CN115965150A - 一种基于权重分配的电力负荷预测方法 - Google Patents
一种基于权重分配的电力负荷预测方法 Download PDFInfo
- Publication number
- CN115965150A CN115965150A CN202310012475.1A CN202310012475A CN115965150A CN 115965150 A CN115965150 A CN 115965150A CN 202310012475 A CN202310012475 A CN 202310012475A CN 115965150 A CN115965150 A CN 115965150A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- prediction
- predicted
- influence factors
- 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 45
- 238000009826 distribution Methods 0.000 title claims abstract description 12
- 230000007613 environmental effect Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000016273 neuron death Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 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
一种基于权重分配的电力负荷预测方法，将历史负荷样本数据归一化，通过权重值理论得到电力负荷相关的不同影响因素的权重值，并输出剔除影响因素的负荷时间序列，将负荷时间序列通过小波分解为多个平稳子序列，在标准化残差卷积网络中训练，并由局部attention预测得到预测后的子序列，再通过序列重构得到预测后的时间序列，最后由权重值引入影响因素得到预测负荷数据。本发明的权重值一方面能显示出不同负荷影响因素对于负荷预测结果的贡献，使得预测模型能够在大量外在因素干扰下也能精确预测出结果，提升整个预测模型的泛化能力，另一方面，引入权重值还能仿真环境影响，便于对极端环境下的电力负荷的预测，做好电力系统的能源分配。
Description
技术领域
本发明属于电力技术领域，涉及电力负荷预测，为一种基于权重分配的多行标准化残差卷积网络的电力负荷预测方法。
背景技术
电力负荷预测是智能电网建设中关注的关键领域，是构建高效、灵活、稳健的电力系统的基础。负荷预测在电网的各个方面(调度、维护等)都发挥着重要作用，对于指导电网的规划和建设，提高电力系统资源的优化配置具有重要意义。
短期电力负荷预测是电力负荷预测的重要部分，是电力公司配置供电方案的重要依据同时也是构建更加高效，稳定，安全的电力系统的重要基础。目前的新型电力系统离不开多种多样的分布式电源，这导致其电力负荷数据变得更加复杂多变。此外，电力负荷数据与时间和天气因素密切相关，充分考虑多种因素有助于提高负荷预测的准确性。然而，大量的输入数据会增加模型学习的负担，降低学习效率。因此在大量外在因素干扰下，更加合理的利用历史负荷数据构架一种短期的电力负荷预测模型，进一步提升预测精度，是一个亟待解决的问题。
目前短期电力负荷的预测方法主要分为两种一是传统预测方法，二是机器学习方法。传统的预测方法主要有负荷推导法、回归分析法、卡尔曼滤波法等。以上这些预测方法具有计算量小、线性预测简单、精度高等优点，但对于复杂的非线性负荷时间序列的处理不够，难以满足现代预测的需要。机器学习方法包括决策树、人工神经网络、深度学习等。目前，机器学习算法已得到广泛应用，成为研究热点。
王凇瑶,张智晟等提出了一种基于粒子群算法的门控循环神经网络模型，通过量子信息处理机制提高了该网络的预测精度，但是该网络还有着收敛速度慢和泛化特性较差等缺点。李滨,高枫等在《基于虚拟相似日与DA-LSTPNet的地区电网短期负荷预测》论文中提出,在数据筛选时通过选出相似日期的历史数据以提高数据预测的精准性，但由于负荷预测点的预测数据不仅和相似日有关还和该点的相邻一段时间历史数据有关，故该方法还需进一步优化。徐建军,王硕昌,袁硕等在《基于改进的分形理论的短期电力负荷预测》中提出了一种改进的分形理论实现短期的负荷预测，虽然在一定程度上比传统的分形插值法更加精确，但其太过于依赖与预测时期相近的基准日，对与该日期的选择有很高的要求。赵婧宇,池越,周亚同等在《基于SSA-LSTM模型的短期电力负荷预测》中提出一种基于SSA-LSTM的短期预测模型，通过引入SSA算法解决了传统的LSTM的参数选择困难的问题，但随之而来该模型的运算量大大提升，导致计算负担过重。樊江川,于昊正,刘慧婷等在《基于多分支归一化残差卷积神经网络的短期电力负荷预测》中提出了一种多日期间隔的门控残差神经网络的短期预测的模型，相较于单分支的门控神经网络预测精准度进一步提高。但该方法没有考虑到大量的外在数据因素对于历史负荷数据的影响容易陷入局部最优解。
发明内容
为了解决以上技术问题，本发明提出了一种基于权重分配的电力负荷预测方法，能够在考虑大量外在因素的影响下，更加精准的预测出电力负荷数据，在特定需求下还能引入环境因素的影响来预测负荷数据，为相关技术人员做出参考。
本发明的技术方案为：一种基于权重分配的电力负荷预测方法，包括以下步骤：
步骤S1：将历史负荷样本数据归一化后输入到特征筛选模块，所述特征筛选模块基于合作博弈论中的权重值理论，提取环境因素，根据环境因素的影响得到与电力负荷相关的不同影响因素的权重值，构成权重值矩阵，并输出剔除这些影响因素的负荷数据时间序列；
步骤S2：将步骤S1得到的负荷数据时间序列通过小波分解为多个平稳子序列，便于之后的网络训练；
步骤S3：由步骤S2得到的多个不同子序列在标准化残差卷积网络中训练，并由局部attention预测得到预测后的子序列；
步骤S4：将多个预测后的子序列通过序列重构得到预测后的负荷时间序列，再经由步骤S1得到的权重值构建的权重值矩阵，引入不同环境影响因素，得到预测负荷数据；
步骤S5：由步骤S1-S4，根据历史负荷数据训练得到电力负荷预测模型，以及各影响因素的权重值矩阵，实时进行电力负荷预测时，将当前负荷数据首先剔除影响因素，进行负荷预测，再根据需要引入环境影响因素权重，得到预测结果。
为了更好的考虑不同影响因素对于电力负荷预测的作用，本发明引入了权重值的概念。已知在多个因素影响中的电力系统可以看成一个团队，而把多个影响因素看成该整体的一部分且都对该团队的收益即电力负荷预测结果有贡献，在此基础上每一个影响因素对于该收益的贡献比就是权重值。本发明中的权重值指的是不同影响因素对于负荷预测数据的影响的权重，由此提出了一种基于权重分配的多行标准化残差卷积网络的电力负荷预测方法。
本发明的有益效果主要包括三个方面：
1).本发明计算出的权重值一方面能够公平的显示出不同负荷影响因素对于负荷预测结果的贡献，使得该预测模型能够在大量外在因素干扰下也能精确预测出结果，提升整个预测模型的泛化能力。另一方面，引入权重值还能创造出虚拟的环境影响，便于电力研究人员对极端环境下的电力负荷有一个精准的预测，做好电力系统的能源分配。
2).本发明借助于小波分解将时间序列按照频率划分和预测，能够更清晰的看出在某一时间内电力负荷的详细分布，可以洞察负荷预测模型的预测过程，分析负荷预测结果产生的原因，对整个电力系统有更好的把握。同时，在剔除了各种影响因素之后的数据进行预测，大大减少了了预测模型的计算量和训练次数，使得整个预测流程更加快捷，预测结果更加精准。
附图说明
图1为本发明电力负荷预测方法的流程示意图。
图2为本发明电力负荷预测方法的整体网络模型图。
图3为本发明电力负荷预测方法的标准化残差卷积预测网络模型图。
图4为本发明电力负荷预测方法的标准化残差卷积层图。
图5为本发明电力负荷预测方法的局部attention层图。
具体实施方式
一种基于权重分配的电力负荷预测方法，包括以下步骤：
步骤S1：将历史负荷样本数据归一化后输入到特征筛选模块，所述特征筛选模块基于合作博弈论中的权重值理论，提取环境因素，根据环境因素的影响得到与电力负荷相关的不同影响因素的权重值，构成权重值矩阵，并输出剔除这些影响因素的负荷数据时间序列。
步骤S2：将步骤S1得到的时间序列通过小波分解为多个平稳子序列，便于之后的网络训练。
步骤S3：由步骤S2得到的多个不同子序列在标准化残差卷积网络中训练，并由局部attention预测得到预测后的子序列。
步骤S4：多个预测后的子序列通过序列重构得到预测后的时间序列，再经由步骤S1得到的权重矩阵引入多种环境因素的影响得到预测负荷数据。
步骤S5：由步骤S1-S4，根据历史负荷数据训练得到电力负荷预测模型，以及各影响因素的权重值矩阵，实时进行电力负荷预测时，将当前负荷数据首先剔除影响因素，进行负荷预测，再根据需要引入环境影响因素权重，得到预测结果。
进一步的，所述步骤S1具体包块四个步骤：
步骤S11：将输入的历史数据分为三类：随机相邻的两个月的数据，随机相邻的两个15天的数据以及随机相邻的两个5天的数据；这里相邻时间的两组数据称为一个数据对，每类数据包含若干数据对。
步骤S12：将三类数据分别归一化，得到三个归一化数据集，三个归一化数据集构成一个数据样本空间A。
步骤S13：所述数据样本空间A中，由于每一个数据对即为一个对比，即使该数据对不包含影响因素也要对其进行计算才能得到权重值，在影响因素较多的情况下会使影响因素的随机排列顺序大大增多，数据运算量也会随之呈指数性提高，导致系统的运行时间变长。为了减轻运算量，本发明采用采样近似法来计算不同因素的权重值。通过对样本空间A进行采样得到三个采样数据集，使用的是蒙特卡罗采样法采样，得到新的数据样本空间B。
步骤S14：通过得到的数据样本空间B对不同的影响因素分别计算权重值，最后计算权重值的平均绝对值输出到权重值矩阵中。所述的权重值的具体计算过程如下。
(1).迭代初始次数为1，在数据样本空间B中的三个采样数据集中分别随机选取一个样本，得到三个数据样本；
(2).将预先设置好的影响因素集数据集X中的因素随机打乱顺序，得到新的影响因素数据集X',以免影响因素的排列顺序干扰实验结果。。
(3).分别对三个数据样本中的数据对的前一组数据通过CNN预测得到预测值，对预测值和数据对中的后一组数据，结合影响因素集X'，根据贡献值分配的算法，得到影响因素对数据组合的权重值集合。这一步就是通过打乱影响因素，来计算不同影响因素对于负荷预测数据的影响的权重。
(4).设置好最大迭代次数M，如果迭代次数m≤M,则继续重复第(1)-(3)步。当迭代完成之后，将M个权重值集合汇总，计算权重值的绝对平均值，输出为权重值矩阵。
步骤S15：如果用含有各种环境影响因素的数据来训练电力负荷预测网络，则预测会受到环境因素影响，但是实际预测中环境因素是变化的，历史负荷数据的环境因素影响与当前需要预测的负荷情况并不对应，本发明考虑到负荷预测的准确性，先剔除环境因素的影响，进行负荷数据预测，再对预测得到的数据引入所受到的环境因素影响权重，兼顾负荷数据预测的准确性和环境因素的具体影响。
本发明在得到权重值矩阵后，依据得到的得到权重值矩阵对原始负荷数据进行分割，得到不含各类影响因素的负荷数据时间序列。
进一步的，所述步骤S2小波分解包括：
步骤S21:把deny小波作为分解的基函数，将步骤S1输出的时间序列分解为多个平稳时间子序列分量。所述小波分解具体为：小波分解以傅里叶变换为基础的信号预处理方法，能够很好地将非平稳信号转换为多个平稳信号分量，利用分解处理为多个平稳子序列可以大幅度提升模型对数据的预测精确率。
步骤S22：对分解的多个子序列进行分析，按照所含频率成分从高到低进行排序，同时记录下从高到低进行排序后的排序结果。
所述步骤S3标准化残差卷积网络模型训练进一步包括：
步骤S31：将小波分解后的平稳子序列划分为训练集和数据集，以7天为一个周期，进行训练，将序列的前7天作为训练集，后面一天作为测试集。
步骤S32：把划分后的训练集在构建的标准化残差卷积网络模型中进行滚动训练，并通过测试集验证，得到标准化残差卷积网络模型，网络由一系列的残差卷积层、卷积层、池化层、平铺层、全连接层构成，具体网络见图3。
标准化残差卷积网络模型具体分为以下两个部分：
标准化残差卷积层：使用标准化残差卷积层标准化残差卷积层可以控制信息再网络中的流动路径，增加整个神经网络对信息的控制能力，在这里选用的激活函数是Sigmoid函数，该激活函数较为简单，适合作为前期的门控卷积层，因为构建网络深度比较深，容易出现梯度消失和梯度爆炸的问题，影响预测的精度，残差网络可以选择将输出信息直接传出，有效保护信息的完整性，让神经网络具有更深层发展的可能性。具体标准化残差卷积层如图4。
局部attention层：局部attention层由卷积层、池化层、平铺层、全连接层进行网络构建的。其中池化层的池化运算能够使网络结构具有鲁棒性，使模型更加稳定，输入数据有变化时，输出也能稳定运行，一系列的卷积层以及池化层后面通过平铺层展开连接后续的全连接层，全连接层前面的网络单元的激活函数设置为Leaky Relu函数，该函数能够减轻梯度消失的问题，并且解决了普通Relu函数具有可能出现神经元死亡的问题。具体的局部attention层如图5。
步骤S33：在实际电力负荷预测中，把有当前电力负荷数据得到的四列平稳子序列输入到已经训练好的标准化残差卷积网络模型中，得到预测后的四列时间子序列。
所述步骤S4进一步包括：
步骤S41：将预测后的子序列通过序列重建得到预测后的不含影响因素的负荷数据。
步骤S42：最后把步骤S1得到的权重值矩阵加载到预测后的时间序列上，引入环境影响因素，即可得到最终的电力负荷预测结果。
本发明先由历史负荷数据得到环境影响因素的权重值矩阵，以及不含环境因素影响的电力负荷预测模型，对于实际生产作业中的预测，将已有的负荷数据先剔除影响因素，进行负荷预测，再引入环境影响因素权重，得到该负荷数据对应的预测结果。
Claims (6)
1.一种基于权重分配的电力负荷预测方法，其特征是包括以下步骤：
步骤S1：将历史负荷样本数据归一化后输入到特征筛选模块，所述特征筛选模块基于合作博弈论中的权重值理论，提取环境因素，根据环境因素的影响得到与电力负荷相关的不同影响因素的权重值，构成权重值矩阵，并输出剔除这些影响因素的负荷数据时间序列；
步骤S2：将步骤S1得到的负荷数据时间序列通过小波分解为多个平稳子序列，便于之后的网络训练；
步骤S3：由步骤S2得到的多个不同子序列在标准化残差卷积网络中训练，并由局部attention预测得到预测后的子序列；
步骤S4：将多个预测后的子序列通过序列重构得到预测后的负荷时间序列，再经由步骤S1得到的权重值构建的权重值矩阵，引入不同环境影响因素，得到预测负荷数据；
步骤S5：由步骤S1-S4，根据历史负荷数据训练得到电力负荷预测模型，以及各影响因素的权重值矩阵，实时进行电力负荷预测时，将当前负荷数据首先剔除影响因素，进行负荷预测，再根据需要引入环境影响因素权重，得到预测结果。
2.根据权利要求1所述的一种基于权重分配的电力负荷预测方法，其特征是步骤S1包括下列步骤：
步骤S11：将输入的历史数据分为三类：随机相邻的两个月的数据，随机相邻的两个15天的数据以及随机相邻的两个5天的数据；这里相邻时间的两组数据称为一个数据对，每类数据包含若干数据对；
步骤S12：将三类数据分别归一化，得到三个归一化数据集，三个归一化数据集构成一个数据样本空间A；
步骤S13：采用采样近似法来计算不同影响因素的权重值，通过对数据样本空间A依照蒙特卡罗采样法采样，得到三个采样数据集，构成新的数据样本空间B；
步骤S14：通过得到的数据样本空间B对不同的影响因素分别计算权重值，最后计算权重值的平均绝对值构成权重矩阵，权重值的计算过程如下：
(1)迭代初始次数为1，在数据样本空间B中的三个采样数据集中分别随机选取一个样本，得到三个数据样本；
(2)将预先设置好的环境影响因素集X中的因素随机打乱顺序，得到新的影响因素集X'；
(3)分别对三个数据样本中的数据对的前一组数据通过CNN预测得到预测值，对预测值和数据对中的后一组数据，结合影响因素集X'，根据贡献值分配的算法，得到影响因素对数据组合的权重值集合；
(4)设置最大迭代次数M，如果迭代次数m≤M,则继续重复第(1)-(3)步，当迭代完成之后，将M个权重值集合汇总，计算其中各个权重值的绝对平均值，输出影响因素的权重值矩阵；
步骤S15：依据得到的权重值矩阵对原始负荷数据进行分割，得到不含各类影响因素的负荷数据时间序列。
3.根据权利要求1所述的一种基于权重分配的电力负荷预测方法，其特征是步骤S2包括下列步骤：
步骤S21:把deny小波作为分解的基函数，将步骤S1输出的负荷数据时间序列分解为四个平稳时间子序列分量；
步骤S22：对分解的四个子序列分量进行分析，按照所含频率成分从高到低进行排序，同时记录下此时的分解过后的排序结果。
4.根据权利要求1所述的一种基于权重分配的电力负荷预测方法，其特征是步骤S3包括下列步骤：
步骤S31：将小波分解后的四个平稳子序列划分为两类：训练集和数据集，以7天为一个周期，进行训练，将子序列的前7天作为训练集，后面一天作为测试集；
步骤S32：把划分后的训练集在标准化残差卷积网络模型中进行滚动训练，并通过测试集验证，得到标准化残差卷积网络模型；
步骤S33：把四列平稳子序列输入到已经训练好的标准化残差卷积网络模型中，得到预测后的四列时间子序列。
5.根据权利要求4所述的一种基于权重分配的电力负荷预测方法，其特征是标准化残差卷积网络预测模型分为以下两个部分：
标准化残差卷积层：使用标准化残差卷积层控制信息在网络中的流动路径，增加整个神经网络对信息的控制能力，选用Sigmoid函数为激活函数；
局部attention层：局部attention层由卷积层、池化层、平铺层、全连接层进行网络构建，卷积层及池化层后面通过平铺层展开连接后续的全连接层，全连接层前面的网络单元的激活函数设置为Leaky Relu函数。
6.根据权利要求1所述的一种基于权重分配的电力负荷预测方法，其特征是步骤S4包括下列步骤：
步骤S41：将预测后的子序列通过序列重建得到预测后的不含影响因素的负荷数据；
步骤S42：把步骤S1得到的权重值矩阵加载到预测后的时间序列上，引入影响因素，得到电力负荷预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310012475.1A CN115965150A (zh) | 2023-01-05 | 2023-01-05 | 一种基于权重分配的电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310012475.1A CN115965150A (zh) | 2023-01-05 | 2023-01-05 | 一种基于权重分配的电力负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115965150A true CN115965150A (zh) | 2023-04-14 |
Family
ID=87357807
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310012475.1A Pending CN115965150A (zh) | 2023-01-05 | 2023-01-05 | 一种基于权重分配的电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115965150A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117117860A (zh) * | 2023-10-20 | 2023-11-24 | 浙江大学 | 一种多频率时间模式渐进解缠的电力负载预测方法 |
-
2023
- 2023-01-05 CN CN202310012475.1A patent/CN115965150A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117117860A (zh) * | 2023-10-20 | 2023-11-24 | 浙江大学 | 一种多频率时间模式渐进解缠的电力负载预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tian et al. | Multi-step short-term wind speed prediction based on integrated multi-model fusion | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
| CN115758246A (zh) | 基于EMD与AlexNet的非侵入式负荷识别方法 | |
| CN108596242A (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
| CN114841199A (zh) | 配电网故障诊断方法、装置、设备及可读存储介质 | |
| Li et al. | An innovative combined model based on multi-objective optimization approach for forecasting short-term wind speed: A case study in China | |
| CN104834975A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
| CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
| CN115409369A (zh) | 基于机理和数据混合驱动的综合能源系统可靠性评估方法 | |
| CN115965150A (zh) | 一种基于权重分配的电力负荷预测方法 | |
| CN116579447A (zh) | 一种基于分解机制和注意力机制的时间序列预测方法 | |
| CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
| CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
| Huan et al. | River dissolved oxygen prediction based on random forest and LSTM | |
| CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
| CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
| CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
| CN116843012A (zh) | 一种融合个性化上下文和时域动态特征的时序预测方法 | |
| Chen et al. | Research of Short-Term Wind Speed Forecasting Based on the Hybrid Model of Optimized Quadratic Decomposition and Improved Monarch Butterfly. | |
| CN116681173A (zh) | 一种基于rnn模型的数据密集型电力负载预测并行优化方法 |
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 |