CN115809719A - 一种基于形态聚类的短期负荷预测修正方法 - Google Patents
一种基于形态聚类的短期负荷预测修正方法 Download PDFInfo
- Publication number
- CN115809719A CN115809719A CN202211267763.3A CN202211267763A CN115809719A CN 115809719 A CN115809719 A CN 115809719A CN 202211267763 A CN202211267763 A CN 202211267763A CN 115809719 A CN115809719 A CN 115809719A
- Authority
- CN
- China
- Prior art keywords
- load
- load curve
- predicted
- data
- curve
- 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
-
- 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)
Abstract
本发明提供了一种基于形态聚类的短期负荷预测修正方法,所述预测修正方法具体为:调取历史负荷数据,通过聚类算法对历史负荷数据进行形态聚类,并基于聚类结果设置若干个形态标签;构建负荷形态预测模型,调取负荷影响因素特征数据,根据负荷影响因素特征数据进行待预测日的形态标签预测,并根据待预测日的形态标签预测结果选取相同形态标签的若干相似日负荷曲线;根据相似日预测算法根据负荷影响因素特征数据对待预测日的负荷进行预测,获取预测的负荷曲线;通过动态时间规划算法根据选取的相似日负荷曲线对预测的负荷曲线进行修正。本发明能够通过相似日负荷曲线对预测的负荷曲线进行修正,能够有效提高短期负荷预测结果的准确性。
Description
技术领域
本发明涉及负荷短期预测技术领域,尤其是指一种基于形态聚类的短期负荷预测修正方法。
背景技术
负荷预测对于电力系统的稳定性和能源的有效利用方面都非常重要。电力系统的负荷预测指的是从现有的电力系统情况、气象条件、以及社会经济等条件出发,探索发现各种因素对负荷产生的作用,并基于此对将来的负荷做出预测。电力系统的的负荷预测对电力系统的调度与规划都具有非常重要的意义,对发电厂发电的安排、燃料的规划、电力市场化交易、电网的检修安排等都有着非常重要的指导性意义,负荷预测也决定着整个电力系统运行的经济性与稳定性。
以往的短期负荷预测算法大部分集中于气象、日期类型等特征数据的运算,较少地使用负荷曲线本身的信息,但因气象等数据存在着易变化的特性,通过气象、日期类型等特征数据进行的负荷预测,其负荷预测结果的准确性并无法得到保障。
发明内容
本发明的目的是克服现有技术中的缺点,提供一种基于形态聚类的短期负荷预测修正方法,通过利用负荷曲线本身的形状信息来实现对于负荷数据的聚类,并通过形状聚类结果来获取对应的相似日负荷曲线,从而实现对于预测所得负荷曲线的修正,能够解决因气象数据的易变性而导致的预测结果准确性不足的问题,使得获取的负荷预测结果的准确性得到提升。
本发明的目的是通过下述技术方案予以实现:
一种基于形态聚类的短期负荷预测修正方法,包括:
调取历史负荷数据,通过聚类算法对历史负荷数据进行形态聚类,并基于聚类结果设置若干个形态标签;
构建负荷形态预测模型,调取负荷影响因素特征数据,根据负荷影响因素特征数据进行待预测日的形态标签预测,并根据待预测日的形态标签预测结果选取相同形态标签的若干相似日负荷曲线;
根据相似日预测算法根据负荷影响因素特征数据对待预测日的负荷进行预测,获取预测的负荷曲线;
通过动态时间规划算法根据选取的相似日负荷曲线对预测的负荷曲线进行修正。
进一步的,在通过聚类算法对历史负荷数据进行形态聚类时,通过计算两个历史负荷数据之间的互相关系数来确定历史负荷数据间的形态相似距离,并基于形态相似距离进行形态聚类。
进一步的,所述形态相似距离的表达式为:
其中:SBD(X,Y)为两个历史负荷数据之间的形态相似距离,X,Y分别为两个历史负荷数据,ccw(X,Y)为两个历史负荷数据之间的互相关系数,R0(X,X)为历史负荷数据X的自相关系数,R0(Y,Y)为历史负荷数据Y的自相关系数。
进一步的,通过动态时间规划算法对预测的负荷曲线进行修正的具体过程为:选取最终相似日负荷曲线,通过动态时间规划算法得到预测的负荷曲线与最终相似日负荷曲线之间的映射数组,并基于最佳映射路径确定预测的负荷曲线与最终相似日负荷曲线之间每个点的映射路径,筛选出预测的负荷曲线中一个数据点映射至最终相似日负荷曲线中多个数据点的数据点,并截取预测的负荷曲线中一个数据点映射至最终相似日负荷曲线中多个数据点的数据点对应的负荷曲线,通过该数据点映射的最终相似日负荷曲线中多个数据点对应的负荷曲线部分对截取的负荷曲线进行替换,同时筛选出预测的负荷曲线中会重复映射至最终相似日负荷曲线中同一个数据点的若干个数据点,并将预测的负荷曲线中筛选出的数据点对应的负荷曲线删除,完成预测的负荷曲线的修正。
进一步的,在根据待预测日的形态标签预测结果选取相同形态标签的若干相似日负荷曲线后,还计算选取的若干相似日负荷曲线的平均值,并将计算结果作为最终相似日负荷曲线。
进一步的,在通过动态时间规划算法获取映射数组后,计算每种映射路径的累积距离,并将累积距离最小的映射路径作为预测的负荷曲线和最终相似日负荷曲线之间的最佳映射路径。
进一步的,在截取预测的负荷曲线中一个数据点映射至最终相似日负荷曲线中多个数据点的数据点对应的负荷曲线,通过该数据点映射的最终相似日负荷曲线中多个数据点对应的负荷曲线部分对截取的负荷曲线进行替换时,还通过预测的负荷曲线幅值均值以及最终相似日负荷曲线幅值的均值对进行替换的负荷曲线部分的幅值进行缩放调节。
进一步的,在通过动态时间规划算法对预测的负荷曲线进行修正时,还保持预测的负荷曲线的起点和结束点不变,且在完成预测的负荷曲线的修正后,预测的负荷曲线内的数据点数量不变。
本发明的有益效果是:
利用了负荷数据所构成的负荷曲线自身所具备的形状信息,并通过聚类算法来获取对应的形状标签,能够基于形状标签来获取相似日负荷曲线,从而在获取了预测的负荷曲线后,通过相似日负荷曲线对预测的负荷曲线进行修正,能够降低气象数据等预测所用数据存在的不确定性对预测结果带来的影响,大大提高短期负荷预测结果的准确性。
附图说明
图1是本发明的一种流程示意图;
图2是本发明实施例的一种不同k值情况下的SBD分布图;
图3是本发明实施例的一种k值为4时的聚类结果示意图;
图4是本发明实施例的一种利用最终相似日负荷曲线进行修正后与预测结果的比较图。
具体实施方式
下面结合附图和实施例对本发明进一步描述。
实施例:
一种基于形态聚类的短期负荷预测修正方法,如图1所示,包括:
调取历史负荷数据,通过聚类算法对历史负荷数据进行形态聚类,并基于聚类结果设置若干个形态标签;
构建负荷形态预测模型,调取负荷影响因素特征数据,根据负荷影响因素特征数据进行待预测日的形态标签预测,并根据待预测日的形态标签预测结果选取相同形态标签的若干相似日负荷曲线;
根据相似日预测算法根据负荷影响因素特征数据对待预测日的负荷进行预测,获取预测的负荷曲线;
通过动态时间规划算法根据选取的相似日负荷曲线对预测的负荷曲线进行修正。
每日的负荷数据能够视为一种时间序列,而在通过聚类算法对历史负荷数据进行形态聚类时,能够通过形态之间的相似度来实现聚类,而形态之间的相似度能够通过形态距离来实现评价。
在通过聚类算法对历史负荷数据进行形态聚类时,通过计算两个历史负荷数据之间的互相关系数来确定历史负荷数据间的形态相似距离,并基于形态相似距离进行形态聚类。
以某两日的历史负荷数据为例,某两日的历史负荷数据分别为等长时间序列X={x1,x2...xm}与Y={y1,y2...ym}。对于这两个时间序列,其形似部分的形状之间存在有时间延迟,故需要对时间序列进行平移。这里假设序列X需要平移而另外一个序列保持静止,即:
其中:Xs为平移后的时间序列X,S为平移的时间宽度,m为时间序列中的元素数量。
在经过可能的平移后,使用互相关系数来表示平移后时间序列X和时间序列Y的相似性,这里使用两个向量之间的点积来作为衡量标准:
其中:Rk(X,Y)为平移后时间序列X和时间序列Y的相似性,
即,时间序列X和时间序列Y之间的互相关系数可以表示为:
CCw(X,Y)=Rw-m(X,Y),w∈{1,...,2m-1}。
最终的形态距离还需要考虑两个时间序列幅值之间的差异,需要除以各自的自相关系数,因此最终的形态相似距离的表达式为:
其中:SBD(X,Y)为两个历史负荷数据之间的形态相似距离,X,Y分别为两个历史负荷数据,ccw(X,Y)为两个历史负荷数据之间的互相关系数,R0(X,X)为历史负荷数据X的自相关系数,R0(Y,Y)为历史负荷数据Y的自相关系数。
最终的形态相似距离SBD会映射在0到2之间,使其满足负荷距离的非负值定义,其中0表示形状上最不相似,2代表最相似。
在定义了形态距离SBD后,需要使用适当的聚类算法对调取的历史负荷数据对应的时间序列进行形态上的聚类,本实施例中具体采用了K-means聚类算法,其聚类过程具体为:
设定k值,并随机分配k个时间序列作为聚类中心,在k个聚类中心的基础上不断地迭代。在每一次迭代中,聚类算法需要做两件事:(1)分配聚类簇。计算待分类的时间序列与聚类中心的形态距离,并将其重新分配至形态距离最近的聚类中心。(2)重新计算聚类中心。在每次重新分配完时间序列所属的聚类中心后,原簇域以及新分配到的簇都会发生改变,根据簇的改变更新聚类中心。持续进行迭代步骤,直至所有时间序列均未重新分配到不同簇或达到最大迭代次数。
本实施例中具体采用XGBoost算法来实现对于待预测日的形态标签的预测,具体通过XGBoost分类器学习气象、日期类型等特征数据和形态标签之间的映射关系,从而实现对于待预测日的形态标签的预测。即负荷形态预测模型具体采用了XGBoost分类器,所述负荷影响因素特征数据具体为气象数据、日期类型数据等。
通过动态时间规划算法对预测的负荷曲线进行修正的具体过程为:选取最终相似日负荷曲线,通过动态时间规划算法得到预测的负荷曲线与最终相似日负荷曲线之间的映射数组,并基于最佳映射路径确定预测的负荷曲线与最终相似日负荷曲线之间每个点的映射路径,筛选出预测的负荷曲线中一个数据点映射至最终相似日负荷曲线中多个数据点的数据点,并截取预测的负荷曲线中一个数据点映射至最终相似日负荷曲线中多个数据点的数据点对应的负荷曲线,通过该数据点映射的最终相似日负荷曲线中多个数据点对应的负荷曲线部分对截取的负荷曲线进行替换,同时筛选出预测的负荷曲线中会重复映射至最终相似日负荷曲线中同一个数据点的若干个数据点,并将预测的负荷曲线中筛选出的数据点对应的负荷曲线删除,完成预测的负荷曲线的修正。
动态时间规划算法DTW(Dynamic Time Warping)是一种为了得到时间序列间相似性准确对应关系的一种查找算法,可以计算出两个时间序列之间最佳对应映射路径,并描述两个时间序列之间的相似片段的映射。通过DTW算法,能够根据最佳映射路径建立两个离散时间序列之间的点对应关系,且所述点对应关系可以为一对多或者多对一。
若出现预测的负荷曲线中多个负荷点对应最终相似日负荷曲线一个负荷点的情况,则说明动态时间规划算法认为这部分的负荷点在最终相似日负荷曲线中没有具体相对应的相似部分,故需要将预测的负荷曲线中的这些负荷点压缩成一个负荷点。若出现预测的负荷曲线中的一个负荷点对应最终相似日负荷曲线中的多个负荷点,则说明动态时间规划算法认为预测的负荷曲线中缺少最终相似日负荷曲线中的多个负荷点对应部分的形状,应在预测的负荷曲线中予以延伸并添加该形状。
且本实施例中以15分钟作为采样间隔,将一天的负荷数据具体分为96个负荷数据点,而预测的负荷曲线以及最终相似日负荷曲线中的负荷数据点均保持在96个,即两个负荷曲线是等时间长度的。也就意味着有多少预测的负荷曲线到最终相似日负荷曲线的多对一情况,就会有多少预测的负荷曲线到最终相似日负荷曲线的一对多情况。从而保障不会出现额外多出的点或减少的点,修正前和修正后都是96个负荷数据点的曲线,保证了预测结果的可用性。
在通过动态时间规划算法获取映射数组后,计算每种映射路径的累积距离,并将累积距离最小的映射路径作为预测的负荷曲线和最终相似日负荷曲线之间的最佳映射路径。
在根据待预测日的形态标签预测结果选取相同形态标签的若干相似日负荷曲线后,还计算选取的若干相似日负荷曲线的平均值,并将计算结果作为最终相似日负荷曲线。
以预测的负荷曲线A=(a1,a2,...,an)以及最终相似日负荷曲线B=(b1,b2,...,bn)为例,通过动态时间规划算法得到预测的负荷曲线与最终相似日负荷曲线之间的映射数组:
Pbest={p1,...,ps,...,pk},ps=(as,bs);
其中:Pbest为最佳映射路径,pk在最佳映射路径下的点对应,由于会出现一对多、多对一的对应关系,一般情况下,k≥96,但这并不会影响最终的96点修正输出。
对于预测的负荷曲线中会重复映射至最终相似日负荷曲线中同一个数据点的若干个数据点,即n对一情况,可知:
Pn→1={(am,bl),(am+1,bl),...,(am+t,bl)};
其中:Pn→1表示出现n对1情况的部分映射路径,(am+1,bl)表示预测的负荷曲线A中第m+1个点对应最终相似日负荷曲线B中的第l个点,t+1表示该子序列的长度。
此时认为这t+1个点是不属于预测的负荷曲线中的部分,应该予以删去。
对于预测的负荷曲线中一个数据点映射至最终相似日负荷曲线中多个数据点的数据点,即一对n情况,可知:
P1→n={(ak,bh),(ak,bh+1),...,(ak,bh+t)};
其中:P1→n表示出现1对n情况的部分映射路径,(ak,bh+1)表示预测的负荷曲线A中的第k个点对应最终相似日负荷曲线B中的第h+1个点,t+1表示该子序列的长度。
此时认为预测的负荷曲线缺少这t+1个数据点所对应的形状,需要将这一部分形状补充到预测的负荷曲线中去,由于直接补充了t+1个数据点,且预测的负荷曲线以及最终相似日负荷曲线的负荷数据在幅值上有一定差距,因此在截取预测的负荷曲线中一个数据点映射至最终相似日负荷曲线中多个数据点的数据点对应的负荷曲线,通过该数据点映射的最终相似日负荷曲线中多个数据点对应的负荷曲线部分对截取的负荷曲线进行替换时,还通过预测的负荷曲线幅值均值以及最终相似日负荷曲线幅值的均值对进行替换的负荷曲线部分的幅值进行缩放调节。
具体的,以两个负荷曲线的平均负荷作为求比例的基准值:
其中:R表示进行替换的负荷曲线部分的幅值缩放比例,Lshape表示最终相似日负荷曲线中负荷数据的均值,Lforecast表示预测的负荷曲线中负荷数据的均值。
在通过动态时间规划算法对预测的负荷曲线进行修正时,还保持预测的负荷曲线的起点和结束点不变,且在完成预测的负荷曲线的修正后,预测的负荷曲线内的数据点数量不变。
在完成修正后,最终补充的点应该与消去的点达到平衡,使得预测的负荷曲线仍然维持在96点。即:
∑len(Pn→1)=∑len(P1→n) (9)
其中:len(Pn→1)表示出现n对1情况的部分映射路径的长度,len(P1→n)表示出现1对n情况的部分映射路径的长度。
具体的,本实施例采用某城市4年的电力负荷数据以及气象数据为例,对通过所述短期负荷预测修正方法获取的短期负荷预测结果准确性进行评价。由于不同季节的模型有较大差异,本实施例具体选取冬季的相关电力负荷数据以及气象数据作为分析对象,并将通过所述短期负荷预测修正方法获取的短期负荷预测结果与传统的短期负荷预测方法进行比较,并具体采用MAPE及RMSE来作为评价指标。
首先对所有的负荷数据进行形态聚类,在进行形态聚类时,需要选择合适的k值,因此获取在设置不同的k值情况下的SBD分布,所述SBD分布图如图2所示,基于肘部法则,由图2可知,在k=4之后,过度的聚类对平均SBD值的提升没有过多的帮助,因此,本实施例具体将k值设置为4,聚类结果具体如图3所示。
由图3可知,每种形状的特征都比较明显,有的日间波谷不明显,有的日间第二个波峰比较高,基于此类聚类结果,训练XGBoost分类器对待预测日所属的聚类进行预测。由于聚类中心所描述的是所有数据形状,与实际某天的形状差距较大,因此在选取相似日负荷曲线时,选取所属聚类中时间距离最近的若干个负荷曲线,并将其均值作为聚类中心,即最终相似日负荷曲线。所述最终相似日负荷曲线即为进行预测的负荷曲线修正的参考形状。
再通过相似日预测算法法先对待预测日的负荷进行初步预测,并使用DTW修正算法进行形态上的修正。在利用最终相似日负荷曲线进行修正后,与预测结果的比较结果如图4所示,计算初步预测和修正后的指标,具体如表1所示:
表1预测修正前后的指标对比表
基于图4和表1可知,在通过形态修正后的负荷曲线能够更加接近真实的负荷值。
并将通过形态修正后的负荷曲线预测结果与LSTM预测方法以及随机森林树预测方法进行比较,其比较结果如表2所示:
由表2可知,本实施例中所述基于形态聚类的短期负荷预测修正方法所获取的短期负荷预测效果要好于单纯的LSTM以及随机森林数方法,无论在总的MAPE或者RMSE上都有所提升。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (8)
1.一种基于形态聚类的短期负荷预测修正方法,其特征在于,包括:
调取历史负荷数据,通过聚类算法对历史负荷数据进行形态聚类,并基于聚类结果设置若干个形态标签;
构建负荷形态预测模型,调取负荷影响因素特征数据,根据负荷影响因素特征数据进行待预测日的形态标签预测,并根据待预测日的形态标签预测结果选取相同形态标签的若干相似日负荷曲线;
根据相似日预测算法根据负荷影响因素特征数据对待预测日的负荷进行预测,获取预测的负荷曲线;
通过动态时间规划算法根据选取的相似日负荷曲线对预测的负荷曲线进行修正。
2.根据权利要求1所述的一种基于形态聚类的短期负荷预测修正方法,其特征在于,在通过聚类算法对历史负荷数据进行形态聚类时,通过计算两个历史负荷数据之间的互相关系数来确定历史负荷数据间的形态相似距离,并基于形态相似距离进行形态聚类。
4.根据权利要求1所述的一种基于形态聚类的短期负荷预测修正方法,其特征在于,通过动态时间规划算法对预测的负荷曲线进行修正的具体过程为:选取最终相似日负荷曲线,通过动态时间规划算法得到预测的负荷曲线与最终相似日负荷曲线之间的映射数组,并基于最佳映射路径确定预测的负荷曲线与最终相似日负荷曲线之间每个点的映射路径,筛选出预测的负荷曲线中一个数据点映射至最终相似日负荷曲线中多个数据点的数据点,并截取预测的负荷曲线中一个数据点映射至最终相似日负荷曲线中多个数据点的数据点对应的负荷曲线,通过该数据点映射的最终相似日负荷曲线中多个数据点对应的负荷曲线部分对截取的负荷曲线进行替换,同时筛选出预测的负荷曲线中会重复映射至最终相似日负荷曲线中同一个数据点的若干个数据点,并将预测的负荷曲线中筛选出的数据点对应的负荷曲线删除,完成预测的负荷曲线的修正。
5.根据权利要求4所述的一种基于形态聚类的短期负荷预测修正方法,其特征在于,在根据待预测日的形态标签预测结果选取相同形态标签的若干相似日负荷曲线后,还计算选取的若干相似日负荷曲线的平均值,并将计算结果作为最终相似日负荷曲线。
6.根据权利要求4所述的一种基于形态聚类的短期负荷预测修正方法,其特征在于,在通过动态时间规划算法获取映射数组后,计算每种映射路径的累积距离,并将累积距离最小的映射路径作为预测的负荷曲线和最终相似日负荷曲线之间的最佳映射路径。
7.根据权利要求4所述的一种基于形态聚类的短期负荷预测修正方法,其特征在于,在截取预测的负荷曲线中一个数据点映射至最终相似日负荷曲线中多个数据点的数据点对应的负荷曲线,通过该数据点映射的最终相似日负荷曲线中多个数据点对应的负荷曲线部分对截取的负荷曲线进行替换时,还通过预测的负荷曲线幅值均值以及最终相似日负荷曲线幅值的均值对进行替换的负荷曲线部分的幅值进行缩放调节。
8.根据权利要求4所述的一种基于形态聚类的短期负荷预测修正方法,其特征在于,在通过动态时间规划算法对预测的负荷曲线进行修正时,还保持预测的负荷曲线的起点和结束点不变,且在完成预测的负荷曲线的修正后,预测的负荷曲线内的数据点数量不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211267763.3A CN115809719A (zh) | 2022-10-17 | 2022-10-17 | 一种基于形态聚类的短期负荷预测修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211267763.3A CN115809719A (zh) | 2022-10-17 | 2022-10-17 | 一种基于形态聚类的短期负荷预测修正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115809719A true CN115809719A (zh) | 2023-03-17 |
Family
ID=85482722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211267763.3A Pending CN115809719A (zh) | 2022-10-17 | 2022-10-17 | 一种基于形态聚类的短期负荷预测修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115809719A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116153516A (zh) * | 2023-04-19 | 2023-05-23 | 山东中医药大学第二附属医院(山东省中西医结合医院) | 一种基于分布式计算的疾病大数据挖掘分析系统 |
CN117788165A (zh) * | 2024-02-27 | 2024-03-29 | 薪海数字科技(烟台)有限公司 | 基于人工智能的企业供应链交易风险预测方法及系统 |
-
2022
- 2022-10-17 CN CN202211267763.3A patent/CN115809719A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116153516A (zh) * | 2023-04-19 | 2023-05-23 | 山东中医药大学第二附属医院(山东省中西医结合医院) | 一种基于分布式计算的疾病大数据挖掘分析系统 |
CN116153516B (zh) * | 2023-04-19 | 2023-07-07 | 山东中医药大学第二附属医院(山东省中西医结合医院) | 一种基于分布式计算的疾病大数据挖掘分析系统 |
CN117788165A (zh) * | 2024-02-27 | 2024-03-29 | 薪海数字科技(烟台)有限公司 | 基于人工智能的企业供应链交易风险预测方法及系统 |
CN117788165B (zh) * | 2024-02-27 | 2024-05-14 | 薪海数字科技(烟台)有限公司 | 基于人工智能的企业供应链交易风险预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Short-term load forecasting with deep residual networks | |
US11043808B2 (en) | Method for identifying pattern of load cycle | |
CN110909912B (zh) | 基于自适应误差反馈的园区电力系统净负荷组合预测方法 | |
CN115809719A (zh) | 一种基于形态聚类的短期负荷预测修正方法 | |
CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
CN108171379B (zh) | 一种用电负荷预测方法 | |
CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
CN109978284B (zh) | 一种基于混合神经网络模型的光伏发电功率分时预测方法 | |
CN110443417A (zh) | 基于小波变换的多模型集成负荷预测方法 | |
CN111401599A (zh) | 一种基于相似性搜索和lstm神经网络的水位预测方法 | |
CN116596044B (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
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 | |
CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
CN111882114B (zh) | 一种短时交通流量预测模型构建方法及预测方法 | |
CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
CN110110339B (zh) | 一种日前水文预报误差校正方法及系统 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
Wang et al. | Big data analytics for price forecasting in smart grids | |
CN114936694A (zh) | 一种基于双集成模型的光伏功率预测方法 | |
CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
CN113222234A (zh) | 基于集成模态分解的用气需求预测方法及其系统 | |
CN116070458A (zh) | 基于rac-gan的新建风电场场景生成方法 |
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 |