CN115907158A - 一种基于启发式配置的负荷预测方法、设备及存储介质 - Google Patents
一种基于启发式配置的负荷预测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN115907158A CN115907158A CN202211468992.1A CN202211468992A CN115907158A CN 115907158 A CN115907158 A CN 115907158A CN 202211468992 A CN202211468992 A CN 202211468992A CN 115907158 A CN115907158 A CN 115907158A
- Authority
- CN
- China
- Prior art keywords
- optimal
- neural network
- long
- data
- prediction 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 68
- 230000015654 memory Effects 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000007787 long-term memory Effects 0.000 claims abstract description 24
- 230000006403 short-term memory Effects 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 230000000306 recurrent effect Effects 0.000 claims abstract description 22
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 14
- 238000004140 cleaning Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 12
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 9
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 6
- 210000004027 cell Anatomy 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims 1
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 125000001153 fluoro group Chemical group F* 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
本发明公开了一种基于启发式配置的负荷预测方法、设备及存储介质,包括:获取区域内历史负荷数据和温度数据并生成原始数据集,对生成的原始数据集进行清洗形成新数据集,并将新数据集分为训练集、配置集和测试集三部分;构建基于长短期记忆循环神经网络的单步负荷预测模型与递归预测模型;基于训练集数据,通过启发式搜索选择递归预测模型的最优输入特征;提取配置集数据的最优输入特征,配置长短期记忆循环神经网络的最优超参数;基于最优超参数配置了最优的长短期记忆循环神经网络后,对最优的长短期记忆循环神经网络进行正则化处理,提取测试集数据的最优输入特征,导入最优正则化后的递归预测模型,输出预测结果。
Description
技术领域
本发明涉及负荷预测技术领域,具体的是一种基于启发式配置的负荷预测方法、设备及存储介质。
背景技术
随着经济水平的发展与电气化水平的提升,用户负荷量日益提升,负荷特性日趋复杂,庞大的负荷规模与繁杂的负荷特性,使得电力系统中越限、阻塞的相关问题频发,部分线路甚至存在故障问题,这些给电网运行安全带来了威胁与挑战;负荷预测是解决上述问题的重要手段之一,近年来,随着相关技术的发展,国内外学者针对负荷预测的问题开展了深入研究,涉及短期预测、中长期预测、居民负荷预测、工商业负荷预测等多个领域,取得了丰硕的成果,为配电网、微电网的安全运行做出了卓越的贡献。
然而,随着分布式发电渗透率的提升与负荷规模的扩大,对用户侧负荷预测精度提出了新的要求;为此,现在提出一种基于启发式配置的负荷预测方法、设备及存储介质。
发明内容
为解决上述背景技术中提到的不足,本发明的目的在于提供一种基于启发式配置的负荷预测方法、设备及存储介质,
本发明的目的可以通过以下技术方案实现:一种基于启发式配置的负荷预测方法,方法包括以下步骤:
获取区域内历史负荷数据和温度数据并生成原始数据集,对生成的原始数据集进行清洗形成新数据集,并将新数据集分为训练集、配置集和测试集三部分;
构建基于长短期记忆循环神经网络的单步负荷预测模型与递归预测模型;
基于训练集数据,通过启发式搜索选择递归预测模型的最优输入特征;
提取配置集数据的最优输入特征,配置长短期记忆循环神经网络的最优超参数;
基于最优超参数配置了最优的长短期记忆循环神经网络后,对最优的长短期记忆循环神经网络进行正则化处理,提取测试集数据的最优输入特征,导入最优正则化后的递归预测模型,输出预测结果。
优选地,所述获取区域内历史负荷数据和温度数据并生成原始数据集,对生成的原始数据集进行清洗形成新数据集,并将新数据集分为训练集、配置集和测试集三部分的过程包括以下步骤:
获取区域内的历史负荷信息和历史温度信息,将历史负荷信息、历史温度信息按季节分为四组,形成原始数据集;
对原始数据集进行清洗,剔除异常数据,补齐空缺数据形成新数据集;
将新数据集分为训练集、配置集、测试集三部分。
优选地,所述训练集用于训练长短期记忆循环神经网络的负荷预测模型,获取最优的输入特征组合,所述配置集用于配置最优的长短期记忆循环神经网络,所述测试集用于检验负荷预测模型的准确性。
优选地,所述构建基于长短期记忆循环神经网络的单步负荷预测与递归预测模型的过程包括以下步骤:
构建长短期记忆循环神经网络;
基于长短期记忆循环神经网络,构建负荷预测模型:
输入特征数据,基于长短期记忆循环神经网络输出单步负荷预测结果;
将当前时段的预测结果输入单步负荷预测模型,形成递归预测,输出下一时段的预测结果,如此反复直至满足序列长度。
优选地,所述长短期记忆循环神经网络表示为式(1):
式(1)中:ft表示遗忘门;it是输入门;ot是输出门;是候选存储单元;ct是内部存储单元;ht是隐藏层输出;xt是时间t时的输入向量;Wf、Wi、Wo、Wc是权重,bf、bi、bo、bc是遗忘门ft、输入门it、输出门ot和候选存储单元的偏差值;每个时间步长的ct和ht的将作为下一阶段的输入。
以长短期记忆循环神经网络为基础,以输入特征作为神经网络的输入,以负荷预测结果作为输出,建立单步负荷预测模型。
优选地,所述基于启发式搜索选择最优输入特征的过程包括以下步骤:
确定待预测的短期负荷季节,选择相应季节的数据集,以训练集中历史负荷数据和温度数据作为神经网络输入特征,可构成多种输入特征组合,形成输入特征集;
基于评估指标选择最优输入特征:
建立评估指标,如式(2)-(4)所示:
式(2)-(4)中:MAPE(%)、RMSE、MAPEDEV(%)分别表示平均绝对百分比误差、均方根误差和MAPE的标准差;yp,i表示预测序列值;ya,i表示实际序列值;n表示序列的总长度;i表示序列索引。
通过启发式搜索算法遍历输入特征集,输出预测结果,基于评估指标选择最优输入特征组合。
优选地,所述配置长短期记忆循环神经网络的最优超参数的过程包括以下步骤:
确定长短期记忆循环神经网络中各超协调参数的可选择范围,包括隐含层数量、每个隐含层的神经元数量、学习率、单次训练样本个数和训练轮数;
提取配置集数据的最优输入特征作为预测模型的输入,通过启发式算法遍历各超协调参数的可选择范围,通过评估指标配置隐含层数量、每个隐含层的神经元数量、学习率、单次训练样本个数和训练轮数,进一步建立最优基于长短期记忆循环神经网络的负荷预测模型。
优选地,所述输出预测结果的过程包括以下步骤:
对长短期记忆循环神经网络进行L2正则化处理,避免过拟合现象,如式(5)所示:
提取测试集数据的最优输入特征作为预测模型的输入,通过最优正则化基于长短期记忆循环神经网络负荷预测模型,输出预测结果,根据评估指标评判负荷预测模型准确性。
优选地,一种设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当一个或多个所述程序被一个或多个所述处理器执行,使得一个或多个所述处理器实现如上所述的一种基于启发式配置的负荷预测方法。
优选地,一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如上所述的一种基于启发式配置的负荷预测方法。
本发明的有益效果:
1、本发明提出的基于启发式配置深度神经网络的短期负荷预测方法,能够选择最优的神经网络输入特征,提高了检测的精确性;
2、本发明提出的基于启发式配置深度神经网络的短期负荷预测方法,能够选择最优的长短期记忆循环神经网络LSTM-RNN超参数,配置最优的负荷预测模型,有效提高负荷预测的有效性;
3、本发明提出的基于启发式配置深度神经网络的短期负荷预测方法,通过L2正则化方法建立最优正则化LSTM-RNN负荷预测模型,有效避免了预测过程中的过拟合现象。
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,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是本发明实施例的整体预测方法流程图;
图2是本发明实施例的具体实施流程图;
图3是长短期记忆循环神经网络原理示意图;
图4是单步预测原理示意图;
图5是递归预测原理示意图;
图6是本发明实施例的结果图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1-5所示,一种基于启发式配置的负荷预测方法,方法包括以下步骤:
获取区域内历史负荷数据和温度数据并生成原始数据集,对生成的原始数据集进行清洗形成新数据集,并将新数据集分为训练集、配置集和测试集三部分;
构建基于长短期记忆循环神经网络的单步负荷预测模型与递归预测模型;
基于训练集数据,通过启发式搜索选择递归预测模型的最优输入特征;
提取配置集数据的最优输入特征,配置长短期记忆循环神经网络的最优超参数;
基于最优超参数配置了最优的长短期记忆循环神经网络后,对最优的长短期记忆循环神经网络进行正则化处理,提取测试集数据的最优输入特征,导入最优正则化后的递归预测模型,输出预测结果。
优选地,所述获取区域内历史负荷数据和温度数据并生成原始数据集,对生成的原始数据集进行清洗形成新数据集,并将新数据集分为训练集、配置集和测试集三部分的过程包括以下步骤:
获取区域内的历史负荷信息和历史温度信息,将历史负荷信息、历史温度信息按季节分为四组,形成原始数据集;
对原始数据集进行清洗,剔除异常数据,补齐空缺数据形成新数据集;
将新数据集分为训练集、配置集、测试集三部分。
需要进一步进行说明的是,在具体实施过程中,所述训练集用于训练长短期记忆循环神经网络的负荷预测模型,获取最优的输入特征组合,所述配置集用于配置最优的长短期记忆循环神经网络,所述测试集用于检验负荷预测模型的准确性。
需要进一步进行说明的是,在具体实施过程中,所述构建基于长短期记忆循环神经网络的单步负荷预测与递归预测模型的过程包括以下步骤:
构建长短期记忆循环神经网络;
基于长短期记忆循环神经网络,构建负荷预测模型:
输入特征数据,基于长短期记忆循环神经网络输出单步负荷预测结果;
将当前时段的预测结果输入单步负荷预测模型,形成递归预测,输出下一时段的预测结果,如此反复直至满足序列长度。
需要进一步进行说明的是,在具体实施过程中,所述长短期记忆循环神经网络表示为式(1):
式(1)中:ft表示遗忘门;it是输入门;ot是输出门;是候选存储单元;ct是内部存储单元;ht是隐藏层输出;xt是时间t时的输入向量;Wf、Wi、Wo、Wc是权重,bf、bi、bo、bc是遗忘门ft、输入门it、输出门ot和候选存储单元的偏差值;每个时间步长的ct和ht的将作为下一阶段的输入。
以长短期记忆循环神经网络为基础,以输入特征作为神经网络的输入,以负荷预测结果作为输出,建立单步负荷预测模型。
需要进一步进行说明的是,在具体实施过程中,所述基于启发式搜索选择最优输入特征的过程包括以下步骤:
确定待预测的短期负荷季节,选择相应季节的数据集,以训练集中历史负荷数据和温度数据作为神经网络输入特征,可构成多种输入特征组合,形成输入特征集;
基于评估指标选择最优输入特征:
建立评估指标,如式(2)-(4)所示:
式(2)-(4)中:MAPE(%)、RMSE、MAPEDEV(%)分别表示平均绝对百分比误差、均方根误差和MAPE的标准差;yp,i表示预测序列值;ya,i表示实际序列值;n表示序列的总长度;i表示序列索引。
通过启发式搜索算法遍历输入特征集,输出预测结果,基于评估指标选择最优输入特征组合。
需要进一步进行说明的是,在具体实施过程中,所述配置长短期记忆循环神经网络的最优超参数的过程包括以下步骤:
确定长短期记忆循环神经网络中各超协调参数的可选择范围,包括隐含层数量、每个隐含层的神经元数量、学习率、单次训练样本个数和训练轮数;
提取配置集数据的最优输入特征作为预测模型的输入,通过启发式算法遍历各超协调参数的可选择范围,通过评估指标配置隐含层数量、每个隐含层的神经元数量、学习率、单次训练样本个数和训练轮数,进一步建立最优基于长短期记忆循环神经网络的负荷预测模型。
需要进行说明的是,所述输出预测结果的过程包括以下步骤:
对长短期记忆循环神经网络进行L2正则化处理,避免过拟合现象,如式(5)所示:
提取测试集数据的最优输入特征作为预测模型的输入,通过最优正则化基于长短期记忆循环神经网络负荷预测模型,输出预测结果,根据评估指标评判负荷预测模型准确性。
实施例
本发明以采集的某地区的历史负荷数据与气象数据等信息作为检验数据,对采集的数据进行清洗后,按季节划分为四个分组。并以夏季(7-10月数据)作为典型案例进行测试。首先将7-9月的数据作为训练集,10月的第一周数据作为配置集,10月的第二周数据作为测试集。
按照说明书方法基于长短期记忆循环神经网络建立递归负荷预测网络模型,分别提取7-9月负荷数据的不同数据特征组合,以15分钟为一个时段。本实例提取了5组特征组合,分别是:①上一时段的负荷;②上一时段的负荷,上一时段与当前时段的温度,上一时段的;③前24个小时的负荷;④前24个小时的负荷和温度;⑤前48小时的负荷;⑥前48小时的负荷和温度。将不同的输入特征导入负荷预测模型,经选择对比后,最优输出特征为②,指标对比如表所示。
对优化配置后的预测模型进行L2正则化处理。提取测试集数据的输入特征②,并导入最优正则化后的负荷预测模型,输出负荷预测结果,并与测试集数据进行比对,本发明选择了第一天的结果作为对比,如图6所示。
基于同一种发明构思,本发明还提供一种计算机设备,该计算机设备包括包括:一个或多个处理器,以及存储器,用于存储一个或多个计算机程序;程序包括程序指令,处理器用于执行存储器存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其用于实现一条或一条以上指令,具体用于加载并执行计算机存储介质内一条或一条以上指令从而实现上述方法。
需要进一步进行说明的是,基于同一种发明构思,本发明还提供一种计算机存储介质,该存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述方法。该存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电、磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”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公开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一定指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何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本公开的基本原理、主要特征和本公开的优点。本行业的技术人员应该了解,本公开不受上述实施例的限制,上述实施例和说明书中描述的只是说明本公开的原理,在不脱离本公开精神和范围的前提下,本公开还会有各种变化和改进,这些变化和改进都落入要求保护的本公开范围内容。
Claims (10)
1.一种基于启发式配置的负荷预测方法,其特征在于,方法包括以下步骤:
获取区域内历史负荷数据和温度数据并生成原始数据集,对生成的原始数据集进行清洗形成新数据集,并将新数据集分为训练集、配置集和测试集三部分;
构建基于长短期记忆循环神经网络的单步负荷预测模型与递归预测模型;
基于训练集数据,通过启发式搜索选择递归预测模型的最优输入特征;
提取配置集数据的最优输入特征,配置长短期记忆循环神经网络的最优超参数;
基于最优超参数配置了最优的长短期记忆循环神经网络后,对最优的长短期记忆循环神经网络进行正则化处理,提取测试集数据的最优输入特征,导入最优正则化后的递归预测模型,输出预测结果。
2.根据权利要求1所述的一种基于启发式配置的负荷预测方法,其特征在于,所述获取区域内历史负荷数据和温度数据并生成原始数据集,对生成的原始数据集进行清洗形成新数据集,并将新数据集分为训练集、配置集和测试集三部分的过程包括以下步骤:
获取区域内的历史负荷信息和历史温度信息,将历史负荷信息、历史温度信息按季节分为四组,形成原始数据集;
对原始数据集进行清洗,剔除异常数据,补齐空缺数据形成新数据集;
将新数据集分为训练集、配置集、测试集三部分。
3.根据权利要求2所述的一种基于启发式配置的负荷预测方法,其特征在于,所述训练集用于训练长短期记忆循环神经网络的负荷预测模型,获取最优的输入特征组合,所述配置集用于配置最优的长短期记忆循环神经网络,所述测试集用于检验负荷预测模型的准确性。
4.根据权利要求1所述的一种基于启发式配置的负荷预测方法,其特征在于,所述构建基于长短期记忆循环神经网络的单步负荷预测模型与递归预测模型的过程包括以下步骤:
构建长短期记忆循环神经网络;
基于长短期记忆循环神经网络,构建负荷预测模型:
输入特征数据,基于长短期记忆循环神经网络输出单步负荷预测结果;
将当前时段的预测结果输入单步负荷预测模型,形成递归预测,输出下一时段的预测结果,如此反复直至满足序列长度。
6.根据权利要求1所述的一种基于启发式配置的负荷预测方法,其特征在于,所述基于训练集数据,通过启发式搜索选择递归预测模型的最优输入特征的过程包括以下步骤:
确定待预测的短期负荷季节,选择相应季节的数据集,以训练集中历史负荷数据和温度数据作为神经网络输入特征,可构成多种输入特征组合,形成输入特征集;
基于评估指标选择最优输入特征:
建立评估指标,如式(2)-(4)所示:
式(2)-(4)中:MAPE(%)、RMSE、MAPEDEV(%)分别表示平均绝对百分比误差、均方根误差和MAPE的标准差;yp,i表示预测序列值;ya,i表示实际序列值;n表示序列的总长度;i表示序列索引;
通过启发式搜索算法遍历输入特征集,输出预测结果,基于评估指标选择最优输入特征组合。
7.根据权利要求1所述的一种基于启发式配置的负荷预测方法,其特征在于,所述配置长短期记忆循环神经网络的最优超参数的过程包括以下步骤:
确定长短期记忆循环神经网络中各超协调参数的可选择范围,包括隐含层数量、每个隐含层的神经元数量、学习率、单次训练样本个数和训练轮数;
提取配置集数据的最优输入特征作为预测模型的输入,通过启发式算法遍历各超协调参数的可选择范围,通过评估指标配置隐含层数量、每个隐含层的神经元数量、学习率、单次训练样本个数和训练轮数,进一步建立最优基于长短期记忆循环神经网络的负荷预测模型。
9.一种设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当一个或多个所述程序被一个或多个所述处理器执行,使得一个或多个所述处理器实现如权利要求1-8中任一所述的一种基于启发式配置的负荷预测方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-8中任一所述的一种基于启发式配置的负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211468992.1A CN115907158A (zh) | 2022-11-22 | 2022-11-22 | 一种基于启发式配置的负荷预测方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211468992.1A CN115907158A (zh) | 2022-11-22 | 2022-11-22 | 一种基于启发式配置的负荷预测方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115907158A true CN115907158A (zh) | 2023-04-04 |
Family
ID=86490866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211468992.1A Pending CN115907158A (zh) | 2022-11-22 | 2022-11-22 | 一种基于启发式配置的负荷预测方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907158A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493982A (zh) * | 2024-01-03 | 2024-02-02 | 江苏上达半导体有限公司 | 一种基于机器学习的半导体电阻值预测方法及系统 |
-
2022
- 2022-11-22 CN CN202211468992.1A patent/CN115907158A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493982A (zh) * | 2024-01-03 | 2024-02-02 | 江苏上达半导体有限公司 | 一种基于机器学习的半导体电阻值预测方法及系统 |
CN117493982B (zh) * | 2024-01-03 | 2024-03-22 | 江苏上达半导体有限公司 | 一种基于机器学习的半导体电阻值预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mehrmolaei et al. | Time series forecasting using improved ARIMA | |
CN109063939B (zh) | 一种基于邻域门长短期记忆网络的风速预测方法及系统 | |
CN107330573B (zh) | 一种光伏系统关键设备的状态评估方法及装置 | |
CN106529731A (zh) | 一种区域电网光伏电站集群划分方法 | |
CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
CN106529732A (zh) | 基于神经网络与随机前沿分析的碳排放效率预测方法 | |
CN116258269A (zh) | 一种基于负荷特征分解的超短期负荷动态预测方法 | |
CN112241836B (zh) | 一种基于增量学习的虚拟负荷主导参数辨识方法 | |
CN112381673A (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
CN115470995A (zh) | 电池容量预测模型训练方法、电池分容方法及装置 | |
CN115907158A (zh) | 一种基于启发式配置的负荷预测方法、设备及存储介质 | |
CN115660233A (zh) | 光伏功率预测方法、装置、电子设备及存储介质 | |
CN111160472A (zh) | 对象的目标特征的预测方法、装置、存储介质与电子设备 | |
CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
CN109345021A (zh) | 一种采用lstm建模预测劳动力需求增量的方法 | |
CN116739172A (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
CN115907131A (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
CN113869590A (zh) | 一种基于eemd-lstm的区域能源互联网负荷预测方法及系统 | |
CN116859255A (zh) | 一种储能电池健康状态的预测方法、装置、设备及介质 | |
CN116842829A (zh) | 基于电力营销多源数据分析的知识抽取与建模方法 | |
CN115907194A (zh) | 一种光伏发电功率预测方法、系统及产品 | |
Mahdavi et al. | A novel optimized fuzzy approach based on monte carlo method for system load, wind turbine and photovoltaic unit uncertainty modeling in unit commitment | |
CN113722970A (zh) | 一种光伏功率超短期在线预测方法 | |
Wu et al. | Convolutional deep leaning-based distribution system topology identification with renewables | |
CN112613674A (zh) | 中长期风电发电量预测方法、装置、电子设备及存储介质 |
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 |