CN115358437A - 基于卷积神经网络的供电负荷预测方法 - Google Patents

基于卷积神经网络的供电负荷预测方法 Download PDF

Info

Publication number
CN115358437A
CN115358437A CN202210762033.4A CN202210762033A CN115358437A CN 115358437 A CN115358437 A CN 115358437A CN 202210762033 A CN202210762033 A CN 202210762033A CN 115358437 A CN115358437 A CN 115358437A
Authority
CN
China
Prior art keywords
data
neural network
convolutional neural
load
model
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
CN202210762033.4A
Other languages
English (en)
Inventor
甘亚奇
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202210762033.4A priority Critical patent/CN115358437A/zh
Publication of CN115358437A publication Critical patent/CN115358437A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (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

本申请提供了一种基于卷积神经网络的供电负荷预测方法。所述基于卷积神经网络的供电负荷预测方法，包括以下步骤：S1.获取某地区的电力系统历史负荷数据，对历史负荷数据中的异常数据进行预处理；S2.对影响电力负荷的因素进行分析与量化，将修正后的负荷数据进行标准归一化，具体操作为：使用归一化公式将负荷数据归一化为[0，1]，使其负荷数据处于同一数量级别，从而加快神经网络的收敛速度。该方法按照电量、温度、节假日等三类数据，构建了卷积神经网络电量预测算法，提高了电量预测过程中海量数据处理效率、综合考虑温度等关联信息，并克服了预测过程过分依赖个人经验等问题。

Description

基于卷积神经网络的供电负荷预测方法
技术领域
本发明涉及智能电网负荷预测分析技术领域，具体为基于卷积神经网络 的供电负荷预测方法。
背景技术
目前，电力信息技术日趋成熟使得电力大数据应用有了广阔的前景。电 力数据种类多，数据范围广，贯穿整个电力生产消费环节，电力需求预测对 电力建设规划、电网调度控制、电力市场评估有重要意义。
电力系统负荷预测作为能量管理系统的重要组成部分，其预测误差的大 小直接影响电网后续安全校核的分析结果，对电网动态状态估计、负荷调度 和减少发电成本等方面具有重要意义。由于负荷本身的不确定性和复杂性， 准确的负荷特性分析和预测模型建立是提高预测精度的关键所在。
现有预测模型主要集中在浅层学习，在有限的样本和计算单元下对复杂 函数的逼近能力有限，难以提取负荷序列的深层次特征，模型的泛化性能受 到了限制，阻碍了预测精度的进一步提高，并且传统电力需求预测由单纯电 量信息进行，缺少外部数据关联性分析，导致缺乏对拟合规律以外变化趋势 的预测，且预测精度不高。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了基于卷积神经网络的供电负荷预测 方法，构建了卷积神经网络电量预测算法，提高了电量预测过程中海量数据 处理效率、综合考虑温度等关联信息，并克服了预测过程过分依赖个人经验 等问题，进而能够降低人员要求、简化操作过程，使用更加的方便。
(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：基于卷积神经网 络的供电负荷预测方法，包括以下步骤：
S1.获取预设地区的电力系统历史负荷数据，对历史负荷数据中的异常数 据进行预处理；
S2.对影响电力负荷的因素进行分析与量化，将修正后的负荷数据进行标 准归一化，具体操作为：使用归一化公式将负荷数据归一化为[0，1]，使其 负荷数据处于同一数量级别，从而加快神经网络的收敛速度；
S3.构造多尺度信息融合卷积神经网络模型，并将获得的数据集分割为两 个部分：训练集和验证集，训练集用来训练模型，验证集用来验证训练结果；
S4.选取固定长度的训练集向量序列作为模型输入，以输入向量之后固定 时间的实际负荷作为模型输出的训练目标，通过多次迭代训练模型至收敛， 使用验证集验证训练好的模型，通过对比测试集和验证集的精度和误差，调 整模型参数，通过多次训练，选择验证集表现最好的模型作为训练结果；
S5.在实际环境中运行模型，当预测值和实际值出现较大偏差时，将最新 数据加入训练集再次训练模型，从而获得最新实用的电量预测卷积神经网络 模型；
S6.利用卷积神经网络模型，针对小时电量、日电量、周电量与气温、节 假日的外部数据之间的多变量复杂非线性映射关系，提取电量临近性、周期 性、趋势性特征，构建电量预测卷积神经网络；
S7.将输入层电量、气温、节假日数据进行预处理，通过归一化处理将上 述三类数据转化为无量纲相对量后，将海量数据输入步骤S6的电量预测卷积 神经网络，初始化多通道卷积神经网络权值和偏置；
S8.将输入数据通过卷积神经网络逐层计算，基于误差梯度的反向传播算 法调整每层网络的权值和偏置，达到设定迭代次数后停止训练，输入测试样 本集得到预测结果。
优选的，所述步骤S1中某地区的电力历史负荷数据的数据样本来自于该 地区的数据采集与监视控制系统，且其中的异常数据预处理是通过解析分析 法和修正法来识别不良数据，再补足缺损的数据。
优选的，所述步骤S2中的影响电力负荷的因素包括温度、天气特征和日 期类型等，根据这些因素对负荷的影响程度将其进行量化处理。
优选的，所述步骤S3中构造多尺度信息融合卷积神经网络模型的过程如 下：
1)引入因果逻辑约束增强时间序列特征表达，因果卷积运算只向前卷积， 不获取未来时刻的信息；
2)利用多尺度卷积描述不同长度时域数据的相互关系；
3)利用残差网络结构提升网络深度和预测精度。
优选的，所述步骤S7中将上述三类数据变为归一化后的无量纲数据，其 计算公式为：
Figure BDA0003724429950000031
式中：
y：归一化后数据值；
ymax＝1；
ymin＝-1；
xmax：归一化前数据最大值；
xmin：归一化前数据最小值。
优选的，所述步骤S8中采用Xavier正态分布初始化权值：
Figure BDA0003724429950000032
Figure BDA0003724429950000041
E(w)＝0，实现权值服从均值为0的均匀分布；
其中，E表示均值，Var表示方差，nj表示第j层节点个数，nj+1表示第 j+1层节点个数。
优选的，所述步骤S8中的卷积层计算公式为：
Figure BDA0003724429950000042
n＝1,2,…C0
上式中，ym为第m个卷积层输出，a为卷积层激活函数，xj为第j个通道 输入，wm为第m个卷积核，bm为偏置值，C0为卷积核总个数。
优选的，所述步骤2)中用多尺度卷积描述不同长度时域数据相互关系为： 通过输入序列长度确定卷积核大小、尺度因子和网络深度，使三者之积大于 输入序列的长度。
优选的，所述步骤3)中利用残差网络结构提升网络深度和预测精为：采 用残差结构，由多个残差块堆叠而成，其中一个残差块包括多尺度信息融合 卷积、权重标准化、激活函数、Dropout结构。
(三)有益效果
本发明提供了基于卷积神经网络的供电负荷预测方法。具备以下有益效 果：
1、本发明提供了基于卷积神经网络的供电负荷预测方法，通过将电力负 荷数据及相关影响因素建模为时间序列问题，随后提出一种多尺度信息融合 卷积神经网络来预测短期电力负荷，引入因果逻辑约束增强时间序列特征表 达，并利用多尺度卷积描述不同长度时域数据相互关系，最后设计残差网络 结构提升了网络深度和预测精度，在面对很长的一维输入序列时，本发明提 出的方法依然可以提取整个序列的多维度特征，使得该方法可以有效提升供 电负荷预测精度。
2、本发明提供了基于卷积神经网络的供电负荷预测方法，该方法针对小 时电量、日电量、周电量与气温、节假日等外部数据之间的多变量复杂非线 性映射关系，提取电量临近性、周期性、趋势性特征，构建电量预测卷积神 经网络，再通过归一化处理将三类数据转化为无量纲相对量，将海量数据输 入卷积神经网络进行逐层计算，利用误差梯度反向传播算法调整每层网络中 的权值和偏置，达到训练迭代次数后停止训练输出电量预测结果。
3、本发明提供了基于卷积神经网络的供电负荷预测方法，该方法按照电 量、温度、节假日等三类数据，构建了卷积神经网络电量预测算法，提高了 电量预测过程中海量数据处理效率、综合考虑温度等关联信息，并克服了预 测过程过分依赖个人经验等问题，进而能够降低人员要求、简化操作过程， 使用更加的方便。
附图说明
图1为本发明的基于卷积神经网络的供电负荷预测方法流程图。
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做 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。
实施例：
如图1所示，本发明实施例提供基于卷积神经网络的供电负荷预测方法， 包括以下步骤：
S1.获取某地区的电力系统历史负荷数据，对历史负荷数据中的异常数据 进行预处理；
S2.对影响电力负荷的因素进行分析与量化，将修正后的负荷数据进行标 准归一化，具体操作为：使用归一化公式将负荷数据归一化为[0，1]，使其 负荷数据处于同一数量级别，从而加快神经网络的收敛速度；
S3.构造多尺度信息融合卷积神经网络模型，并将获得的数据集分割为两 个部分：训练集和验证集，训练集用来训练模型，验证集用来验证训练结果；
S4.选取固定长度的训练集向量序列作为模型输入，以输入向量之后固定 时间的实际负荷作为模型输出的训练目标，通过多次迭代训练模型至收敛， 使用验证集验证训练好的模型，通过对比测试集和验证集的精度和误差，调 整模型参数，通过多次训练，选择验证集表现最好的模型作为训练结果；
S5.在实际环境中运行模型，当预测值和实际值出现较大偏差时，将最新 数据加入训练集再次训练模型，从而获得最新实用的电量预测卷积神经网络 模型；
S6.利用卷积神经网络模型，针对小时电量、日电量、周电量与气温、节 假日的外部数据之间的多变量复杂非线性映射关系，提取电量临近性、周期 性、趋势性特征，构建电量预测卷积神经网络；
S7.将输入层电量、气温、节假日数据进行预处理，通过归一化处理将上 述三类数据转化为无量纲相对量后，将海量数据输入步骤S6的电量预测卷积 神经网络，初始化多通道卷积神经网络权值和偏置；
S8.将输入数据通过卷积神经网络逐层计算，基于误差梯度的反向传播算 法调整每层网络的权值和偏置，达到设定迭代次数后停止训练，输入测试样 本集得到预测结果。
步骤S3中构造多尺度信息融合卷积神经网络模型的过程如下：
1)引入因果逻辑约束增强时间序列特征表达，因果卷积运算只向前卷积， 不获取未来时刻的信息；
2)利用多尺度卷积描述不同长度时域数据的相互关系；
3)利用残差网络结构提升网络深度和预测精度。
步骤2)中用多尺度卷积描述不同长度时域数据相互关系为：通过输入序 列长度确定卷积核大小、尺度因子和网络深度，使三者之积大于输入序列的 长度。
步骤3)中利用残差网络结构提升网络深度和预测精为：采用残差结构， 由多个残差块堆叠而成，其中一个残差块包括多尺度信息融合卷积、权重标 准化、激活函数、Dropout结构。
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。

Claims (9)

1.基于卷积神经网络的供电负荷预测方法，其特征在于：包括以下步骤：
S1.获取预设地区的电力系统历史负荷数据，对历史负荷数据中的异常数据进行预处理；
S2.对影响电力负荷的因素进行分析与量化，将修正后的负荷数据进行标准归一化，具体操作为：使用归一化公式将负荷数据归一化为[0，1]，使其负荷数据处于同一数量级别，从而加快神经网络的收敛速度；
S3.构造多尺度信息融合卷积神经网络模型，并将获得的数据集分割为两个部分：训练集和验证集，训练集用来训练模型，验证集用来验证训练结果；
S4.选取固定长度的训练集向量序列作为模型输入，以输入向量之后固定时间的实际负荷作为模型输出的训练目标，通过多次迭代训练模型至收敛，使用验证集验证训练好的模型，通过对比测试集和验证集的精度和误差，调整模型参数，通过多次训练，选择验证集表现最好的模型作为训练结果；
S5.在实际环境中运行模型，当预测值和实际值出现较大偏差时，将最新数据加入训练集再次训练模型，从而获得最新实用的电量预测卷积神经网络模型；
S6.利用卷积神经网络模型，针对小时电量、日电量、周电量与气温、节假日的外部数据之间的多变量复杂非线性映射关系，提取电量临近性、周期性、趋势性特征，构建电量预测卷积神经网络；
S7.将输入层电量、气温、节假日数据进行预处理，通过归一化处理将上述三类数据转化为无量纲相对量后，将海量数据输入步骤S6的电量预测卷积神经网络，初始化多通道卷积神经网络权值和偏置；
S8.将输入数据通过卷积神经网络逐层计算，基于误差梯度的反向传播算法调整每层网络的权值和偏置，达到设定迭代次数后停止训练，输入测试样本集得到预测结果。
2.根据权利要求1所述的基于卷积神经网络的供电负荷预测方法，其特征在于：所述步骤S1中某地区的电力历史负荷数据的数据样本来自于该地区的数据采集与监视控制系统，且其中的异常数据预处理是通过解析分析法和修正法来识别不良数据，再补足缺损的数据。
3.根据权利要求2所述的基于卷积神经网络的供电负荷预测方法，其特征在于：所述步骤S2中的影响电力负荷的因素包括温度、天气特征和日期类型等，根据这些因素对负荷的影响程度将其进行量化处理。
4.根据权利要求3所述的基于卷积神经网络的供电负荷预测方法，其特征在于：所述步骤S3中构造多尺度信息融合卷积神经网络模型的过程如下：
1)引入因果逻辑约束增强时间序列特征表达，因果卷积运算只向前卷积，不获取未来时刻的信息；
2)利用多尺度卷积描述不同长度时域数据的相互关系；
3)利用残差网络结构提升网络深度和预测精度。
5.根据权利要求4所述的基于卷积神经网络的供电负荷预测方法，其特征在于：所述步骤S7中将上述三类数据变为归一化后的无量纲数据，其计算公式为：
Figure FDA0003724429940000021
式中：
y：归一化后数据值；
ymax＝1；
ymin＝-1；
xmax：归一化前数据最大值；
xmin：归一化前数据最小值。
6.根据权利要求5所述的基于卷积神经网络的供电负荷预测方法，其特征在于：所述步骤S8中采用Xavier正态分布初始化权值：
Figure FDA0003724429940000031
Figure FDA0003724429940000032
E(w)＝0，实现权值服从均值为0的均匀分布；
其中，E表示均值，Var表示方差，nj表示第j层节点个数，nj+1表示第j+1层节点个数。
7.根据权利要求6所述的基于卷积神经网络的供电负荷预测方法，其特征在于：所述步骤S8中的卷积层计算公式为：
Figure FDA0003724429940000033
n＝1,2,…C0
上式中，ym为第m个卷积层输出，a为卷积层激活函数，xj为第j个通道输入，wm为第m个卷积核，bm为偏置值，C0为卷积核总个数。
8.根据权利要求7所述的基于卷积神经网络的供电负荷预测方法，其特征在于：所述步骤2)中用多尺度卷积描述不同长度时域数据相互关系为：通过输入序列长度确定卷积核大小、尺度因子和网络深度，使三者之积大于输入序列的长度。
9.根据权利要求8所述的基于卷积神经网络的供电负荷预测方法，其特征在于：所述步骤3)中利用残差网络结构提升网络深度和预测精为：采用残差结构，由多个残差块堆叠而成，其中一个残差块包括多尺度信息融合卷积、权重标准化、激活函数、Dropout结构。
CN202210762033.4A 2022-06-30 2022-06-30 基于卷积神经网络的供电负荷预测方法 Pending CN115358437A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210762033.4A CN115358437A (zh) 2022-06-30 2022-06-30 基于卷积神经网络的供电负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210762033.4A CN115358437A (zh) 2022-06-30 2022-06-30 基于卷积神经网络的供电负荷预测方法

Publications (1)

Publication Number Publication Date
CN115358437A true CN115358437A (zh) 2022-11-18

Family

ID=84029988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210762033.4A Pending CN115358437A (zh) 2022-06-30 2022-06-30 基于卷积神经网络的供电负荷预测方法

Country Status (1)

Country Link
CN (1) CN115358437A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117272121A (zh) * 2023-11-21 2023-12-22 江苏米特物联网科技有限公司 一种基于Deep SHAP的酒店负荷影响因素量化分析方法
CN117495055A (zh) * 2023-12-28 2024-02-02 国网辽宁省电力有限公司 基于综合能源集群协调智能配电装置及其方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117272121A (zh) * 2023-11-21 2023-12-22 江苏米特物联网科技有限公司 一种基于Deep SHAP的酒店负荷影响因素量化分析方法
CN117272121B (zh) * 2023-11-21 2024-03-12 江苏米特物联网科技有限公司 一种基于Deep SHAP的酒店负荷影响因素量化分析方法
CN117495055A (zh) * 2023-12-28 2024-02-02 国网辽宁省电力有限公司 基于综合能源集群协调智能配电装置及其方法

Similar Documents

Publication Publication Date Title
Sun et al. Using Bayesian deep learning to capture uncertainty for residential net load forecasting
CN112488395B (zh) 一种配电网线损预测方法及系统
CN110414788B (zh) 一种基于相似日和改进lstm的电能质量预测方法
CN108921339B (zh) 基于分位数回归的遗传支持向量机光伏功率区间预测方法
CN111915092B (zh) 基于长短时记忆神经网络的超短期风电功率预测方法
CN108022001A (zh) 基于pca和分位数回归森林的短期负荷概率密度预测方法
CN110163429B (zh) 一种基于相似日优化筛选的短期负荷预测方法
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN113205207A (zh) 一种基于XGBoost算法的用电短期负荷波动预测方法及系统
CN115358437A (zh) 基于卷积神经网络的供电负荷预测方法
CN111369070A (zh) 一种基于包络线聚类的多模融合光伏功率预测方法
CN111241755A (zh) 电力负荷预测方法
CN110826774A (zh) 母线负荷预测方法、装置、计算机设备及存储介质
CN110991737A (zh) 一种基于深度置信网络的超短期风电功率预测方法
CN114792156A (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN111898825A (zh) 一种光伏发电功率短期预测方法及装置
CN112163689A (zh) 基于深度Attention-LSTM的短期负荷分位点概率预测方法
CN111815026A (zh) 一种基于特征聚类的多能源系统负荷预测方法
CN116821832A (zh) 针对高压工商业用户用电负荷的异常数据辨识与修正方法
CN116169670A (zh) 一种基于改进神经网络的短期非居民负荷预测方法及系统
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN114819395A (zh) 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法
CN110956304A (zh) 一种基于ga-rbm的分布式光伏发电量短期预测方法
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN111697560B (zh) 一种基于lstm预测电力系统负荷的方法及系统

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