CN116151449A - 一种电力负荷的短期预测方法及装置 - Google Patents
一种电力负荷的短期预测方法及装置 Download PDFInfo
- Publication number
- CN116151449A CN116151449A CN202310120245.7A CN202310120245A CN116151449A CN 116151449 A CN116151449 A CN 116151449A CN 202310120245 A CN202310120245 A CN 202310120245A CN 116151449 A CN116151449 A CN 116151449A
- Authority
- CN
- China
- Prior art keywords
- model
- load
- sample data
- prediction
- historical
- 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 69
- 238000012545 processing Methods 0.000 claims abstract description 40
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 22
- 238000009499 grossing Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims 1
- 238000012706 support-vector machine Methods 0.000 description 95
- 238000013527 convolutional neural network Methods 0.000 description 52
- 238000013528 artificial neural network Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 8
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004904 shortening Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供了一种电力负荷的短期预测方法及装置，该方法包括：获取电力系统的历史样本数据，对历史样本数据进行预处理，并根据预处理后的历史样本数据，获取第一负荷时序特征；根据第一负荷时序特征，进行SVM模型、CNN模型以及GRU模型的融合预测，以获取SVM模型、CNN模型及GRU模型分别对应的负荷预测结果；对SVM模型、CNN模型以及GRU模型分别对应的负荷预测结果进行动态加权平均处理，以获取最终负荷预测值。上述方案基于多模型动态融合和相似日样本数据选取的方法，实现对电力系统短期负荷的高精度和快速预测，以满足当前电力调度对于短期负荷预测的要求，提高调度人员的工作效率和工作质量。
Description
技术领域
本申请涉及电力系统自动化技术领域，具体涉及一种电力负荷的短期预测方法及装置。
背景技术
电力系统的负荷预测是能量管理系统的重要组成部分，准确的短期负荷预测可以提高电力系统的运行效率。由于负荷波动的强烈随机性，短期负荷预测问题变得非常复杂。
目前，现有的短期负荷预测方法，主要分为两类，一类是传统负荷预测方法，如时间序列法和回归分析法等方法，这些方法简单且计算效率高，但不适用于预测多变且波动性强的负荷，否则预测精度会很低。另一类是基于人工智能技术的负荷预测方法，其中人工神经网络(ANN)是目前应用最为广泛的一种方法。人工神经网络(ANN)的基本理论是经验风险最小化原理，该方法在训练样本足够的情况下，通常能取得较好的效果。
但是在上述方案中，人工神经网络(ANN)用于短期负荷预测的前提是需要提供大量的历史负荷数据，不适用于历史数据样本少的情况，并且该方法容易得到局部最优解，存在过拟合、训练时间较长等问题；因此，预测精度和计算效率不能得到保证。
发明内容
本申请提供了一种电力负荷的短期预测方法及装置，提高短期负荷预测的预测精度和计算效率，该技术方案如下。
一方面，提供了一种电力负荷的短期预测方法，所述方法包括：
获取电力系统的历史样本数据；所述历史样本数据包括历史负荷数据以及历史气象数据；
对所述历史样本数据进行预处理，并根据预处理后的所述历史样本数据，获取第一负荷时序特征；
根据所述第一负荷时序特征，进行SVM模型、CNN模型以及GRU模型的融合预测，以获取所述SVM模型、所述CNN模型以及所述GRU模型分别对应的负荷预测结果；
对所述SVM模型、所述CNN模型以及所述GRU模型分别对应的负荷预测结果进行动态加权平均处理，以获取所述电力系统的最终负荷预测值。
又一方面，提供了一种电力负荷的短期预测装置，所述装置包括：
历史样本数据获取模块，用于获取电力系统的历史样本数据；所述历史样本数据包括历史负荷数据以及历史气象数据；
第一负荷时序特征获取模块，用于对所述历史样本数据进行预处理，并根据预处理后的所述历史样本数据，获取第一负荷时序特征；
模型融合预测模块，用于根据所述第一负荷时序特征，进行SVM模型、CNN模型以及GRU模型的融合预测，以获取所述SVM模型、所述CNN模型以及所述GRU模型分别对应的负荷预测结果；
最终负荷预测值获取模块，用于对所述SVM模型、所述CNN模型以及所述GRU模型分别对应的负荷预测结果进行动态加权平均处理，以获取所述电力系统的最终负荷预测值。
在一种可能的实施方式中，所述模型融合预测模块，包括：
第一负荷预测结果获取单元，用于根据所述第一负荷时序特征，进行SVM模型的构建、训练及预测，以获取所述SVM模型的第一负荷预测结果；
CNN模型预测单元，用于根据所述第一负荷时序特征及所述SVM模型的第一负荷预测结果，进行CNN模型的构建、训练及预测，以获取所述CNN模型的负荷预测结果；
SVM模型预测单元，用于根据所述第一负荷时序特征、所述SVM模型的第一负荷预测结果及所述CNN模型的负荷预测结果，进行SVM模型的第二预测，以获取所述SVM模型的第二负荷预测结果；
GRU模型预测单元，用于根据所述第一负荷时序特征、所述SVM模型的第一负荷预测结果及所述CNN模型的负荷预测结果，进行GRU模型的构建、训练及预测，以获取所述GRU模型的负荷预测结果。
在一种可能的实施方式中，第一负荷预测结果获取单元，还用于：
根据所述第一负荷时序特征，构建所述历史样本数据中训练样本数据的目标函数，并实现SVM模型参数初始化；
通过网格搜索以及交叉验证，获取最优的SVM模型参数；
根据所述目标函数以及所述SVM模型参数构建SVM模型；
对所述SVM模型进行模型训练与负荷预测，以获取所述SVM模型的第一负荷预测结果。
在一种可能的实施方式中，所述最终负荷预测值获取模块，还用于：
根据所述电力系统的多次历史负荷预测结果，对所述SVM模型的第二负荷预测结果、所述CNN模型的负荷预测结果及所述GRU模型的负荷预测结果的权重进行动态分配处理；
根据动态分配处理所得的模型权重对所述SVM模型、所述CNN模型以及所述GRU模型的负荷预测结果进行加权平均，以获取所述电力系统的最终负荷预测值。
在一种可能的实施方式中，所述装置还用于：
获取所述电力系统的负荷真实值和样本数量；
根据所述电力系统的最终负荷预测值、所述负荷真实值和样本数量，获取负荷预测的平均绝对值误差和均方根误差；
根据所述平均绝对值误差和所述均方根误差，对所述最终负荷预测值进行分析和评估。
在一种可能的实施方式中，所述第一负荷时序特征获取模块，包括：
平滑处理单元，用于对所述历史样本数据进行误差数据的提取，并对所述误差数据进行平滑处理；
补齐处理单元，用于对所述历史样本数据中缺失的数据，采用线性差值的方式进行补齐处理；
相似日样本数据选取单元，用于对经过平滑处理与补齐处理后的历史样本数据进行相似日样本数据选取，以获取预处理后的所述历史样本数据。
在一种可能的实施方式中，所述相似日样本数据选取单元，用于：
根据所述经过平滑处理与补齐处理后的历史样本数据，获取各个历史日与预测日的时间间隔相似度、日期类型相似度以及天气差异相似度；
根据所述时间间隔相似度、所述日期类型相似度以及所述天气差异相似度的乘积，获取各个历史日与预测日的综合相似度；
将所述综合相似度按照从大到小的顺序进行排序，并选取前目标数量的历史日作为相似日；
根据所述相似日，对所述经过平滑处理与补齐处理后的历史样本数据进行相似日样本数据选取，以获取预处理后的所述历史样本数据。
再一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如上所述的一种电力负荷的短期预测方法。
又一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如上所述的一种电力负荷的短期预测方法。
本申请提供的技术方案可以包括以下有益效果：
上述方案基于多模型动态融合和相似日样本数据选取的方法，实现对电力系统短期负荷的高精度和快速预测，以满足当前电力调度对于短期负荷预测的要求，提高调度人员的工作效率和工作质量。其中，SVM模型不仅具备更好的泛化能力，即使在历史样本数据较少的情况下也可以兼顾模型的复杂度和推广性，有效解决过拟合问题；还能够得到全局最优解，可使得人工神经网络(ANN)易掉入局部最优陷阱的问题得到解决，SVM模型所需的时间更短，计算效率更高。此外，CNN模型、GRU模型与人工神经网络(ANN)相比，同样具有缩短训练时间和提高预测精度的优势，并且由于GRU模型结构简单，参数较少，因此更易收敛，计算效率也更高。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本申请的一些实施方式，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是根据一示例性实施例示出的一种电力负荷的短期预测系统的结构示意图。
图2是根据一示例性实施例示出的一种电力负荷的短期预测方法的方法流程图。
图3是根据一示例性实施例示出的一种电力负荷的短期预测方法的方法流程图。
图4是根据一示例性实施例示出的基于CNN-GRU-SVM多模型融合和相似日的短期负荷预测整体流程示意图。
图5是根据一示例性实施例示出的SVM模型构建、训练及负荷预测整体流程示意图。
图6是根据一示例性实施例示出的CNN模型构建、训练及负荷预测整体流程示意图。
图7是根据一示例性实施例示出的GRU模型构建、训练及负荷预测整体流程示意图。
图8是根据一示例性实施例示出的GRU模型对应的整体架构示意图。
图9是根据一示例性实施例示出的一种电力负荷的短期预测装置的结构方框图。
图10示出了本申请一示例性实施例示出的计算机设备的结构框图。
具体实施方式
下面将结合附图对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术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，都属于本申请保护的范围。
应理解，在本申请实施例的描述中，术语“对应”可表示两者之间具有直接对应或间接对应的关系，也可以表示两者之间具有关联关系，也可以是指示与被指示、配置与被配置等关系。
图1是根据一示例性实施例示出的一种电力负荷的短期预测系统的结构示意图。该短期预测系统中包含服务器110以及电力系统120。
其中，该短期预测系统用于对所述电力系统120的负荷进行预测，以能量管理，进而提高电力系统120的运行效率。
可选的，该电力系统120中可以包括数据采集设备以及数据存储模块，该数据采集设备可以在该电力系统的运行过程中，对电力负荷数据以及气象数据进行采集，并将采集到的电力负荷数据保存在数据存储模块中。
可选的，该电力系统120通过传输网络(如无线通信网络)与服务器110实现通信连接，该电力系统120可以通过无线通信网络，将数据存储模块中存储的各个数据(如采集到的电力负荷数据与气象数据，即历史样本数据)上传至服务器110，以便服务器110对采集到的历史样本数据进行处理，并根据采集到的历史样本数据，对应用于电力负荷等方面的各个学习模型进行多模型的融合预测，以实现电力系统的负荷预测。
可选的，该电力系统120中还可以包含有数据处理设备，该数据处理设备可以获取电力系统120的数据采集设备采集到历史样本数据，对历史样本数据进行预处理以及多模型的融合预测，以实现电力系统的负荷预测。
可选的，上述服务器110可以是由多个物理服务器构成的服务器集群或者是分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等技术运计算服务的云服务器。
可选的，该系统还可以包括管理设备，该管理设备用于对该系统进行管理(如管理各个模块与服务器之间的连接状态等)，该管理设备与服务器之间通过通信网络相连。可选的，该通信网络是有线网络或无线网络。
可选的，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网，但也可以是其他任何网络，包括但不限于局域网、城域网、广域网、移动、有限或无线网络、专用网络或者虚拟专用网络的任何组合。在一些实施例中，使用包括超文本标记语言、可扩展标记语言等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层、传输层安全、虚拟专用网络、网际协议安全等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
图2是根据一示例性实施例示出的一种电力负荷的短期预测方法的方法流程图。该方法由计算机设备执行，该计算机设备可以是如图1中所示的电力系统120中的数据处理设备。如图2所示，该短期预测方法可以包括如下步骤：
S201、获取电力系统的历史样本数据；该历史样本数据包括历史负荷数据以及历史气象数据。
在一种可能的实施方式中，在对电力系统的电力负荷的短期预测时，先收集该电力系统的历史样本数据，该历史样本数据可以包括该电力系统的历史负荷数据和历史气象数据，通过该历史负荷数据和历史气象数据进行学习训练，以达到对电力负荷的短期预测。
S202、对该历史样本数据进行预处理，并根据预处理后的该历史样本数据，获取第一负荷时序特征。
在一种可能的实施方式中，在收集该电力系统的历史样本数据后，需要对历史样本数据进行预处理，如进行平滑处理、补齐处理以及相似日的选取等，由于历史负荷曲线往往是相似的，因此选择相似日的负荷数据作为训练样本来获得后续的SVM模型参数是有效的。根据预处理后的历史样本数据形成第一负荷时序特征，以将第一负荷时序特征输入至SVM模型、CNN模型以及GRU模型，进行负荷预测。
S203、根据该第一负荷时序特征，进行SVM模型、CNN模型以及GRU模型的融合预测，以获取该SVM模型、该CNN模型以及该GRU模型分别对应的负荷预测结果。
在一种可能的实施方式中，由于卷积神经网络(CNN)、门控循环单元(GRU)网络和支持向量机(SVM)的模型原理相差较大，预测的结果相关性比较低，融合有利于提高预测的精度，因此，在本实施例中，对CNN模型、GRU模型和SVM模型三种模型进行融合，将其应用于短期负荷预测，可进一步提高短期负荷预测的预测精度。
S204、对该SVM模型、该CNN模型以及该GRU模型分别对应的负荷预测结果进行动态加权平均处理，以获取该电力系统的最终负荷预测值。
在一种可能的实施方式中，在计算出GRU模型、SVM模型和CNN模型三个模型的预测结果后，以动态加权平均的方式对三个模型的权重进行动态分配，即每次预测均根据对应模型之前的预测效果对该模型的权重进行再分配，根据动态分配所得的模型权重对三个模型的负荷预测值进行加权平均，得到最终的负荷预测结果。
综上所述，上述方案基于多模型动态融合和相似日样本数据选取的方法，实现对电力系统短期负荷的高精度和快速预测，以满足当前电力调度对于短期负荷预测的要求，提高调度人员的工作效率和工作质量。其中，SVM模型不仅具备更好的泛化能力，即使在历史样本数据较少的情况下也可以兼顾模型的复杂度和推广性，有效解决过拟合问题；还能够得到全局最优解，可使得人工神经网络(ANN)易掉入局部最优陷阱的问题得到解决，SVM模型所需的时间更短，计算效率更高。此外，CNN模型、GRU模型与人工神经网络(ANN)相比，同样具有缩短训练时间和提高预测精度的优势，并且由于GRU模型结构简单，参数较少，因此更易收敛，计算效率也更高。
图3是根据一示例性实施例示出的一种电力负荷的短期预测方法的方法流程图。该方法由计算机设备执行，该计算机设备可以是如图1中所示的电力系统120中的数据处理设备。如图3所示，该短期预测方法可以包括如下步骤：
S301、获取电力系统的历史样本数据；该历史样本数据包括历史负荷数据以及历史气象数据。
可选的，在收集该电力系统的历史样本数据后，根据需要将历史样本数据划分为训练样本和测试样本，示例性的，通常情况下，训练样本所占比例为80％，测试样本所占比例为20％。
S302、对该历史样本数据进行预处理，并根据预处理后的该历史样本数据，获取第一负荷时序特征。
在一种可能的实施方式中，对该历史样本数据进行误差数据的提取，并对该误差数据进行平滑处理；
对该历史样本数据中缺失的数据，采用线性差值的方式进行补齐处理；
对经过平滑处理与补齐处理后的历史样本数据进行相似日样本数据选取，以获取预处理后的该历史样本数据。
在一种可能的实施方式中，根据该经过平滑处理与补齐处理后的历史样本数据，获取各个历史日与预测日的时间间隔相似度、日期类型相似度以及天气差异相似度；
根据该时间间隔相似度、该日期类型相似度以及该天气差异相似度的乘积，获取各个历史日与预测日的综合相似度；
将该综合相似度按照从大到小的顺序进行排序，并选取前目标数量的历史日作为相似日；
根据该相似日，对该经过平滑处理与补齐处理后的历史样本数据进行相似日样本数据选取，以获取预处理后的该历史样本数据。
进一步的，参照图4所示的基于CNN-GRU-SVM多模型融合和相似日的短期负荷预测整体流程示意图，该数据预处理包括：a)运用统计学的一般理论对误差数据进行提取，并对其进行平滑处理；b)针对缺失的数据，采用线性差值的方式进行补齐；c)采用相似度评估函数对相似日进行选取，本实施例采用相似度评估函数从历史日中选择预测日的相似日，将相似日作为训练样本，通过分析不同的天气因素来合理选取相似日训练样本。
其中，采用相似度评估函数从历史日中选择预测日的相似日，需要确定出各个历史日与预测日的时间间隔相似度、日期类型相似度以及天气差异相似度，以下对如何选择预测日的相似日进行详细说明：
1)确定针对时间间隔相似度：
基于负荷周期变化规律(如年相似、周相似、日相似)和近大远小的特性对相似日进行选择，则时间间隔相似度计算公式如下：
其中，t为第i个历史日与预测日之间的间隔天数；int代表取整；S1、S2、S3取值0或1，且S1+S2+S3＝0，当预测日为工作日时S1＝1，当预测日为周末时S2＝1，当预测日为节假日时S3＝1；β1、β2、β3分别为日、周、年衰减系数，通常取0.9～0.98，分别表示历史同类型日与预测日之间的间隔每增加一天、一周、一年的负荷减少比例；N1、N2分别取值1和7，由于某些节假日之间的间隔小于365，N3取值340。
2)确定日期类型相似度：
由于工作日、周末和节假日的负荷特点差异性较大，将日期类型分为工作日、周末和节假日，则日期类型相似度设置原则为：若第i个历史日与预测日为同类型日，则其日期类型相似度di取值1，否则取值0.6。
日期类型相似度的数值不具备任何含义，只是为了加大不同类型日之间的差异。
3)确定天气差异相似度：
天气差异主要由温度、能见度和降雨量决定。天气预报部门提供预测日的天气特征，并根据预测日与历史日之间的相关计算来确定天气相似度。本实施例采用灰色关联分析法来求得天气差异相似度。
假设ρi、ρ0分别为第i个历史日与预测日的天气特征向量，其中ρ0＝ρ0(1),ρ0(2),…,ρ0(n)}、ρi＝ρi(1),ρi(2),…,ρi(n)}，n为天气因素个数。则天气差异相似度为：
其中，τ为分辨系数，取值范围为[0，1]，示例性的，一般取0.5。
4)根据时间间隔相似度、日期类型相似度以及天气差异相似度确定综合相似度：
综合相似度由时间间隔相似度、日期类型相似度和天气差异相似度相乘得到，对综合相似度按照从大到小的顺序进行排序，选取前n个历史日作为相似日。
如图4所示，通过以上步骤对历史样本数据完成预处理后，再进行数据样本归一化处理，得到最终的历史样本数据。
S303、根据该第一负荷时序特征，进行SVM模型的构建、训练及预测，以获取该SVM模型的第一负荷预测结果。
在一种可能的实施方式中，根据该第一负荷时序特征，构建该历史样本数据中训练样本数据的目标函数，并实现SVM模型参数初始化；
通过网格搜索以及交叉验证，获取最优的SVM模型参数；
根据该目标函数以及该SVM模型参数构建SVM模型；
对该SVM模型进行模型训练与负荷预测，以获取该SVM模型的第一负荷预测结果。
进一步的，参照图5所示的SVM模型构建、训练及负荷预测整体流程示意图，根据预处理后的历史样本数据形成第一负荷时序特征(该第一负荷时序特征如图4中的“特征1、特征2…特征n”)，将其输入至SVM模型，进行SVM模型的构建、训练及预测，其具体步骤为：a)建立训练样本数据的目标函数；b)SVM模型参数初始化，包括核函数的选取，以及惩罚参数、不敏感损失参数和核函数参数的设置；c)利用网格搜索和交叉验证寻找最优的模型参数；d)根据下述的SVM回归模型进行建模，并对模型进行求解；e)进行负荷预测，以获取该SVM模型的第一负荷预测结果。
其中，从理论出发对SVM回归模型进行进一步的说明：
1)SVM评估函数
给定数据样本集：T＝{(xi,yi)}(i＝1,2,…,l)，其中xi∈Rn为输入变量，yi∈R为相应的输出，l为样本数量。SVM模型采用非线性映射：通过
Rn→RN将低维空间非线性回归映射到高维空间线性回归。SVM评估函数如下：
其中，
为从低维空间到高维空间的映射。
通过最小化函数fSVM可得到系数w和b。最小化函数fSVM如下：
其中，
为样本的训练误差，并采用不敏感损失函数ε来度量；‖w‖2为正则项。由此得到以下关系式：
通过引入松弛变量
将非线性最小化问题转化为线性约束二次规划问题：
2)拉格朗日乘子：
根据非线性对偶原理，将最大化问题转化为最小化问题，并建立无约束拉格朗日方程：
其中，
均为拉格朗日系数。
对各个参数求偏导，如下：
将上述各个参数求偏导公式(公式8至公式11)代入式无约束拉格朗日方程(公式7)中，如下：
对上述公式(公式11与公式12)进行求解，可得到w和f(x)，如下：
通过调整参数c和ε来控制SVM的泛化能力。在SVM模型中，大多数
为零，非零参数/>
是位于决策函数外部或边界上的支持向量。选择使得误差δk＝f(xk)-yk可以唯一被确定的点来计算b：
3)非线性模型及其核函数：
由于大多数问题是非线性的，因此研究非线性回归模型具有重要意义。使用核函数替代<xi,xk>，支持向量机方法可以描述如下：
其中，核函数k(xi,xj)为特征空间
和/>
的内积：/>
任何满足Mecher定理的函数都可以作为核函数，不同的核函数对应不同的非线性决策学习机。本实施例使用高斯径向基核函数：k(xi,x)＝exp(-|x-xi|2/σ2)。因此，SVM模型通过核函数技巧将非线性问题转换为可得到全局最优解的凸规划问题，使得计算过程得到大大简化，极大地提高了计算效率。
S304、根据该第一负荷时序特征及该SVM模型的第一负荷预测结果，进行CNN模型的构建、训练及预测，以获取该CNN模型的负荷预测结果。
在一种可能的实施方式中，将SVM模型的第一负荷预测结果，包括训练集和测试集的预测结果，作为新的特征(如图4中的“特征n+1”)，此时将该新的特征(如图4中的“特征n+1”)与原特征(即上述第一负荷时序特征，“特征1、特征2…特征n”)进行组合，形成“特征1、特征2…特征n、特征n+1”，并将“特征1、特征2…特征n、特征n+1”传入至CNN模型，进行CNN模型的构建、训练及预测；参照图6所示的CNN模型构建、训练及负荷预测整体流程示意图，CNN模型被特别设计用于图像分类任务，该模型可处理二维数据。CNN模型也可用于处理一维数据，将权重共享概念应用于CNN模型，可使其在非线性问题上表现出较高的性能，如时间序列预测、电力负荷预测、股票价格预测等。如图6所示，CNN模型内部结构包含输入层、卷积层、池化层、全连接层以及输出层，首先在卷积层对输入数据上进行卷积转换，然后使用池化层对卷积后的特征进行建模，将其转换为更抽象的形式，最后利用全连接层对池化后的特征进行分类或回归处理，实现输入特征的有效提取或者直接输出结果。
S305、根据该第一负荷时序特征、该SVM模型的第一负荷预测结果及该CNN模型的负荷预测结果，进行SVM模型的第二预测，以获取该SVM模型的第二负荷预测结果。
在一种可能的实施方式中，此处将CNN模型的预测结果作为新特征(如图1中的“特征n+2”)，与原特征(即上述第一负荷时序特征，“特征1、特征2…特征n”)以及该SVM模型的第一负荷预测结果(即上述“特征n+1”)进行组合，形成“特征1、特征2…特征n、特征n+1、特征n+2”，并将“特征1、特征2…特征n、特征n+1、特征n+2”分别输入至GRU模型和SVM模型，分别得到两个模型的预测结果。
S306、根据该第一负荷时序特征、该SVM模型的第一负荷预测结果及该CNN模型的负荷预测结果，进行GRU模型的构建、训练及预测，以获取该GRU模型的负荷预测结果。
在一种可能的实施方式中，参照图7所示的GRU模型构建、训练及负荷预测整体流程示意图，GRU模型作为长短期记忆网络(LSTM)的变体网络，其网络结构更简单，由两个门组成，替代了长短期记忆网络(LSTM)的三个门，将长短期记忆网络(LSTM)中的输入门和遗忘门合并为更新门，并直接应用隐藏状态复位门，这样可使得RNN网络中的梯度爆炸和梯度消失问题得到有效解决，并且由于GRU模型的参数数量更少，使得其训练速度更快，更易收敛。GRU模型的一般表达式如下几个公式所示：
αt＝σ(Wα·[ft-1，xt]+bα)； (19)
βt＝σ(Wβ·[ft-1，xt]+bβ)； (20)
其中，xt、ft-1、αt、βt、
ft分别为输入、前一时刻隐藏层状态、更新门状态、复位门状态、当前时刻的输入与前一时刻隐藏层状态的汇总、当前时刻隐藏层状态；Wα、Wβ、/>
bα、bβ、/>
为可训练权重参数，此时，GRU模型对应的整体架构如图8所示。
S307、对该SVM模型、该CNN模型以及该GRU模型分别对应的负荷预测结果进行动态加权平均处理，以获取该电力系统的最终负荷预测值。
在一种可能的实施方式中，根据该电力系统的多次历史负荷预测结果，对该SVM模型的第二负荷预测结果、该CNN模型的负荷预测结果及该GRU模型的负荷预测结果的权重进行动态分配处理；
根据动态分配处理所得的模型权重对该SVM模型、该CNN模型以及该GRU模型的负荷预测结果进行加权平均，以获取该电力系统的最终负荷预测值。
进一步的，根据各个模型以往的预测性能对相应模型的权重进行动态调整，以提高预测值的准确性，并显著减少负荷预测误差。动态调整的计算公式如下：
其中，pt为第t次预测的最终负荷预测值；m为模型的数量；wi,t、pi,分别为第i种模型在第t次预测时的权重和负荷预测值；ei,为第i种模型在第t-1次预测时的均方根误差；n为第t次预测之前的总预测次数；pi,、
分别为第i种模型在第t-1次预测时的负荷预测值和真实值；ai,表征第i种模型在第t-1次预测时的预测效果。
在一种可能的实施方式中，在获取该电力系统的最终负荷预测值后，获取该电力系统的负荷真实值和样本数量；
根据该电力系统的最终负荷预测值、该负荷真实值和样本数量，获取负荷预测的平均绝对值误差和均方根误差；
根据该平均绝对值误差和该均方根误差，对该最终负荷预测值进行分析和评估。
进一步的，可采用平均绝对相对误差emape和均方根绝对相对误差emse对预测结果进行分析和评估：
其中，
l分别为负荷数据的预测值、真实值和数量。
综上所述，上述方案基于多模型动态融合和相似日样本数据选取的方法，实现对电力系统短期负荷的高精度和快速预测，以满足当前电力调度对于短期负荷预测的要求，提高调度人员的工作效率和工作质量。其中，SVM模型不仅具备更好的泛化能力，即使在历史样本数据较少的情况下也可以兼顾模型的复杂度和推广性，有效解决过拟合问题；还能够得到全局最优解，可使得人工神经网络(ANN)易掉入局部最优陷阱的问题得到解决，SVM模型所需的时间更短，计算效率更高。此外，CNN模型、GRU模型与人工神经网络(ANN)相比，同样具有缩短训练时间和提高预测精度的优势，并且由于GRU模型结构简单，参数较少，因此更易收敛，计算效率也更高。
图9是根据一示例性实施例示出的一种电力负荷的短期预测装置的结构方框图。该装置包括：
历史样本数据获取模块901，用于获取电力系统的历史样本数据；该历史样本数据包括历史负荷数据以及历史气象数据；
第一负荷时序特征获取模块902，用于对该历史样本数据进行预处理，并根据预处理后的该历史样本数据，获取第一负荷时序特征；
模型融合预测模块903，用于根据该第一负荷时序特征，进行SVM模型、CNN模型以及GRU模型的融合预测，以获取该SVM模型、该CNN模型以及该GRU模型分别对应的负荷预测结果；
最终负荷预测值获取模块904，用于对该SVM模型、该CNN模型以及该GRU模型分别对应的负荷预测结果进行动态加权平均处理，以获取该电力系统的最终负荷预测值。
在一种可能的实施方式中，该模型融合预测模块903，包括：
第一负荷预测结果获取单元，用于根据该第一负荷时序特征，进行SVM模型的构建、训练及预测，以获取该SVM模型的第一负荷预测结果；
CNN模型预测单元，用于根据该第一负荷时序特征及该SVM模型的第一负荷预测结果，进行CNN模型的构建、训练及预测，以获取该CNN模型的负荷预测结果；
SVM模型预测单元，用于根据该第一负荷时序特征、该SVM模型的第一负荷预测结果及该CNN模型的负荷预测结果，进行SVM模型的第二预测，以获取该SVM模型的第二负荷预测结果；
GRU模型预测单元，用于根据该第一负荷时序特征、该SVM模型的第一负荷预测结果及该CNN模型的负荷预测结果，进行GRU模型的构建、训练及预测，以获取该GRU模型的负荷预测结果。
在一种可能的实施方式中，第一负荷预测结果获取单元，还用于：
根据该第一负荷时序特征，构建该历史样本数据中训练样本数据的目标函数，并实现SVM模型参数初始化；
通过网格搜索以及交叉验证，获取最优的SVM模型参数；
获取SVM回归模型，并根据该SVM回归模型构建SVM模型；
对该SVM模型进行模型训练与负荷预测，以获取该SVM模型的第一负荷预测结果。
在一种可能的实施方式中，该最终负荷预测值获取模块904，还用于：
根据该电力系统的多次历史负荷预测结果，对该SVM模型的第二负荷预测结果、该CNN模型的负荷预测结果及该GRU模型的负荷预测结果的权重进行动态分配处理；
根据动态分配处理所得的模型权重对该SVM模型、该CNN模型以及该GRU模型的负荷预测结果进行加权平均，以获取该电力系统的最终负荷预测值。
在一种可能的实施方式中，该装置还用于：
获取该电力系统的负荷真实值和样本数量；
根据该电力系统的最终负荷预测值、该负荷真实值和样本数量，获取负荷预测的平均绝对值误差和均方根误差；
根据该平均绝对值误差和该均方根误差，对该最终负荷预测值进行分析和评估。
在一种可能的实施方式中，该第一负荷时序特征获取模块902，包括：
平滑处理单元，用于对该历史样本数据进行误差数据的提取，并对该误差数据进行平滑处理；
补齐处理单元，用于对该历史样本数据中缺失的数据，采用线性差值的方式进行补齐处理；
相似日样本数据选取单元，用于对经过平滑处理与补齐处理后的历史样本数据进行相似日样本数据选取，以获取预处理后的该历史样本数据。
在一种可能的实施方式中，该相似日样本数据选取单元，用于：
根据该经过平滑处理与补齐处理后的历史样本数据，获取各个历史日与预测日的时间间隔相似度、日期类型相似度以及天气差异相似度；
根据该时间间隔相似度、该日期类型相似度以及该天气差异相似度的乘积，获取各个历史日与预测日的综合相似度；
将该综合相似度按照从大到小的顺序进行排序，并选取前目标数量的历史日作为相似日；
根据该相似日，对该经过平滑处理与补齐处理后的历史样本数据进行相似日样本数据选取，以获取预处理后的该历史样本数据。
综上所述，上述方案基于多模型动态融合和相似日样本数据选取的方法，实现对电力系统短期负荷的高精度和快速预测，以满足当前电力调度对于短期负荷预测的要求，提高调度人员的工作效率和工作质量。其中，SVM模型不仅具备更好的泛化能力，即使在历史样本数据较少的情况下也可以兼顾模型的复杂度和推广性，有效解决过拟合问题；还能够得到全局最优解，可使得人工神经网络(ANN)易掉入局部最优陷阱的问题得到解决，SVM模型所需的时间更短，计算效率更高。此外，CNN模型、GRU模型与人工神经网络(ANN)相比，同样具有缩短训练时间和提高预测精度的优势，并且由于GRU模型结构简单，参数较少，因此更易收敛，计算效率也更高。
图10示出了本申请一示例性实施例示出的一种计算机设备的结构框图。所述计算机设备包括存储器和处理器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，实现上述的一种电力负荷的短期预测方法。
其中，处理器可以为中央处理器(Central Processing Unit，CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施方式中的方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施方式中的方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请一个实施方式还提供一种计算机存储介质，所述计算机存储介质用于存储计算机程序，所述计算机程序被处理器执行时，实现上述的一种电力负荷的短期预测方法。
本领域技术人员可以理解，实现上述实施方式方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施方式的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种电力负荷的短期预测方法，其特征在于，所述方法包括：
获取电力系统的历史样本数据；所述历史样本数据包括历史负荷数据以及历史气象数据；
对所述历史样本数据进行预处理，并根据预处理后的所述历史样本数据，获取第一负荷时序特征；
根据所述第一负荷时序特征，进行SVM模型、CNN模型以及GRU模型的融合预测，以获取所述SVM模型、所述CNN模型以及所述GRU模型分别对应的负荷预测结果；
对所述SVM模型、所述CNN模型以及所述GRU模型分别对应的负荷预测结果进行动态加权平均处理，以获取所述电力系统的最终负荷预测值。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一负荷时序特征，进行SVM模型、CNN模型以及GRU模型的融合预测，以获取所述SVM模型、所述CNN模型以及所述GRU模型分别对应的负荷预测结果，包括：
根据所述第一负荷时序特征，进行SVM模型的构建、训练及预测，以获取所述SVM模型的第一负荷预测结果；
根据所述第一负荷时序特征及所述SVM模型的第一负荷预测结果，进行CNN模型的构建、训练及预测，以获取所述CNN模型的负荷预测结果；
根据所述第一负荷时序特征、所述SVM模型的第一负荷预测结果及所述CNN模型的负荷预测结果，进行SVM模型的第二预测，以获取所述SVM模型的第二负荷预测结果；
根据所述第一负荷时序特征、所述SVM模型的第一负荷预测结果及所述CNN模型的负荷预测结果，进行GRU模型的构建、训练及预测，以获取所述GRU模型的负荷预测结果。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一负荷时序特征，进行SVM模型的构建、训练及预测，以获取所述SVM模型的第一负荷预测结果，包括：
根据所述第一负荷时序特征，构建所述历史样本数据中训练样本数据的目标函数，并实现SVM模型参数初始化；
通过网格搜索以及交叉验证，获取最优的SVM模型参数；
根据所述目标函数以及所述SVM模型参数构建SVM模型；
对所述SVM模型进行模型训练与负荷预测，以获取所述SVM模型的第一负荷预测结果。
4.根据权利要求2所述的方法，其特征在于，所述对所述SVM模型、所述CNN模型以及所述GRU模型分别对应的负荷预测结果进行动态加权平均处理，以获取所述电力系统的最终负荷预测值，包括：
根据所述电力系统的多次历史负荷预测结果，对所述SVM模型的第二负荷预测结果、所述CNN模型的负荷预测结果及所述GRU模型的负荷预测结果的权重进行动态分配处理；
根据动态分配处理所得的模型权重对所述SVM模型、所述CNN模型以及所述GRU模型的负荷预测结果进行加权平均，以获取所述电力系统的最终负荷预测值。
5.根据权利要求1所述的方法，其特征在于，在所述获取所述电力系统的最终负荷预测值后，所述方法还包括：
获取所述电力系统的负荷真实值和样本数量；
根据所述电力系统的最终负荷预测值、所述负荷真实值和样本数量，获取负荷预测的平均绝对值误差和均方根误差；
根据所述平均绝对值误差和所述均方根误差，对所述最终负荷预测值进行分析和评估。
6.根据权利要求1至5任一所述的方法，其特征在于，所述对所述历史样本数据进行预处理，并根据预处理后的所述历史样本数据，获取第一负荷时序特征，包括：
对所述历史样本数据进行误差数据的提取，并对所述误差数据进行平滑处理；
对所述历史样本数据中缺失的数据，采用线性差值的方式进行补齐处理；
对经过平滑处理与补齐处理后的历史样本数据进行相似日样本数据选取，以获取预处理后的所述历史样本数据。
7.根据权利要求6所述的方法，其特征在于，所述对经过平滑处理与补齐处理后的历史样本数据进行相似日样本数据选取，以获取预处理后的所述历史样本数据，包括：
根据所述经过平滑处理与补齐处理后的历史样本数据，获取各个历史日与预测日的时间间隔相似度、日期类型相似度以及天气差异相似度；
根据所述时间间隔相似度、所述日期类型相似度以及所述天气差异相似度的乘积，获取各个历史日与预测日的综合相似度；
将所述综合相似度按照从大到小的顺序进行排序，并选取前目标数量的历史日作为相似日；
根据所述相似日，对所述经过平滑处理与补齐处理后的历史样本数据进行相似日样本数据选取，以获取预处理后的所述历史样本数据。
8.一种电力负荷的短期预测装置，其特征在于，所述装置包括：
历史样本数据获取模块，用于获取电力系统的历史样本数据；所述历史样本数据包括历史负荷数据以及历史气象数据；
第一负荷时序特征获取模块，用于对所述历史样本数据进行预处理，并根据预处理后的所述历史样本数据，获取第一负荷时序特征；
模型融合预测模块，用于根据所述第一负荷时序特征，进行SVM模型、CNN模型以及GRU模型的融合预测，以获取所述SVM模型、所述CNN模型以及所述GRU模型分别对应的负荷预测结果；
最终负荷预测值获取模块，用于对所述SVM模型、所述CNN模型以及所述GRU模型分别对应的负荷预测结果进行动态加权平均处理，以获取所述电力系统的最终负荷预测值。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如权利要求1至7任一所述的一种电力负荷的短期预测方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至7任一所述的一种电力负荷的短期预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310120245.7A CN116151449A (zh) | 2023-02-15 | 2023-02-15 | 一种电力负荷的短期预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310120245.7A CN116151449A (zh) | 2023-02-15 | 2023-02-15 | 一种电力负荷的短期预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116151449A true CN116151449A (zh) | 2023-05-23 |
Family
ID=86359665
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310120245.7A Pending CN116151449A (zh) | 2023-02-15 | 2023-02-15 | 一种电力负荷的短期预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116151449A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116753561A (zh) * | 2023-08-14 | 2023-09-15 | 陕西拓普索尔电子科技有限责任公司 | 供热控制方法、控制装置和供热系统 |
-
2023
- 2023-02-15 CN CN202310120245.7A patent/CN116151449A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116753561A (zh) * | 2023-08-14 | 2023-09-15 | 陕西拓普索尔电子科技有限责任公司 | 供热控制方法、控制装置和供热系统 |
| CN116753561B (zh) * | 2023-08-14 | 2024-01-09 | 陕西拓普索尔电子科技有限责任公司 | 供热控制方法、控制装置和供热系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shabri et al. | Streamflow forecasting using least-squares support vector machines | |
| Yang et al. | An improved WM method based on PSO for electric load forecasting | |
| CN108388962B (zh) | 一种风电功率预测系统及方法 | |
| Elattar et al. | Short term electric load forecasting using hybrid algorithm for smart cities | |
| CN110689183B (zh) | 一种集群光伏功率概率预测方法、系统、介质及电子设备 | |
| Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
| Marndi et al. | Short-term forecasting of wind speed using time division ensemble of hierarchical deep neural networks | |
| Deng et al. | Deep insight into daily runoff forecasting based on a CNN-LSTM model | |
| CN115271186B (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
| CN116151449A (zh) | 一种电力负荷的短期预测方法及装置 | |
| Stergiou et al. | Application of deep learning and chaos theory for load forecasting in Greece | |
| Guo et al. | Optimisation methods for dispatch and control of energy storage with renewable integration | |
| Dutt et al. | Artificial intelligence and technology in weather forecasting and renewable energy systems: emerging techniques and worldwide studies | |
| Dogra et al. | Consumers profiling based federated learning approach for energy load forecasting | |
| Irshada et al. | SMOTE and ExtraTreesRegressor based random forest technique for predicting Australian rainfall | |
| Kiruthiga et al. | Intraday time series load forecasting using Bayesian deep learning method—a new approach | |
| Abdallah et al. | A vector autoregressive methodology for short-term weather forecasting: tests for Lebanon | |
| Deepa et al. | Intelligent neural learning models for multi-step wind speed forecasting in renewable energy applications | |
| Raj et al. | ArDHO-deep RNN: autoregressive deer hunting optimization based deep recurrent neural network in investigating atmospheric and oceanic parameters | |
| Zhai et al. | Combining PSO-SVR and Random Forest Based Feature Selection for Day-ahead Peak Load Forecasting. | |
| Lei et al. | Forecasting short-term residential electricity consumption using a deep fusion model | |
| Xu et al. | Federated learning for interpretable short-term residential load forecasting in edge computing network | |
| CN115965160A (zh) | 一种数据中心能耗预测方法、装置、存储介质及电子设备 | |
| Liu et al. | Adaptive recollected RNN for workload forecasting in database-as-a-service | |
| Ruciński | Neural modelling of electricity prices quoted on the Day-Ahead Market of TGE SA shaped by environmental and economic factors |
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 |