预测结果与基于所有数据集负荷预测结果的平均值之差:
(2)对称性。如果一个样本xi中有2个影响因素和分别由这2个影响因 素与任意其他相同影响因素组成的子集对负荷的影响均相同,则这2个影响因素的 Shapley值也相同,即对于负荷影响因素的子集如果满足式(9),则 φi (j)=φi (k)
(4)可加性。如果采用相同的数据集训练多个负荷预测模型,则将所有模型预 测结果的平均值作为最终的负荷预测结果。可加性保证了基于每个预测模型计算的 Shapley平均值为影响因素对最终预测结果的贡献。
Shapley值的4个特性可以保证在各负荷影响因素之间公平地分配其对负荷预测结果的贡献,从而反映各影响因素对负荷预测结果的影响。其计算过程如下:
(1)设置初始迭代次数m=1。
(2)在数据集D中随机选择一个数据样本Z。
(3)将xi中的p个影响因素进行随机排列,生成新的排列顺序:
(4)根据新的排列顺序对随机选取的样本z中的影响因素进行排序:
zo={z(1),z(2),…,z(j),…,z(p)} (14)
式中:zo为随机选取的样本z中的影响因素按照新的排列顺序重新排序后的结果,z(j)为其中的第j个影响因素。
Shapley值表示影响因素对负荷预测结果的影响程度,Shapley值的绝对值越大,影响因素对预测结果的影响越大。数据集D所有样本中每个影响因素Shapley值的平 均绝对值可以衡量该影响因素对负荷预测结果的影响大小,如下式所示。
针对A国的五个城市的能源系统负荷的影响因素参见表2,其中不同的数字分别代表不同的地区。
表2数据集天气状况特征
符号 | 含义 |
H | 湿度 |
T | 温度 |
W | 风速 |
P | 降雨量 |
参见图9,按照变量的平均SHAP值排序,变量顺序依次为区域1湿度、区域4 湿度、区域3湿度、区域4温度和区域5湿度。从中可发现湿度变量整体shapley值 较高,说明湿度变量对预测模型的预测性能十分重要,变量的重要程度顺序为:湿度、 温度、风速和降雨量。
图10直观地展示了同一时刻地区各特征对地区总能源消耗的贡献。图中粗竖线左边表示此特征对预测有增益作用,竖线右边表示此特征对预测变量起消极作用。区 域4的湿度82%对预测有最高的负作用,导致总能源消耗总量减少0.326GW,区域3 的湿度62%对预测有最大的增益作用,使得地区能源消耗总量增加0.243GW。
通过以上分析对比,可以得出结论:充分捕捉运行数据时间及空间维度的信息特征,相对精准地预测能源系统负荷,同时能够充分挖掘不同地区的天气状况特征对区 域负荷的影响程度。
从上述描述可知,本发明具体应用实例所提供的综合能源系统负荷预测方法,克服了传统模型适应性差,及深度学习模型高度不确定性,缺乏可信度和解释度的“黑 箱”特性。能够充分捕获多元时间序列的时间及空间特征,准确预测区域负荷,同时 基于Shapley值的方法揭示了预测模型中各特征对总能耗的贡献。该方法一方面推进 了综合能源系统负荷预测的基础研究,另一方面由于其相对较低的计算负担和较高的 预测精度以及模型可解释的特性,该方法也具有很高的实用价值。
基于同一发明构思,本申请实施例还提供了一种综合能源系统负荷预测装置,可以用于实现上述实施例所描述的方法,如下面的实施例。由于综合能源系统负荷预测 装置解决问题的原理与综合能源系统负荷预测方法相似,因此综合能源系统负荷预测 装置的实施可以参见综合能源系统负荷预测方法实施,重复之处不再赘述。以下所使 用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实 施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也 是可能并被构想的。
本发明的实施例提供一种能够实现综合能源系统负荷预测方法的综合能源系统负荷预测装置的具体实施方式,参见图11,综合能源系统负荷预测装置具体包括如 下内容:
数据接收模块10,用于接收目标地区的各种能源的消耗历史数据以及天气历史数据;
负荷预测模块20,用于根据所述消耗历史数据、天气历史数据以及预生成的能 源系统负荷预测模型预测所述目标地区的能源系统负荷,其中,所述能源系统负荷预 测模型是基于卷积神经网络以及长短期记忆网络所生成的;
Shapley值计算模块30,用于在所述能源系统负荷预测模型下,计算所述消耗历史数据的多个影响因素各自的Shapley值;
影响因素排序模块40,用于根据所述Shapley值确定对所述多个影响因素的重要性进行排序。
一实施例中,参见图12,综合能源系统负荷预测装置还包括:模型生成模块50, 用于生成所述能源系统负荷预测模型,参见图13,所述模型生成模块50包括:
初始模型生成单元501,用于根据预生成的卷积神经初始网络以及长短期记忆初始网络生成所述能源系统负荷预测模型的初始模型;
训练数据生成单元502,用于根据多个地区的各种能源的消耗历史数据、天气历史数据以及对应的能源系统负荷生成训练数据;
模型生成单元503,用于根据所述训练数据对所述初始模型进行训练,以生成能源系统负荷预测模型。
一实施例中,参见图14,所述负荷预测模块20包括:
数据筛选单元201,用于将所述目标地区的各种能源的消耗历史数据以及天气历史数据输入至所述卷积神经网络中,以对所述目标地区的各种能源的消耗历史数据以 及天气历史数据进行筛选;
特征提取单元202,用于将筛选后的目标地区的各种能源的消耗历史数据以及天气历史数据输入至所述长短期记忆网络中,以提取所述目标地区的各种能源的消耗历 史数据以及天气历史数据的时间特征数据;
负荷预测单元203,用于根据所述时间特征数据以及所述能源系统负荷预测模型预测所述目标地区的能源系统负荷。
一实施例中,参见图15,所述Shapley值计算模块30包括:
Shapley值计算单元301,用于根据多个影响因素、影响因素的数量以及影响因 素的特征函数计算所述Shapley值。
从上述描述可知,本发明实施例提供的综合能源系统负荷预测装置,首先接收目标地区的各种能源的消耗历史数据以及天气历史数据;接着,根据消耗历史数据、天 气历史数据以及预生成的能源系统负荷预测模型预测目标地区的能源系统负荷,其中, 能源系统负荷预测模型是基于卷积神经网络以及长短期记忆网络所生成的;在能源系 统负荷预测模型下,计算消耗历史数据的多个影响因素各自的Shapley值;最后根据 Shapley值确定对多个影响因素的重要性进行排序。
本发明一方面建立了基于卷积-长短期记忆神经网络的综合能源系统负荷高精度预测模型;从而实现了根据能源系统运行数据提取其时间及空间维度上的信息特征, 准确预测能源系统负荷;并且基于模型的预测结果,解释了不同样本特征对区域负荷 的影响程度,改善了传统深度学习模型的黑箱不可解释性。
另一方面,本发明基于Shapley值揭示了预测模型中各特征对总能耗的贡献。该方法一方面推进了综合能源系统负荷预测的基础研究,另一方面由于其相对较低的计 算负担和较高的预测精度以及模型可解释的特性,故该方法具有很高的实用价值。
本申请的实施例还提供能够实现上述实施例中的综合能源系统负荷预测方法中全部步骤的一种电子设备的具体实施方式,参见图16,电子设备具体包括如下内容:
处理器(processor)1201、存储器(memory)1202、通信接口(CommunicationsInterface)1203和总线1204;
其中,处理器1201、存储器1202、通信接口1203通过总线1204完成相互间的 通信;通信接口1203用于实现服务器端设备以及客户端设备等相关设备之间的信息 传输;
处理器1201用于调用存储器1202中的确定机程序,处理器执行确定机程序时实现上述实施例中的综合能源系统负荷预测方法中的全部步骤,例如,处理器执行确定 机程序时实现下述步骤:
步骤100:接收目标地区的各种能源的消耗历史数据以及天气历史数据;
步骤200:根据所述消耗历史数据、天气历史数据以及预生成的能源系统负荷预测模型预测所述目标地区的能源系统负荷,其中,所述能源系统负荷预测模型是基于 卷积神经网络以及长短期记忆网络所生成的;
步骤300:在所述能源系统负荷预测模型下,计算所述消耗历史数据的多个影响因素各自的Shapley值;
步骤400:根据所述Shapley值确定对所述多个影响因素的重要性进行排序。
本申请的实施例还提供能够实现上述实施例中的综合能源系统负荷预测方法中全部步骤的一种确定机可读存储介质,确定机可读存储介质上存储有确定机程序,该 确定机程序被处理器执行时实现上述实施例中的综合能源系统负荷预测方法的全部 步骤,例如,处理器执行确定机程序时实现下述步骤:
步骤100:接收目标地区的各种能源的消耗历史数据以及天气历史数据;
步骤200:根据所述消耗历史数据、天气历史数据以及预生成的能源系统负荷预测模型预测所述目标地区的能源系统负荷,其中,所述能源系统负荷预测模型是基于 卷积神经网络以及长短期记忆网络所生成的;
步骤300:在所述能源系统负荷预测模型下,计算所述消耗历史数据的多个影响因素各自的Shapley值;
步骤400:根据所述Shapley值确定对所述多个影响因素的重要性进行排序。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于 硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相 关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。 在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特 定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处 理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤 执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行 时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或 者多线程处理的环境)。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可 以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实 施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现 时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统, 或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦 合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性, 机械或其它的形式。
本领域技术人员也知道,除了以纯确定机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、 可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被 认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部 件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软 件模块又可以是硬件部件内的结构。
在一个典型的配置中,确定设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括确定机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是确定机可读 介质的示例。
本说明书实施例可以在由确定机执行的确定机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、 程序、对象、组件、数据结构等等。也可以在分布式确定环境中实践本说明书实施例, 在这些分布式确定环境中,由通过通信网络而被连接的远程处理设备来执行任务。在 分布式确定环境中,程序模块可以位于包括存储设备在内的本地和远程确定机存储介 质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于 系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参 见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些 实施例”、“示例”、“具体示例”、或“一些示例”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说明书实施例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必须针对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一个或多个实施例或示例中以合适的 方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述 的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书实施例的实施例而已,并不用于限制本说明书实施例。对于本领域技术人员来说,本说明书实施例可以有各种更改和变化。凡在本说明书实施 例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施 例的权利要求范围之内。
Claims (10)
1.一种综合能源系统负荷预测方法,其特征在于,包括:
接收目标地区的各种能源的消耗历史数据以及天气历史数据;
根据所述消耗历史数据、天气历史数据以及预生成的能源系统负荷预测模型预测所述目标地区的能源系统负荷,其中,所述能源系统负荷预测模型是基于卷积神经网络以及长短期记忆网络所生成的;
在所述能源系统负荷预测模型下,计算所述消耗历史数据的多个影响因素各自的Shapley值;
根据所述Shapley值确定对所述多个影响因素的重要性进行排序。
2.根据权利要求1所述的综合能源系统负荷预测方法,其特征在于,生成所述能源系统负荷预测模型的方法包括:
根据预生成的卷积神经初始网络以及长短期记忆初始网络生成所述能源系统负荷预测模型的初始模型;
根据多个地区的各种能源的消耗历史数据、天气历史数据以及对应的能源系统负荷生成训练数据;
根据所述训练数据对所述初始模型进行训练,以生成能源系统负荷预测模型。
3.根据权利要求1所述的综合能源系统负荷预测方法,其特征在于,所述根据所述消耗历史数据、天气历史数据以及预生成的能源系统负荷预测模型预测所述目标地区的能源系统负荷,包括:
将所述目标地区的各种能源的消耗历史数据以及天气历史数据输入至所述卷积神经网络中,以对所述目标地区的各种能源的消耗历史数据以及天气历史数据进行筛选;
将筛选后的目标地区的各种能源的消耗历史数据以及天气历史数据输入至所述长短期记忆网络中,以提取所述目标地区的各种能源的消耗历史数据以及天气历史数据的时间特征数据;
根据所述时间特征数据以及所述能源系统负荷预测模型预测所述目标地区的能源系统负荷。
4.根据权利要求1所述的综合能源系统负荷预测方法,其特征在于,所述在所述能源系统负荷预测模型下,计算所述消耗历史数据的多个影响因素各自的Shapley值,包括:
根据多个影响因素、影响因素的数量以及影响因素的特征函数计算所述Shapley值。
5.一种综合能源系统负荷预测装置,其特征在于,包括:
数据接收模块,用于接收目标地区的各种能源的消耗历史数据以及天气历史数据;
负荷预测模块,用于根据所述消耗历史数据、天气历史数据以及预生成的能源系统负荷预测模型预测所述目标地区的能源系统负荷,其中,所述能源系统负荷预测模型是基于卷积神经网络以及长短期记忆网络所生成的;
Shapley值计算模块,用于在所述能源系统负荷预测模型下,计算所述消耗历史数据的多个影响因素各自的Shapley值;
影响因素排序模块,用于根据所述Shapley值确定对所述多个影响因素的重要性进行排序。
6.根据权利要求5所述的综合能源系统负荷预测装置,其特征在于,还包括:模型生成模块,用于生成所述能源系统负荷预测模型,所述模型生成模块包括:
初始模型生成单元,用于根据预生成的卷积神经初始网络以及长短期记忆初始网络生成所述能源系统负荷预测模型的初始模型;
训练数据生成单元,用于根据多个地区的各种能源的消耗历史数据、天气历史数据以及对应的能源系统负荷生成训练数据;
模型生成单元,用于根据所述训练数据对所述初始模型进行训练,以生成能源系统负荷预测模型。
7.根据权利要求5所述的综合能源系统负荷预测装置,其特征在于,所述负荷预测模块包括:
数据筛选单元,用于将所述目标地区的各种能源的消耗历史数据以及天气历史数据输入至所述卷积神经网络中,以对所述目标地区的各种能源的消耗历史数据以及天气历史数据进行筛选;
特征提取单元,用于将筛选后的目标地区的各种能源的消耗历史数据以及天气历史数据输入至所述长短期记忆网络中,以提取所述目标地区的各种能源的消耗历史数据以及天气历史数据的时间特征数据;
负荷预测单元,用于根据所述时间特征数据以及所述能源系统负荷预测模型预测所述目标地区的能源系统负荷。
8.根据权利要求5所述的综合能源系统负荷预测装置,其特征在于,所述Shapley值计算模块包括:
Shapley值计算单元,用于根据多个影响因素、影响因素的数量以及影响因素的特征函数计算所述Shapley值。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的确定机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至4任一项所述综合能源系统负荷预测方法的步骤。
10.一种确定机可读存储介质,其上存储有确定机程序,其特征在于,该确定机程序被处理器执行时实现权利要求1至4任一项所述综合能源系统负荷预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210594672.4A CN114997488A (zh) | 2022-05-27 | 2022-05-27 | 一种综合能源系统负荷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210594672.4A CN114997488A (zh) | 2022-05-27 | 2022-05-27 | 一种综合能源系统负荷预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114997488A true CN114997488A (zh) | 2022-09-02 |
Family
ID=83028443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210594672.4A Pending CN114997488A (zh) | 2022-05-27 | 2022-05-27 | 一种综合能源系统负荷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114997488A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116488141A (zh) * | 2023-03-22 | 2023-07-25 | 国家能源集团乐东发电有限公司 | 一种基于多能互补的电网能量供应方法及系统 |
CN117132006A (zh) * | 2023-10-27 | 2023-11-28 | 中国铁塔股份有限公司吉林省分公司 | 基于能源管理系统的能耗预测方法及系统 |
-
2022
- 2022-05-27 CN CN202210594672.4A patent/CN114997488A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116488141A (zh) * | 2023-03-22 | 2023-07-25 | 国家能源集团乐东发电有限公司 | 一种基于多能互补的电网能量供应方法及系统 |
CN116488141B (zh) * | 2023-03-22 | 2023-10-27 | 国家能源集团乐东发电有限公司 | 一种基于多能互补的电网能量供应方法及系统 |
CN117132006A (zh) * | 2023-10-27 | 2023-11-28 | 中国铁塔股份有限公司吉林省分公司 | 基于能源管理系统的能耗预测方法及系统 |
CN117132006B (zh) * | 2023-10-27 | 2024-01-30 | 中国铁塔股份有限公司吉林省分公司 | 基于能源管理系统的能耗预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rafiei et al. | Probabilistic load forecasting using an improved wavelet neural network trained by generalized extreme learning machine | |
Barak et al. | Forecasting energy consumption using ensemble ARIMA–ANFIS hybrid algorithm | |
Strid | Efficient parallelisation of Metropolis–Hastings algorithms using a prefetching approach | |
CN114997488A (zh) | 一种综合能源系统负荷预测方法及装置 | |
CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
Kaboli et al. | An expression-driven approach for long-term electric power consumption forecasting | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
Pełka et al. | Pattern-based long short-term memory for mid-term electrical load forecasting | |
Yi et al. | A deep LSTM‐CNN based on self‐attention mechanism with input data reduction for short‐term load forecasting | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
Gupta et al. | Wind ramp event prediction with parallelized gradient boosted regression trees | |
Rafi et al. | An effective short-term load forecasting methodology using convolutional long short term memory network | |
Kalidindi et al. | Indoor temperature prediction with context-aware models in residential buildings | |
Viana et al. | Load forecasting benchmark for smart meter data | |
Huy et al. | Short-Term Load Forecasting in Power System Using CNN-LSTM Neural Network | |
Al-Janabi et al. | Main challenges (generation and returned energy) in a deep intelligent analysis technique for renewable energy applications. | |
CN114386666A (zh) | 一种基于时空相关性的风电场短期风速预测方法 | |
Greitemann et al. | Quantitative model of the technology lifecycle for forecasting the maturity of manufacturing technologies | |
CN113537607A (zh) | 停电预测方法 | |
Dong et al. | Image-based processing mechanism for peak load forecasting in smart grids | |
Bazine et al. | Prediction of photovoltaic production for smart grid energy management using hidden Markov model: a study case | |
Mohammed et al. | Main challenges (generation and returned energy) in a deep intelligent analysis technique for renewable energy applications | |
Rahman et al. | A Hybrid Deep Neural Network Model to Forecast Day-Ahead Electricity Prices in the USA Energy Market | |
Ahakonye et al. | Time-Efficient Deep Learning-Based Energy Consumption Prediction for Smart Factory |
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 |