CN115566667A - 一种基于深度指数平滑网络的短期负荷预测方法 - Google Patents
一种基于深度指数平滑网络的短期负荷预测方法 Download PDFInfo
- Publication number
- CN115566667A CN115566667A CN202211144945.1A CN202211144945A CN115566667A CN 115566667 A CN115566667 A CN 115566667A CN 202211144945 A CN202211144945 A CN 202211144945A CN 115566667 A CN115566667 A CN 115566667A
- Authority
- CN
- China
- Prior art keywords
- factor
- network
- smoothing
- trend
- inference unit
- 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
Images
Classifications
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及负荷预测技术领域,公开了一种基于深度指数平滑网络的短期负荷预测方法,本发明初始化三个因子:季节因子、趋势因子、平滑因子,计算当前推断单元网络中这三个因子在设定时刻的状态,向下一个推断单元网络输出三个因子,迭代运行,直到最后一个推断单元网络运行结束,基于最后一个推断单元网络输出的三个因子计算预测值。本发明设计了一种新的推断单元网络,通过计算三个因子:季节因子、趋势因子和平滑因子,达到可解释目的。季节因子用于描述序列的季节特征,趋势因子描述序列的趋势走向,平滑因子是描述序列的平滑程度。在负荷预测中,构建具有可解释性的预测模型,能够让用户理解模型的推理过程,有助于增加对模型的可信度。
Description
技术领域
本发明涉及负荷预测技术领域,具体地说,是一种基于深度指数平滑网络的短期负荷预测方法。
背景技术
由于电能的特点是即发即用,因此提前对负荷进行预测可以有效地进行能源管理,实现负荷供需的动态平衡,保障电力系统的稳定运行。双碳背景下,新能源入网的比例逐渐提高,电动汽车的数量日益增加,这些因素增加了电网负荷的波动性,也给准确预测用电负荷带来了挑战。
时变性反映的是负荷序列自身的相关性,即负荷的当前状态与过去的历史状态具有相关性,体现为时序上的趋势性、季节性等。因此,如何建模负荷序列的时序依赖关系是负荷预测任务需要解决的问题。在已有的模型中,基于统计模型的负荷预测方法则主要通过建模表达负荷序列的特征。比如,常见的有自回归移动平均(Auto Regression MovingAverage,ARMA)、自回归(Auto Regression,AR)等时间序列模型。此外,也有基于卡尔曼滤波的预测方法,基于指数平滑度预测方法。基于循环神经网络建模负荷序列的非线性和时变性特征的方法也是目前主流的预测方法。其中以长短期记忆网络LSTM(Long Short-TermMemory,LSTM)和门控循环单元(Gate Recurrent Unit,GRU)为主的循环神经网络(Recurrent Neural Network,RNN)在负荷预测中有广泛应用。也有很多学者将循环神经网络与其他方法相结合实现负荷预测。
本发明认为基于分解的思路有利于负荷序列的特征挖掘。已有的工作中,经典的指数平滑模型就是采用分解的思路,分别建模序列的平滑特征、趋势特征和季节性特征。而且,学者们在此基础上构建了很多变体模型。基于经验模态分解构建模型也是常用的思路,也有基于小波分解的方法。总的来说,经验模态分解可以对任意时序进行分解,但分解过程增加了算法的计算成本,同时得到的模态不具有实际意义。小波分解方法可以按照不同频率对原始序列进行分解。但是该方法对数据具有平稳性约束,也需要人工设定基函数和分解层数。这使得该方法具有一定先验性,增加了预测模型构建难度。指数平滑模型按照能够通过特定参数明确地描述输入序列的周期性、趋势性和平滑性,具有很强的可解释性。但是,在每个因子建模中仅采用加法和乘法模型难以体现各个因子之间复杂的相关性,影响了模型的预测能力。综上分析,为解决负荷序列的时序依赖建模问题,本发明采用序列分解的思路,以指数平滑模型为基础创新地设计了一种新型的循环神经网络DeepES(DeepExponential Smoothing Network)用于实现负荷预测。
发明内容
本发明的目的在于提供一种基于深度指数平滑网络的短期负荷预测方法,具有很好的负荷预测效果。
本发明通过下述技术方案实现:一种基于深度指数平滑网络的短期负荷预测方法,包括以下步骤:
步骤S1,根据季节因子、趋势因子、平滑因子和神经网络构造N个推断单元网络,n为正整数;
步骤S2,使用InitNet网络初始化第一个推断单元网络中的季节因子、趋势因子和平滑因子;
步骤S3,使用迭代运行的方式和TempNet计算网络计算经过一定时间后第一个推断单元网络中季节因子、趋势因子和平滑因子的状态值;
步骤S4,向第二个推断单元网络输出所述经过一定时间后第一个推断单元网络中季节因子、趋势因子和平滑因子的状态值;
步骤S5,使用迭代运行的方式和TempNet计算网络重复计算经过一定时间后当前推断单元网络中季节因子、趋势因子和平滑因子的状态值,并向下一个推断单元网络输出当前季节因子、趋势因子和平滑因子的状态,直至第N个推断单元网络运行结束,所述迭代运行中输入的迭代次数为N;
步骤S6,基于PreNet预测网络以及第N个推断单元网络输出的对应的季节因子、趋势因子和平滑因子来计算负荷预测值Y。
为了更好地实现本发明,进一步地,所述步骤S1包括:
记输入序列为X;
所述季节因子用于描述输入序列的季节特征,并表示为S;
所述趋势因子用于描述输入序列的趋势走向,并表示为T;
所述平滑因子用于描述输入序列的平滑程度,并表示为I;
所述神经网络由Tanh激活函数激活,所述神经网络包括长短期记忆网络、门控循环单元网络和循环神经网络。
为了更好地实现本发明,进一步地,所述步骤S2包括:
将输入序列输入进推断单元网络中,计算输入序列的均值、方差和水平比率;
初始化InitNet网络获取初始化因子的取值;
根据输入序列的均值、方差、水平比率和初始化因子初始化季节因子、趋势因子和平滑因子。
为了更好地实现本发明,进一步地,所述步骤S3包括:
将第一个推断单元网络中季节因子、趋势因子和平滑因子进行向量拼接,生成第一向量拼接值;
使用TempNet计算网络计算输入序列和所述第一向量拼接值获取经过一定时间后第一个推断单元网络中季节因子、趋势因子和平滑因子的状态值。
为了更好地实现本发明,进一步地,所述步骤S4包括:
将第二个推断单元网络中季节因子、趋势因子和平滑因子进行向量拼接,生成第二向量拼接值;
使用TempNet计算网络计算输入序列和所述第二向量拼接值获取经过一定时间后第二个推断单元网络中季节因子、趋势因子和平滑因子的状态值。
为了更好地实现本发明,进一步地,所述步骤S6包括:
将第N个推断单元网络中的季节因子、趋势因子和平滑因子进行向量拼接,生成第N向量拼接值;
使用PreNet预测网络和所述第N向量拼接值计算负荷预测Y。
为了更好地实现本发明,进一步地,所述初始化网络InitNet包括第一隐藏层、第二隐藏层和第一输出层;
所述TempNet计算网络包括第三隐藏层和第二输出层;
所述PreNet预测网络包括第四隐藏层、第五隐藏层和第三输出层。
本发明与现有技术相比,具有以下优点及有益效果:
(1)融合了深度神经网络的特征,拥有神经网络的非线性映射能力。与LSTM、GRU一样属于循环神经网络,具备挖掘序列数据时序依赖的能力;
(2)与传统LSTM、GRU的不同之处在于,DeepES创新地结合了指数平滑模型的优点,即每个循环单元(cell)主要针对序列的平滑特征、趋势特征和季节性特征进行建模学习,实现对序列时序特征的挖掘;
(3)循环单元得到的隐向量分别对应平滑因子、趋势因子和季节因子,具有实际物理意义,能够让用户理解模型的推理过程,有助于增加对模型的可信度。
附图说明
本发明结合下面附图和实施例做进一步说明,本发明所有构思创新应视为所公开内容和本发明保护范围。
图1为本发明提供的一种基于深度指数平滑网络的短期负荷预测方法的流程图。
图2为本发明提供的推断单元网络结构示意图。
图3为本发明提供的InitNet网络结构示意图。
图4为本发明提供的TempNet计算网络结构示意图。
图5为本发明提供的PreNet预测网络结构示意图。
图6为本发明提供的一种基于深度指数平滑网络的短期负荷预测方法的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案,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,应当理解,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,因此不应被看作是对保护范围的限定。基于本发明中的实施例,本领域普通技术工作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。
需要说明的是,在本发明中,InitNet为初始化网络,TempNet为数据的统计网络,PreNet为去雨网络。
实施例1:
本实施例的一种基于深度指数平滑网络的短期负荷预测方法,如图1和图6所示,在步骤S1中根据季节因子、趋势因子、平滑因子和神经网络构造N个推断单元网络,n为正整数;在步骤S2中,在第一个推断单元网络中初始化季节因子、趋势因子和平滑因子,第一个推断单元网络中初始化后的季节因子、趋势因子和平滑因子分别用S1、T1、I1分别表示;在步骤S3中,计算经过一定时间t+1,t大于0后当前推断单元网络(DeepES)中季节因子、趋势因子和平滑因子这三个因子在t+1时刻的状态,分别表示为St+1、Tt+1、It+1;在步骤S4中向第二个推断单元网络输出所述经过一定时间后第一个推断单元网络中季节因子、趋势因子和平滑因子的状态,即向第二个推断单元输出三个因子St+1、Tt+1、It+1;在步骤S5中,重复计算经过一定时间后当前推断单元网络中季节因子、趋势因子和平滑因子的状态,并向下一个推断单元网络输出当前季节因子、趋势因子和平滑因子的状态,直至第N个推断单元网络运行结束,即第一个推断单元向第二个推断单元输出三个因子St+1、Tt+1、It+1,第二个推断单元向第三个推断单元输出三个对应因子,直至最后一个(第N个)推断单元网络运行结束;在步骤S6基于最后一个(第N个)推断单元网络输出对应的三个因子计算预测值Y。
实施例2:
本实施例在实施例1的基础上做进一步优化,如图2所示,是本发明中使用季节因子、趋势因子、平滑因子和神经网络构造的推断单元网络示意图,在图2中,Tt是趋势因子在t时刻的状态,St是季节因子在t时刻的状态,It是平滑因子在t时刻的状态,Tt+1是趋势因子在t+1时刻的状态,St+1是季节因子在t+1时刻的状态,It+1是平滑因子在t+1时刻的状态,图2中有几处模块标识了Tanh,这代表Tanh架构中对应位置会采用某个神经网络,神经网络包括长短期记忆网络、门控循环单元网络和循环神经网络,Xt是在t时刻输入的序列。
本实施例的其他部分与实施例1相同,故不再赘述。
实施例3:
本实施例在上述实施例1或2的基础上做进一步优化,在本实施例中,将输入序列输入进推断单元网络中,计算输入序列的均值、方差和水平比率的过程为:
首先,记输入序列为{X1,X2,…,Xn},其长度为n。取输入序列的前k个值,记为{X1,X2,…,Xk},计算该序列的均值Xmean、方差Xvar和水平比率Xρ,三个指标的计算公式如下,其中,i为X的下标,表示第i个X序列:
得到均值Xmean、方差Xvar和水平比率Xρ三个指标之后,均值Xmean、方差Xvar和水平比率Xρ作为initnet网络输入,输出的值即为初始化因子Xini,通过初始化网络InitNet得到初始化因子的取值Xinit,InitNet网络的设计如图3所示,InitNet网络由两个隐藏层和一个输出层构成,从左至右分别定义为第一隐藏层、第二隐藏层和第一输出层。其中输入的X1:k是指如输入长度为k的序列。这个长度为k的序列在输入init网络前,转化为Xmean,Xvar,Xp三个值,将这三个值输入init网络,输出的是初始化因子,其中0~p+1为初始化因子种第几个的意思,是初始化因子的第0个元素,是初始化因子的第1个元素,是初始化因子的第p+1个元素。
根据输入序列的均值、方差、水平比率和初始化因子初始化季节因子、趋势因子和平滑因子,季节因子初始化后用S0表示,趋势因子初始化后用T0表示,平滑因子初始化后用I0表示,初始化后的季节因子S0表示为初始化后的趋势因子T0表示为初始化后的平滑因子I0表示为其中 分别是初始化因子的第几个元素。
本实施例的其他部分与上述实施例1或2相同,故不再赘述。
实施例4:
本实施例在上述实施例1-3任一项的基础上做进一步优化,在本实施例中,如图3所示,InitNet网络的参数设置为:
第一隐藏层的输入数据维度为[1,k],即输入样本数是1,样本特征维度是k;输出维度为[1,p],即样本数是1,样本特征维度是p;
第二隐藏层的输入维度为[1,p],即输入样本数是1,样本特征维度是p;输出维度为[1,p],即样本数是1,样本特征维度是p;
第一输出层的输入维度为[1,p],即输入样本数是1,样本特征维度是p;输出维度为[1,p+2],即样本数是1,样本特征维度是p+2。
均值Xmean、方差Xvar和水平比率Xρ作为initnet网络输入,输出的值即为初始化因子Xinit。
本实施例的其他部分与上述实施例1-3任一项相同,故不再赘述。
实施例5:
本实施例在上述实施例1-4任一项基础上做进一步优化,计算当前推断单元网络中这三个因子在t+1时刻的状态。运行方式是迭代运行。推断单元网络的输入是季节因子S,趋势因子T,平滑因子I。每个迭代步骤的执行单元是推断单元网络,下面详细介绍推断单元网络中的执行流程,记当前执行步时刻为t:
①计算t+1时刻的平滑因子It+1,公式如下:
其中,t,t+1表示时刻,p1,p2是标识,用于区分不同的I。
其中,concat(·)表示两个向量的拼接操作,将第一个推断单元网络中季节因子、趋势因子和平滑因子进行向量拼接,生成第一向量拼接值。第一向量拼接值包括第一平滑因子向量拼接值、第一趋势因子向量拼接值和第一季节因子向量拼接值,其中,第一平滑因子向量拼接值为concat(Xt,St)和concat(It,Tt)、第一趋势因子向量拼接值包括concat(It,It+1),第一季节因子向量拼接值包括concat(Xt,It+1)。
同理,将第二个推断单元网络中季节因子、趋势因子和平滑因子进行向量拼接,生成第二向量拼接值;使用TempNet计算网络计算输入序列和所述第二向量拼接值获取经过一定时间后第二个推断单元网络中季节因子、趋势因子和平滑因子的状态值的过程也是如此。
TempNet为其中的计算网络,网络设计如图4所示,包括一个隐藏层和一个输出层,TempNet计算网络的隐藏层从左至右定义为第三隐藏层,TempNet计算网络的输出层定义为第二输出层。TempNet的参数设置为:
第三隐藏层的输入维度为[1,2p],即输入样本数是1,样本特征维度是2p;输出维度为[1,p],即样本数是1,样本特征维度是p;
第二输出层的输入维度为[1,p],即输入样本数是1,样本特征维度是p;输出维度为[1,p],即样本数是1,样本特征维度是p;
②计算t+1时刻的趋势因子Tt+1,公式如下:
其中,t,t+1表示时刻,p1,p2是标识,用于区分不同的I。
其中,concat(·)表示两个向量的拼接操作,TempNet为其中的计算网络,网络设计与平滑因子It+1中的计算网络一致;
③计算t+1时刻的趋势因子St+1,公式如下:
其中,t,t+1表示时刻,p1,p2是标识,用于区分不同的I
其中,concat(·)表示两个向量的拼接操作,TempNet为其中的计算网络,网络设计与平滑因子It+1中的计算网络一致;。
本实施例的其他部分与上述实施例1-4任一项相同,故不再赘述。
实施例6:
本实施例在上述实施例1-5任一项基础上做进一步优化,基于最后一个推断单元网络,即第N个推断单元网络输出的三个因子,即Slast、Tlast、Ilast,计算预测值Y,计算公式为:Y=PreNet(concat(St+1,Tt+1,It+1));这是PreNet网络的工作原理,输入是S,T,I,输出是Y,即根据S,T,I在t+1时刻的值,输入PreNet,计算出预测值Y。
其中,concat(·)表示两个向量的拼接操作,第N向量拼接值为concat(St+1,Tt+1,It+1)。
PreNet为其中的预测网络,如图5所示,预测网络包括一个两个隐藏层和一个输出层,从左至右分别定义为第四隐藏层、第五隐藏层和第三输出层,预测网络的参数设置为:
第四隐藏层的输入数据维度为[1,3p],即输入样本数是1,样本特征维度是3p;输出维度为[1,p],即样本数是1,样本特征维度是p;
第五隐藏层的输入维度为[1,p],即输入样本数是1,样本特征维度是p;输出维度为[1,p],即样本数是1,样本特征维度是p;
第三输出层的输入维度为[1,p],即输入样本数是1,样本特征维度是p;输出维度为[1,1],即样本数是1,样本特征维度是1。
本实施例的其他部分与上述实施例1-5任一项相同,故不再赘述。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (7)
1.一种基于深度指数平滑网络的短期负荷预测方法,其特征在于,包括以下步骤:
步骤S1,根据季节因子、趋势因子、平滑因子和神经网络构造N个推断单元网络,n为正整数;
步骤S2,使用InitNet网络初始化第一个推断单元网络中的季节因子、趋势因子和平滑因子;
步骤S3,使用迭代运行的方式和TempNet计算网络计算经过一定时间后第一个推断单元网络中季节因子、趋势因子和平滑因子的状态值;
步骤S4,向第二个推断单元网络输出所述经过一定时间后第一个推断单元网络中季节因子、趋势因子和平滑因子的状态值;
步骤S5,使用迭代运行的方式和TempNet计算网络重复计算经过一定时间后当前推断单元网络中季节因子、趋势因子和平滑因子的状态值,并向下一个推断单元网络输出当前季节因子、趋势因子和平滑因子的状态,直至第N个推断单元网络运行结束,所述迭代运行中输入的迭代次数为N;
步骤S6,基于PreNet预测网络以及第N个推断单元网络输出的对应的季节因子、趋势因子和平滑因子来计算负荷预测值Y。
2.根据权利要求1所述的一种基于深度指数平滑网络的短期负荷预测方法,其特征在于,所述步骤S1包括:
记输入序列为X; 所述季节因子用于描述输入序列的季节特征,并表示为S;
所述趋势因子用于描述输入序列的趋势走向,并表示为T;
所述平滑因子用于描述输入序列的平滑程度,并表示为I;
所述神经网络由Tanh激活函数激活,所述神经网络包括长短期记忆网络、门控循环单元网络和循环神经网络。
3.根据权利要求2所述的一种基于深度指数平滑网络的短期负荷预测方法,其特征在于,所述步骤S2包括:
将输入序列输入进推断单元网络中,计算输入序列的均值、方差和水平比率;
初始化InitNet网络获取初始化因子的取值;
根据输入序列的均值、方差、水平比率和初始化因子初始化季节因子、趋势因子和平滑因子。
4.根据权利要求3所述的一种基于深度指数平滑网络的短期负荷预测方法,其特征在于,所述步骤S3包括:
将第一个推断单元网络中季节因子、趋势因子和平滑因子进行向量拼接,生成第一向量拼接值;
使用TempNet计算网络计算输入序列和所述第一向量拼接值获取经过一定时间后第一个推断单元网络中季节因子、趋势因子和平滑因子的状态值。
5.根据权利要求4所述的一种基于深度指数平滑网络的短期负荷预测方法,其特征在于,所述步骤S4包括:
将第二个推断单元网络中季节因子、趋势因子和平滑因子进行向量拼接,生成第二向量拼接值;
使用TempNet计算网络计算输入序列和所述第二向量拼接值获取经过一定时间后第二个推断单元网络中季节因子、趋势因子和平滑因子的状态值。
6.根据权利要求5所述的一种基于深度指数平滑网络的短期负荷预测方法,其特征在于,所述步骤S6包括:
将第N个推断单元网络中的季节因子、趋势因子和平滑因子进行向量拼接,生成第N向量拼接值; 使用PreNet预测网络和所述第N向量拼接值计算负荷预测Y。
7.根据权利要求1所述的一种基于深度指数平滑网络的短期负荷预测方法,其特征在于,包括:
所述初始化网络InitNet包括第一隐藏层、第二隐藏层和第一输出层;
所述TempNet计算网络包括第三隐藏层和第二输出层;
所述PreNet预测网络包括第四隐藏层、第五隐藏层和第三输出层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211144945.1A CN115566667A (zh) | 2022-09-20 | 2022-09-20 | 一种基于深度指数平滑网络的短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211144945.1A CN115566667A (zh) | 2022-09-20 | 2022-09-20 | 一种基于深度指数平滑网络的短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115566667A true CN115566667A (zh) | 2023-01-03 |
Family
ID=84740635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211144945.1A Pending CN115566667A (zh) | 2022-09-20 | 2022-09-20 | 一种基于深度指数平滑网络的短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115566667A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117996816A (zh) * | 2024-03-29 | 2024-05-07 | 江苏谷峰电力科技股份有限公司 | 用于风光柴储分队级储能的智能控制方法及系统 |
-
2022
- 2022-09-20 CN CN202211144945.1A patent/CN115566667A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117996816A (zh) * | 2024-03-29 | 2024-05-07 | 江苏谷峰电力科技股份有限公司 | 用于风光柴储分队级储能的智能控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210382445A1 (en) | Control sequence generation system and methods | |
Li et al. | Deep reinforcement learning: Framework, applications, and embedded implementations | |
CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
JP5888640B2 (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
Mocanu et al. | Comparison of machine learning methods for estimating energy consumption in buildings | |
CN108985515B (zh) | 一种基于独立循环神经网络的新能源出力预测方法及系统 | |
Jaimovich et al. | Template based inference in symmetric relational Markov random fields | |
US11831505B2 (en) | Method and system of hybrid data-and-model-driven hierarchical network reconfiguration | |
Chen et al. | NeuCast: Seasonal Neural Forecast of Power Grid Time Series. | |
CN112418482A (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
Wang et al. | A compact constraint incremental method for random weight networks and its application | |
Zhang et al. | A new extension of newton algorithm for nonlinear system modelling using RBF neural networks | |
CN111832825A (zh) | 融合长短期记忆网络和极限学习机的风电预测方法及系统 | |
CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN105447510A (zh) | 基于人工蜂群优化lssvm的脉动风速预测方法 | |
CN115566667A (zh) | 一种基于深度指数平滑网络的短期负荷预测方法 | |
Zhang et al. | A novel combined model for probabilistic load forecasting based on deep learning and improved optimizer | |
Zhao et al. | A hybrid learning method for constructing compact rule-based fuzzy models | |
CN116227180A (zh) | 基于数据驱动的机组组合智能决策方法 | |
CN114139778A (zh) | 风电机组功率预测建模方法及装置 | |
CN105706122A (zh) | 模型估计设备、模型估计方法和模型估计程序 | |
CN116862050A (zh) | 一种基于时序网络的碳排放因子的日前预测方法、系统、存储介质及设备 | |
CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及系统 | |
CN114048576B (zh) | 一种稳定电网输电断面潮流的储能系统智能化控制方法 | |
CN115528750A (zh) | 一种面向电网安全稳定的数据模型混合驱动机组组合方法 |
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 |