CN115759469A - 一种针对峰值负荷及其出现时间的预测方法及其装置 - Google Patents

一种针对峰值负荷及其出现时间的预测方法及其装置 Download PDF

Info

Publication number
CN115759469A
CN115759469A CN202211557337.3A CN202211557337A CN115759469A CN 115759469 A CN115759469 A CN 115759469A CN 202211557337 A CN202211557337 A CN 202211557337A CN 115759469 A CN115759469 A CN 115759469A
Authority
CN
China
Prior art keywords
peak load
prediction
load
data set
occurrence time
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
CN202211557337.3A
Other languages
English (en)
Inventor
车琰瑛
刘飞
魏招毅
杨海林
田旭
张祥成
武宏波
邓皓元
刘联涛
彭飞
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.)
Sichuan Energy Internet Research Institute EIRI Tsinghua University
State Grid Qinghai Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Qianghai Electric Power Co Ltd
Original Assignee
Sichuan Energy Internet Research Institute EIRI Tsinghua University
State Grid Qinghai Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Qianghai Electric Power 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 Sichuan Energy Internet Research Institute EIRI Tsinghua University, State Grid Qinghai Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Qianghai Electric Power Co Ltd filed Critical Sichuan Energy Internet Research Institute EIRI Tsinghua University
Priority to CN202211557337.3A priority Critical patent/CN115759469A/zh
Publication of CN115759469A publication Critical patent/CN115759469A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及电力系统负荷预测技术领域，具体而言，涉及一种针对峰值负荷及其出现时间的预测方法及其装置，步骤如下：构建电力负荷数据集并进行归一化处理，设置多个基准预测模型，基于电力负荷数据集建立基于梯度下降算法的集成学习模型；通过训练好的集成学习模型进行电力负荷预测，从预测结果中提取最大预测峰值负荷作为输入向量以及该峰值负荷出现时间作为标签，构建峰值负荷数据集；建立基于前馈神经网络的电力峰值负荷及出现时间的预测模型，根据峰值负荷数据集对其进行迭代训练，得到训练好的预测模型进行预测。本发明能够有效集成若干高效预测模型并自适应调整反归一化参数，有利于提高峰值负荷及其出现时间的预测精度。

Description

一种针对峰值负荷及其出现时间的预测方法及其装置
技术领域
本发明涉及电力系统负荷预测技术领域，具体而言，涉及一种针对峰值负荷及其出现时间的预测方法及其装置。
背景技术
近年来，我国电力峰值负荷增长速度较快，峰值负荷不断刷新，导致在负荷高峰时段电力供需不平衡问题日益突出，电网运行成本增加。准确的峰值负荷预测可以为系统即时电力电量平衡和提高电网供电服务能力提供支撑，减少供需不平衡导致的生产损失，从而提高经济性。然而，相比于每日平均电力负荷，峰值负荷因为幅值波动大、出现时刻不固定而更难预测，从而导致了传统负荷预测模型在预测峰值负荷时存在幅值和时刻上的较大偏差。
因此，为解决上述问题，本发明提出了一种针对峰值负荷及其出现时间的预测方法及其装置。
发明内容
本发明的目的在于提供一种针对峰值负荷及其出现时间的预测方法及其装置，有助于解决电力系统峰值负荷及其出现时间预测难、精度低的问题。
本发明的实施例通过以下技术方案实现：一种针对峰值负荷及其出现时间的预测方法，包括如下步骤：
构建电力负荷数据集并进行归一化处理，设置多个基准预测模型，基于电力负荷数据集建立基于梯度下降算法的集成学习模型；
通过训练好的集成学习模型进行电力负荷预测，从预测结果中提取最大预测峰值负荷作为输入向量以及该峰值负荷出现时间作为标签，构建峰值负荷数据集；
建立基于前馈神经网络的电力峰值负荷及出现时间的预测模型，根据峰值负荷数据集对其进行迭代训练，得到训练好的预测模型，通过所述训练好的预测模型进行峰值负荷及其出现时间的预测。
根据一种优选实施方式，所述构建电力负荷数据集并进行归一化处理包括：通过最大最小归一化，得到归一化负荷输入特征矩阵以及归一化待预测负荷标签矩阵。
根据一种优选实施方式，所述负荷输入特征矩阵由时间信息、温度信息、节假日信息以及负荷增长趋势项组成，其中所述时间信息包括时间的数字编码和正余弦编码。
根据一种优选实施方式，方法还包括：随机抽取电力负荷数据集中预设比例样本作为训练集、验证集以及测试集。
根据一种优选实施方式，所述基于电力负荷数据集建立基于梯度下降算法的集成学习模型包括：
在训练集上，基于均方误差损失函数利用梯度下降法对每一个基准预测模型进行参数更新，得到多个训练好的基准预测模型；
将验证集输入训练好的基准预测模型，获得负荷预测输出；
基于基准预测模型输出进行集成学习，构建集成学习模型。
根据一种优选实施方式，所述通过所述训练好的预测模型进行峰值负荷及其出现时间的预测包括：将测试集上的负荷输入特征矩阵输入预测模型，得到日前峰值负荷预测值、峰值负荷及其出现时间预测值；
基于日前峰值负荷预测值更新归一化函数参数，利用更新后的归一化函数参数获得反归一化峰值负荷及其出现时间预测值。
根据一种优选实施方式，所述均方误差损失函数的表达式如下：
Figure BDA0003983851600000031
上式中，N表示电力负荷数据集样本数，Ytrain表示训练集待预测负荷标签矩阵，f(Xtrain)表示基准预测模型。
根据一种优选实施方式，所述基于基准预测模型输出进行集成学习的损失函数表达式如下：
Figure BDA0003983851600000032
上式中，M表示基准预测模型数量，Yval表示验证集待预测负荷标签矩阵，WT表示基准预测模型输出权重列向量的倒置，
Figure BDA0003983851600000041
表示基准预测模型集F的峰值负荷预测值。
根据一种优选实施方式，在所述电力峰值负荷及出现时间的预测模型中，针对电力峰值负荷预测的损失函数如下：
Figure BDA0003983851600000042
上式中，N′表示峰值负荷数据集样本数，Ypeak表示真实峰值负荷值，
Figure BDA0003983851600000043
表示所以基准预测模型的峰值负荷预测值；
针对峰值负荷出现时间预测的损失函数如下：
Figure BDA0003983851600000044
上式中，yi为真实峰值负荷出现的小时标签，pi表示神经网络输出类别为i的概率。
本发明还提供一种针对峰值负荷及其出现时间的预测装置，应用到如上述所述的方法，包括：
模型构建模块，用于构建电力负荷数据集并进行归一化处理，设置多个基准预测模型，基于电力负荷数据集建立基于梯度下降算法的集成学习模型；
数据集构建模块，用于通过训练好的集成学习模型进行电力负荷预测，从预测结果中提取最大预测峰值负荷作为输入向量以及该峰值负荷出现时间作为标签，构建峰值负荷数据集；
模型训练模块，用于建立基于前馈神经网络的电力峰值负荷及出现时间的预测模型，根据峰值负荷数据集对其进行迭代训练，得到训练好的预测模型；
预测模块，用于通过所述训练好的预测模型进行峰值负荷及其出现时间的预测。
本发明实施例的技术方案至少具有如下优点和有益效果：本发明提供的一种针对峰值负荷及其出现时间的预测方法及其装置，能够有效集成若干高效预测模型并自适应调整反归一化参数，有利于提高峰值负荷及其出现时间的预测精度，从而为电力系统规划提供基础。
附图说明
图1为本发明实施例1提供的针对峰值负荷及其出现时间的预测方法的流程示意图；
图2为本发明实施例1提供的针对峰值负荷及其出现时间的预测装置的结构示意图。
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、完整地描述，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
实施例1
参见图1所示，图1为本发明实施例提供的针对峰值负荷及其出现时间的预测方法的流程示意图。
本发明实施例所提供的一种针对峰值负荷及其出现时间的预测方法，包括如下步骤：
1)、构建电力负荷数据集并进行归一化处理，设置多个基准预测模型，基于电力负荷数据集建立基于梯度下降算法的集成学习模型；步骤具体如下：
1-1)、在本发明实施例中，构建电力负荷数据集D表示：
Figure BDA0003983851600000061
其中，D为N×d+1的矩阵，共有N条样本，前d列为输入特征矩阵，本实施例采用X表示，最后一列为待预测负荷标签矩阵，本实施例采用Y表示。在本实施例的一种实施方式中，数据集D每一条样本的特征为Xi＝[C Cenc T H Tr]，其中C表示年、月、日、工作日、小时的数字编码，Cenc表示年、月、日、工作日、小时的正余弦编码信息；T表示温度信息，T＝[T1 T2 T3T4]分别表示日温度的平均值、中位数、最大值和最小值；H表示零一编码的节假日信息；Tr表示负荷增长趋势项，tr＝β0+β1t，其中t为时间，参数
Figure BDA0003983851600000076
由最小二乘法计算得β＝(XTX)-1XTY。
1-2)、进一步地，本实施例将电力负荷数据集按照7:2:1的比例划分为训练集Dtrain、验证集Dval和测试集Dtest，即：
Figure BDA0003983851600000071
1-3)、进一步地，通过最大最小归一化，得到归一化负荷输入特征矩阵以及归一化待预测负荷标签矩阵
Figure BDA0003983851600000077
其中，
Figure BDA0003983851600000072
1-4)、本实施例的一种实施方式中，选取M个基准预测模型
Figure BDA0003983851600000073
形成基准预测模型集F；在训练集Dtrain上采用均方误差作为损失函数，利用梯度下降法对每一个基准预测模型
Figure BDA0003983851600000074
进行参数更新，得到M个训练好的基准预测模型，其中，损失函数的表达式如下：
Figure BDA0003983851600000075
上式中，N表示电力负荷数据集样本数，Ytrain表示训练集待预测负荷标签矩阵，f(Xtrain)表示基准预测模型。
1-5)、进一步地，基于M个训练好的基准预测模型，输入验证集Dval特征矩阵Xval，获得(M×N)×1维的输出，即：
Figure BDA0003983851600000081
其中，
Figure BDA0003983851600000082
表示i个基准预测模型的负荷预测输出。
1-6)、进一步地，构建集成学习损失函数进行优化，表达式如下：
Figure BDA0003983851600000083
上式中，M表示基准预测模型数量，Yval表示验证集待预测负荷标签矩阵，WT表示基准预测模型输出权重列向量的倒置，
Figure BDA0003983851600000084
表示基准预测模型集F的峰值负荷预测值。
其中，W表示基准预测模型输出权重列向量，即模型预测的常数值；本实施例通过梯度下降更新W使得预测误差最小，表达式如下：
Figure BDA0003983851600000085
2)、通过训练好的集成学习模型进行电力负荷预测，从预测结果中提取最大预测峰值负荷作为输入向量以及该峰值负荷出现时间作为标签，构建峰值负荷数据集；具体步骤如下：
2-1)、基于训练好的集成学习模型，输入训练集Dtrain特征矩阵Xtrain，得到训练集上的负荷预测输出
Figure BDA0003983851600000091
提取每日的预测峰值
Figure BDA0003983851600000092
以及对应出现时间
Figure BDA0003983851600000093
作为新特征，将真实峰值负荷值Ypeak和对应出现时间Yhour作为标签，构建峰值负荷数据集D′train：
D′train＝(D′peak D′hour)
需要说明的是，D′peak和D′hour分别为预测峰值负荷和对应出现时间的训练集，它们的特征矩阵元素相等：Xi′＝[C Cenc T H Tr Ypeak Yhour]，标签分别为真实峰值负荷Ypeak和对应出现时间Yhour。
3)、建立基于前馈神经网络的电力峰值负荷及出现时间的预测模型，根据峰值负荷数据集对其进行迭代训练，得到训练好的预测模型，通过所述训练好的预测模型进行峰值负荷及其出现时间的预测；具体步骤如下：
3-1)、在本实施例的一种实施方式中，基于前馈神经网络的电力负荷预测模型表示为：
Figure BDA0003983851600000094
上式中，
Figure BDA0003983851600000095
为预测值，wout为输出层权重，bout为输出层偏置，h＝ReLU(winX)+bin为中间量，其中win为输入层权重，bin为输入层偏置，激活函数为ReLU(x)＝max(0,wTx+b)。由此，峰值负荷预测值可表示为：
Figure BDA0003983851600000101
其对应出现时间预测值可表示为：
Figure BDA0003983851600000102
3-2)、本实施例针对峰值负荷预测，构建损失函数：
Figure BDA0003983851600000103
上式中，N′表示峰值负荷数据集样本数，Ypeak表示真实峰值负荷值，
Figure BDA0003983851600000104
表示所以基准预测模型的峰值负荷预测值。
针对峰值负荷出现时间预测，构造多分类问题，构建损失函数：
Figure BDA0003983851600000105
上式中，yi为真实峰值负荷出现的小时标签，pi表示神经网络输出类别为i的概率。
在本发明实施例的一种实施方式中，基于以上两个损失函数，应用梯度下降法对可训练参数进行E∈N+轮的迭代更新，最终获得训练好的峰值负荷及出现时间的预测模型。
4)、进一步地，本实施例将预测模型程序写入装置进行预测，更新归一化参数并获得反归一化峰值负荷预测值，通过计算表征预测精度的指标，评价峰值负荷及其出现时间的预测效果；具体步骤如下：
4-1)、将测试集Dtest上的负荷输入特征矩阵Xtest输入预测模型，得到日前24小时峰值负荷预测值，以及峰值负荷及其出现时间预测值；利用训练集Dtrain上的归一化函数参数对日前峰值负荷预测值进行反归一化，并提取日前峰值负荷预测最大值
Figure BDA0003983851600000111
利用日前峰值负荷预测最大值
Figure BDA0003983851600000112
更新归一化函数参数，再对峰值负荷预测值进行反归一化得到最终峰值负荷预测值。
4-2)、采用平均绝对百分数误差作为评价峰值负荷预测精度的指标，将预测结果
Figure BDA0003983851600000113
与真实负荷Ypeak代入下式进行计算：
Figure BDA0003983851600000114
采用平均绝对误差作为评价峰值负荷出现时间预测精度的指标，将预测结果
Figure BDA0003983851600000115
与真实负荷Yhour代入下式进行计算：
Figure BDA0003983851600000116
本实施例根据上述两个指标对预测效果进行评估，需要说明的是，两个指标越小，则峰值负荷及其出现时间的预测精度越高。
综上所述，本发明提供的一种针对峰值负荷及其出现时间的预测方法及其装置，能够有效集成若干高效预测模型并自适应调整反归一化参数，有利于提高峰值负荷及其出现时间的预测精度，从而为电力系统规划提供基础。
参见图2所示，本发明实施例还提供一种针对峰值负荷及其出现时间的预测装置，应用到如上述所述的方法，包括：
模型构建模块，用于构建电力负荷数据集并进行归一化处理，设置多个基准预测模型，基于电力负荷数据集建立基于梯度下降算法的集成学习模型；
数据集构建模块，用于通过训练好的集成学习模型进行电力负荷预测，从预测结果中提取最大预测峰值负荷作为输入向量以及该峰值负荷出现时间作为标签，构建峰值负荷数据集；
模型训练模块，用于建立基于前馈神经网络的电力峰值负荷及出现时间的预测模型，根据峰值负荷数据集对其进行迭代训练，得到训练好的预测模型；
预测模块，用于通过所述训练好的预测模型进行峰值负荷及其出现时间的预测。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种针对峰值负荷及其出现时间的预测方法，其特征在于，包括如下步骤：
构建电力负荷数据集并进行归一化处理，设置多个基准预测模型，基于电力负荷数据集建立基于梯度下降算法的集成学习模型；
通过训练好的集成学习模型进行电力负荷预测，从预测结果中提取最大预测峰值负荷作为输入向量以及该峰值负荷出现时间作为标签，构建峰值负荷数据集；
建立基于前馈神经网络的电力峰值负荷及出现时间的预测模型，根据峰值负荷数据集对其进行迭代训练，得到训练好的预测模型，通过所述训练好的预测模型进行峰值负荷及其出现时间的预测。
2.如权利要求1所述的针对峰值负荷及其出现时间的预测方法，其特征在于，所述构建电力负荷数据集并进行归一化处理包括：通过最大最小归一化，得到归一化负荷输入特征矩阵以及归一化待预测负荷标签矩阵。
3.如权利要求2所述的针对峰值负荷及其出现时间的预测方法，其特征在于，所述负荷输入特征矩阵由时间信息、温度信息、节假日信息以及负荷增长趋势项组成，其中所述时间信息包括时间的数字编码和正余弦编码。
4.如权利要求1至3任一项所述的针对峰值负荷及其出现时间的预测方法，其特征在于，方法还包括：随机抽取电力负荷数据集中预设比例样本作为训练集、验证集以及测试集。
5.如权利要求4所述的针对峰值负荷及其出现时间的预测方法，其特征在于，所述基于电力负荷数据集建立基于梯度下降算法的集成学习模型包括：
在训练集上，基于均方误差损失函数利用梯度下降法对每一个基准预测模型进行参数更新，得到多个训练好的基准预测模型；
将验证集输入训练好的基准预测模型，获得负荷预测输出；
基于基准预测模型输出进行集成学习，构建集成学习模型。
6.如权利要求4所述的针对峰值负荷及其出现时间的预测方法，其特征在于，所述通过所述训练好的预测模型进行峰值负荷及其出现时间的预测包括：将测试集上的负荷输入特征矩阵输入预测模型，得到日前峰值负荷预测值、峰值负荷及其出现时间预测值；
基于日前峰值负荷预测值更新归一化函数参数，利用更新后的归一化函数参数获得反归一化峰值负荷及其出现时间预测值。
7.如权利要求5所述的针对峰值负荷及其出现时间的预测方法，其特征在于，所述均方误差损失函数的表达式如下：
Figure FDA0003983851590000021
上式中，N表示电力负荷数据集样本数，Ytrain表示训练集待预测负荷标签矩阵，f(Xtrain)表示基准预测模型。
8.如权利要求5所述的针对峰值负荷及其出现时间的预测方法，其特征在于，所述基于基准预测模型输出进行集成学习的损失函数表达式如下：
Figure FDA0003983851590000031
上式中，M表示基准预测模型数量，Yval表示验证集待预测负荷标签矩阵，WT表示基准预测模型输出权重列向量的倒置，
Figure FDA0003983851590000032
表示基准预测模型集F的峰值负荷预测值。
9.如权利要求1所述的针对峰值负荷及其出现时间的预测方法，其特征在于，在所述电力峰值负荷及出现时间的预测模型中，针对电力峰值负荷预测的损失函数如下：
Figure FDA0003983851590000033
上式中，N′表示峰值负荷数据集样本数，Ypeak表示真实峰值负荷值，
Figure FDA0003983851590000034
表示所以基准预测模型的峰值负荷预测值；
针对峰值负荷出现时间预测的损失函数如下：
Figure FDA0003983851590000035
上式中，yi为真实峰值负荷出现的小时标签，pi表示神经网络输出类别为i的概率。
10.一种针对峰值负荷及其出现时间的预测装置，应用到如权利要求1至9任一项所述的方法，其特征在于，包括：
模型构建模块，用于构建电力负荷数据集并进行归一化处理，设置多个基准预测模型，基于电力负荷数据集建立基于梯度下降算法的集成学习模型；
数据集构建模块，用于通过训练好的集成学习模型进行电力负荷预测，从预测结果中提取最大预测峰值负荷作为输入向量以及该峰值负荷出现时间作为标签，构建峰值负荷数据集；
模型训练模块，用于建立基于前馈神经网络的电力峰值负荷及出现时间的预测模型，根据峰值负荷数据集对其进行迭代训练，得到训练好的预测模型；
预测模块，用于通过所述训练好的预测模型进行峰值负荷及其出现时间的预测。
CN202211557337.3A 2022-12-06 2022-12-06 一种针对峰值负荷及其出现时间的预测方法及其装置 Pending CN115759469A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211557337.3A CN115759469A (zh) 2022-12-06 2022-12-06 一种针对峰值负荷及其出现时间的预测方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211557337.3A CN115759469A (zh) 2022-12-06 2022-12-06 一种针对峰值负荷及其出现时间的预测方法及其装置

Publications (1)

Publication Number Publication Date
CN115759469A true CN115759469A (zh) 2023-03-07

Family

ID=85343666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211557337.3A Pending CN115759469A (zh) 2022-12-06 2022-12-06 一种针对峰值负荷及其出现时间的预测方法及其装置

Country Status (1)

Country Link
CN (1) CN115759469A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116436002A (zh) * 2023-06-13 2023-07-14 成都航空职业技术学院 一种楼宇用电预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116436002A (zh) * 2023-06-13 2023-07-14 成都航空职业技术学院 一种楼宇用电预测方法
CN116436002B (zh) * 2023-06-13 2023-09-05 成都航空职业技术学院 一种楼宇用电预测方法

Similar Documents

Publication Publication Date Title
CN111353656B (zh) 一种基于生产计划的钢铁企业氧气负荷预测方法
Li et al. A novel grey forecasting model and its application in forecasting the energy consumption in Shanghai
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
CN106875047B (zh) 水库流域径流预报方法及系统
CN111476677A (zh) 一种基于大数据的用电类别售电量分析与预测方法及系统
CN113837488B (zh) 能源消耗数据预测方法、系统、设备
CN114154716B (zh) 一种基于图神经网络的企业能耗预测方法及装置
Wu et al. A novel optimized nonlinear grey Bernoulli model for forecasting China’s GDP
CN115860177A (zh) 基于组合式机器学习模型光伏发电功率预测方法及其应用
CN113193551A (zh) 基于多因素和改进特征筛选策略的短期电力负荷预测方法
CN115759469A (zh) 一种针对峰值负荷及其出现时间的预测方法及其装置
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
CN112508286A (zh) 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法
CN112990587A (zh) 一种对台区用电进行精准预测的方法及系统、设备、介质
CN112288140A (zh) 一种基于Keras的短期电力负荷预测方法、存储介质和设备
CN114595861A (zh) 基于mstl和lstm模型的中长期电力负荷预测方法
CN116703644A (zh) 一种基于Attention-RNN的短期电力负荷预测方法
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
Xie et al. Forecasting energy consumption in China following instigation of an energy-saving policy
CN113139698A (zh) 负荷预测方法、装置及设备
CN111915100B (zh) 一种高精度的货运预测方法和货运预测系统
CN112101612A (zh) 一种城镇燃气用量的预测方法、存储介质及终端设备
CN110276478B (zh) 基于分段蚁群算法优化svm的短期风电功率预测方法
CN112598181A (zh) 负荷预测方法、装置、设备和存储介质
CN116502750A (zh) 一种基于gra-pso-lssvm的城镇燃气日负荷预测方法

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