CN116362300A - 区域电网异常扰动数量预测方法、装置、介质及电子设备 - Google Patents
区域电网异常扰动数量预测方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN116362300A CN116362300A CN202210762644.9A CN202210762644A CN116362300A CN 116362300 A CN116362300 A CN 116362300A CN 202210762644 A CN202210762644 A CN 202210762644A CN 116362300 A CN116362300 A CN 116362300A
- Authority
- CN
- China
- Prior art keywords
- power grid
- disturbance quantity
- regional power
- prediction result
- prediction
- 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.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000010355 oscillation Effects 0.000 claims abstract description 62
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000007499 fusion processing Methods 0.000 claims abstract description 7
- 238000013016 damping Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 241001123248 Arma Species 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000007788 liquid Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 101000709114 Homo sapiens SAFB-like transcription modulator Proteins 0.000 description 1
- 102100032664 SAFB-like transcription modulator Human genes 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000001744 unit root test 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本发明公开了一种区域电网异常扰动数量预测方法、装置、介质及电子设备。其中，方法包括：采集预测时间之间的预定时间内的区域电网数据，并根据预先训练的LSTM预测模型对区域电网数据进行预测分析，确定第一振荡扰动数量预测结果以及扰动空间预测结果；根据预先训练的GARCH预测模型对区域电网数据进行预测分析，确定第二振荡扰动数量预测结果；利用熵权法对第一振荡扰动数量预测结果以及第二振荡扰动数量预测结果进行融和处理，确定区域电网的异常扰动数量预测结果，异常扰动数量预测结果用于指示区域电网的异常扰动程度；根据异常扰动数量预测结果以及扰动空间预测结果，确定预测时间的异常扰动数量预测结果。
Description
技术领域
本发明涉及电网数据处理技术领域，并且更具体地，涉及一种区域电网异常扰动数量预测方法、装置、介质及电子设备。
背景技术
高效精确的区域电网短期异常扰动数量预测是未来新型电力系统稳定性分析与预防控制的关键技术之一，其旨在提高电网应对新能源、大功率非旋转型电源接入形态下的交流电力系统的运行能力。但是现有的预测方法通过单模型进行区域电网短期异常扰动数量的精度和稳定性不足，无法实现区域电网短期异常扰动数量的准确预测。
发明内容
针对现有技术的不足，本发明提供一种区域电网异常扰动数量预测方法、装置、介质及电子设备。
根据本发明的一个方面，提供了一种区域电网异常扰动数量预测方法，包括：
采集预测时间之间的预定时间内的区域电网数据，并根据预先训练的LSTM预测模型对区域电网数据进行预测分析，确定第一振荡扰动数量预测结果以及扰动空间预测结果；
根据预先训练的GARCH预测模型对区域电网数据进行预测分析，确定第二振荡扰动数量预测结果；
利用熵权法对第一振荡扰动数量预测结果以及第二振荡扰动数量预测结果进行融和处理，确定区域电网的异常扰动数量预测结果，异常扰动数量预测结果用于指示区域电网的异常扰动程度；
根据异常扰动数量预测结果以及扰动空间预测结果，确定预测时间的异常扰动数量预测结果。
可选地，区域电网数据包括日最大振幅、振幅均值、振动数量、最弱阻尼以及均值阻尼时间序列数据，根据预先训练的LSTM模型对区域电网数据进行预测分析，确定第一振荡扰动数量预测结果以及扰动空间预测结果的操作，包括：
根据LSTM预测模型分别对区域电网的预定时间内传感器的日最大振幅、振幅均值、振动数量、最弱阻尼以及均值阻尼时间序列数据进行预测，分别确定每个传感器的传感器振荡扰动数量预测结果；
根据每个传感器的传感器振荡扰动数量预测结果，确定第一振荡扰动数量预测结果以及扰动空间预测结果。
可选地，根据预先训练的GARCH预测模型对区域电网数据进行预测分析，确定第二振荡扰动数量预测结果的操作，包括：
根据GARCH预测模型对预定时间内的振动数量时间序列进行预测，确定区域电网的第二振荡扰动数量预测结果。
可选地，还包括：通过下述步骤对LSTM预测模型进行训练：
采集区域电网历史数据，并对区域电网历史数据进行预处理，确定日最大振幅、振幅均值、数量、最弱阻尼、均值阻尼时间序列数据以及日异常扰动数量数据；
将日最大振幅、振幅均值、振动数量、最弱阻尼、均值阻尼时间序列数据作为输入数据，并将日异常扰动数量数据作为输出，根据ARMA模型对LSTM预测模型进行初始化定阶；
利用遗传算法对LSTM预测模型进行超参数计算，确定LSTM预测模型的超参数。
可选地，还包括：
采集预测时间的日振荡异常扰动数量；
根据异常扰动数量预测结果以及日振荡扰动数量，确定预测误差；
根据预测误差对GARCH预测模型进行参数优化。
根据本发明的另一个方面，提供了一种区域电网异常扰动数量预测装置，包括：
第一确定模块，用于采集预测时间之间的预定时间内的区域电网数据，并根据预先训练的LSTM预测模型对区域电网数据进行预测分析，确定第一振荡扰动数量预测结果以及扰动空间预测结果；
第二确定模块，用于根据预先训练的GARCH预测模型对区域电网数据进行预测分析，确定第二振荡扰动数量预测结果；
第三确定模块，用于利用熵权法对第一振荡扰动数量预测结果以及第二振荡扰动数量预测结果进行融和处理，确定区域电网的异常扰动数量预测结果，异常扰动数量预测结果用于指示区域电网的异常扰动程度；
第四确定模块，用于根据异常扰动数量预测结果以及扰动空间预测结果，确定预测时间的异常扰动数量预测结果。
根据本发明的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明上述任一方面所述的方法。
根据本发明的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明上述任一方面所述的方法。
从而，本发明即从区域电网日扰动数量的预测角度出发，着力于区域电网日扰动数量影响因素的探究和其预测精度的提升。同时考虑到区域电网日扰动数量数据是基于时间的序列值，前后存在一定的关联性，而深度神经网络LSTM非常适合用于处理与时间序列高度相关的问题，这是本发明基于LSTM模型进行区域电网日扰动数量的原因，最后经过数据预处理、特征变换、维度转换、模型优化等步骤，预测模型的精度得到了很大的提升，达到了0.88以上，这种数据驱动的模型完全是数据本身，从而避免了基于机理模型的诸多影响因素带来的不确定性。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1是本发明一示例性实施例提供的区域电网异常扰动数量预测方法的流程示意图；
图2是本发明一示例性实施例提供的模型训练及预测的过程示意图；
图3是本发明一示例性实施例提供的区域电网异常扰动数量预测装置的结构示意图；
图4是本发明一示例性实施例提供的电子设备的结构。
具体实施方式
下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
本领域技术人员可以理解，本发明实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
还应理解，在本发明实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本发明实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本发明中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。
还应理解，本发明对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
示例性方法
图1是本发明一示例性实施例提供的区域电网异常扰动数量预测方法的流程示意图，图2示出了区域电网异常扰动数量预测模型训练以及预测过程的示意图。本实施例可应用在电子设备上，如图1所示，区域电网异常扰动数量预测方法100包括以下步骤：
步骤101，采集预测时间之间的预定时间内的区域电网数据，并根据预先训练的LSTM预测模型对区域电网数据进行预测分析，确定第一振荡扰动数量预测结果以及扰动空间预测结果。
其中，预定时间可以为预测时间的前三天、前两天等数据(具体的定阶时间此处不做限定)，例如当预定时间为三天的情况下，在预测时间为5月6号的时候，那么预定时间内的区域电网数据即为5月3号、5月4号以及5月5号的数据。
其中，例如区域电网内的传感器为10*10矩阵，即与00个传感器，从而可以得到10*10矩阵的扰动空间预测结果，从而可以确定各个传感器的扰动情况。
可选地，区域电网数据包括日最大振幅、振幅均值、振动数量、最弱阻尼以及均值阻尼时间序列数据。
Step1数据动态预处理阶段
根据权利要求1所述的基于GARCH-LSTM模型的区域电网短期异常扰动数量预测，其特征是，所述S1包括以下内容：
首先基于D5000系统，将收集到的海量区域电网异常波动等各种历史时序数据，先进行人工初步分析以对数据有一定的认识，排除电网线路短路跳闸故障、机组跳闸故障所引起的大型波动，之后将数据合并整理成三类5个时间序列：
(1)区域电网日扰动振幅特征系数时间序列：(1).1通过对历史上逐日序列的扰动记录进行PRONY分析，得出每一次扰动主导频率段的幅值，并将该幅值定义为日最大扰动幅值，由此得出历史日最大振幅序列，A＝(A1，A2，。。。An)。n为最大历史日记录数组长度。(1).2区域电网振荡幅值均值子序列B＝(B1,B2，。。。Bn)。n为最大历史日记录数组长度。
(2)区域电网扰动阻尼特征系数时间序列：(2).1通过对历史上逐日序列的扰动记录进行PRONY分析，得出每一次扰动主导频率段的幅值，并将该幅值定义为日最大扰动幅值，由此得出历史日最大振幅序列，C＝(C1,C2，...Cn)。n为最大历史日记录数组长度。(2).2均值D＝(D1,D2，...Dn)，n为最大历史日记录数组长度。
(3)区域电网扰动数量时间序列：通过对历史上逐日序列的扰动记录进行PRONY分析，得出每一次扰动主导频率段的幅值，并将该幅值定义为日最大扰动幅值，由此得出历史日最大振幅序列，E＝(E1,E2，。。。En)。n为最大历史日记录数组长度。
共计5个序列。
可选地，参考图2所示，根据预先训练的LSTM模型对区域电网数据进行预测分析，确定第一振荡扰动数量预测结果以及扰动空间预测结果的操作，包括：
根据LSTM预测模型分别对区域电网的预定时间内传感器的日最大振幅、振幅均值、振动数量、最弱阻尼以及均值阻尼时间序列数据进行预测，分别确定每个传感器的传感器振荡扰动数量预测结果；
根据每个传感器的传感器振荡扰动数量预测结果，确定第一振荡扰动数量预测结果以及扰动空间预测结果。
可选地，参考图2所示，还包括：通过下述步骤对LSTM预测模型进行训练：
采集区域电网历史数据，并对区域电网历史数据进行预处理，确定日最大振幅、振幅均值、数量、最弱阻尼、均值阻尼时间序列数据以及日异常扰动数量数据；
将日最大振幅、振幅均值、振动数量、最弱阻尼、均值阻尼时间序列数据作为输入数据，并将日异常扰动数量数据作为输出，根据ARMA模型对LSTM预测模型进行初始化定阶；
利用遗传算法对LSTM预测模型进行超参数计算，确定LSTM预测模型的超参数。
具体地，LSTM预测算法可以对矩阵内的每个传感器进行预测，得到每个传感器的扰动情况，在将100个传感器的预测结果进行整合即可得到区域电网的异常扰动数量预测结果。
Step2动态超参数LSTM模型训练调整阶段
Step2.1首先采用ARMA建模预测方法对模型进行初始化定阶
对区域电网扰动数量时间序列进行模型，ARMA模型实现简单，速度较快，比较适合本系统预测的前期阶段的初步预测。
Step2.2采用遗传算法对LSTM超参数进行确定
LSTM的时间训练步长、LSTM层节点数及学习速率。
设时间训练步长为隐层数量，LSTM层节点数N_hide，学习速率为V_learning；
该数组为一个1*3的1维数组，
适应度函数为：每次lstm训练完成之后的最终loss值；
Step3 LSTM预测阶段
作为优选，所述S3包括以下内容：LSTM模型训练及超参数优化完成后，便可进行区域电网日扰动数量的预测，在预测前需要对日扰动时间序列再做同之前S1数据预处理的工作，即对要预测的数据进行预处理，最后输入模型，得到未来1天的区域电网日扰动数量，进而判断区域电网的异常扰动严重程度。
作为优选，所述遗忘门用于确定神经元状态中丢弃哪些信息，利用上一时刻的隐藏信息ht-1和当前信息xt以及权重矩阵Wf，并通过Sigmoid层输出后与细胞状态Ct-1作数组乘积，其计算公式为：
作为优选，所述遗忘门其计算公式为：
ft＝σ(Wfg[ht-1,xt]+bf)
其中，对于初始状态下的隐藏信息即ho，可用全0矩阵代替，权重矩阵Wf和偏置bf是参数，可设为相应大小的随机数组，在反向传播时会对其进行梯度更新；
σ为sigmoid激活函数，表达式为：
使用了前2天的液位数据预测后1天的液位数据，即前24个液位数据预测后12个液位数据，对应的时间步长为24，所以当前信息x t的大小为[24，1]的矩阵，最后经Sigmoid层输出ft后，取值在[0，1]之间，可表示为上一层细胞状态被保留的概率，0表示完全舍弃，1表示完全保留。(我们的跟这个还不一样，我们可能是前3天的数据预测后1天的数据)
作为优选，所述更新门用于确定信息以存放于细胞状态中，包括两个部分：(1)使用sigmoid激活函数输出it；其值在[0，1]之间，用来确定哪些信息需要进行更新；(2)利用tanh层创建一个新的候选值向量
然后两者相乘即/>
为当前获得的最新信息：
至此，根据遗忘门的输出ft控制上一状态Ct-1的保留程度，再结合当前的最新信息
得到SLTM细胞最新状态Ct，用公式表示为：
it＝σ(Wi[ht-1,xt]+bi)
变量说明：
Wi,Wc：相应神经网络层权重矩阵
bi,bc：响应神经网络层权重矩阵
tanh：双曲正切激活函数，表达式为：
it：当前信息保留的程度
ft：遗忘门输出矩阵
Ct-1：上一时刻细胞状态的控制信息。
作为优选，所述输出门用于确定哪些信息作为输出，输出信息时将利用sigmoid层输出ot来确定哪些信息需要保留，再与更新后的细胞状态信息通过tanh层激活处理后，进行数组乘积，最终得到输出信息，即最后的12个液位的等效数据，
用公式表示为：
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
变量说明：
Wo，bo：输出门神经网络层权重矩阵和偏执向量，在反向传播过程中会进行更新；
ot：输出信息保留程度；
Ct：当前细胞态信息；
ht：当前隐藏态信息；
步骤102，根据预先训练的GARCH预测模型对区域电网数据进行预测分析，确定第二振荡扰动数量预测结果。
可选地，参考图2所示，根据预先训练的GARCH预测模型对区域电网数据进行预测分析，确定第二振荡扰动数量预测结果的操作，包括：
根据GARCH预测模型对预定时间内的振动数量时间序列进行预测，确定区域电网的第二振荡扰动数量预测结果。
可选地，参考图2所示，还包括：
采集预测时间的日振荡异常扰动数量；
根据异常扰动数量预测结果以及日振荡扰动数量，确定预测误差；
根据预测误差对GARCH预测模型进行参数优化。
具体地，滚动更新后即采集预测时间的日振荡异常扰动数量，通过实际数据与预测数据进行相减得到误差结果。
Step4 GARCH模型动态调整阶段
根据反馈的损失值，计算调整GARCH模型。
(1)序列平稳性检测。对历史航迹中的经纬度和高度序列通过散点图和ADF单位根检验进行平稳性测试，结果显示原始的经纬度和高度序列均是非平稳的，所以需要对其差分变化，使之平稳。
(2)序列平稳化。对经度、纬度和高度序列进行二次差分之后，满足平稳性要求。
(3)模型识别和定阶。选取p和q小于等于6中BIC信息量最小时p和q的值，最终确定的经度和纬度模型的参数p＝0，d＝2，q＝1；高度模型的参数p＝2，d＝2，q＝3。
(4)模型检验。对经度、纬度和高度模型进行残差白噪声检验，结果显示符合要求，所以模型的参数选取是合适的。
(5)模型预测。采用循环迭代的方法对LSTM模型预测的同一时间段的经纬度和高度进行预测。
步骤103，利用熵权法对第一振荡扰动数量预测结果以及第二振荡扰动数量预测结果进行融和处理，确定区域电网的异常扰动数量预测结果，异常扰动数量预测结果用于指示区域电网的异常扰动程度；
Step5使用熵权法确定评价最终指标
本发明中有两列评价指标，即GARCH模型预测指标及LSTM模型预测指标。
步骤104，参考图2所示，根据异常扰动数量预测结果以及扰动空间预测结果，确定预测时间的异常扰动数量预测结果。
具体地，空间预测结果的总和数值存在与通过熵权法融合得到结果不近一致的情况。采用如下方法处理：即将空间预测结果归一化，并以熵权法融合得到的结果为基础在重新分配至各节点数值上，从而修正原有的空间预测结果。
本发明即从区域电网日扰动数量的预测角度出发，着力于区域电网日扰动数量影响因素的探究和其预测精度的提升。同时考虑到区域电网日扰动数量数据是基于时间的序列值，前后存在一定的关联性，而深度神经网络LSTM非常适合用于处理与时间序列高度相关的问题，这是本发明基于LSTM模型进行区域电网日扰动数量的原因，
最后经过数据预处理、特征变换、维度转换、模型优化等步骤，预测模型的精度得到了很大的提升，达到了0.88以上。这种数据驱动的模型完全是数据本身，从而避免了基于机理模型的诸多影响因素带来的不确定性。
示例性装置
图3是本发明一示例性实施例提供的区域电网异常扰动数量预测装置的结构示意图。如图3所示，装置300包括：
第一确定模块310，用于采集预测时间之间的预定时间内的区域电网数据，并根据预先训练的LSTM预测模型对区域电网数据进行预测分析，确定第一振荡扰动数量预测结果以及扰动空间预测结果；
第二确定模块320，用于根据预先训练的GARCH预测模型对区域电网数据进行预测分析，确定第二振荡扰动数量预测结果；
第三确定模块330，用于利用熵权法对第一振荡扰动数量预测结果以及第二振荡扰动数量预测结果进行融和处理，确定区域电网的异常扰动数量预测结果，异常扰动数量预测结果用于指示区域电网的异常扰动程度；
第四确定模块340，用于根据异常扰动数量预测结果以及扰动空间预测结果，确定预测时间的异常扰动数量预测结果。
可选地，区域电网数据包括日最大振幅、振幅均值、数量、最弱阻尼以及均值阻尼时间序列数据，第一确定模块310，包括：
第一确定子模块，用于根据LSTM预测模型分别对区域电网的预定时间内传感器的日最大振幅、振幅均值、数量、最弱阻尼以及均值阻尼时间序列数据进行预测，分别确定每个传感器的传感器振荡扰动数量预测结果；
第二确定子模块，用于根据每个传感器的传感器振荡扰动数量预测结果，确定第一振荡扰动数量预测结果以及扰动空间预测结果。
可选地，第二确定模块320，包括：
第三确定子模块，用于根据GARCH预测模型对预定时间内的数量时间序列进行预测，确定区域电网的第二振荡扰动数量预测结果。
可选地，装置300还包括：通过下述步骤对LSTM预测模型进行训练：
第五确定模块，用于采集区域电网历史数据，并对区域电网历史数据进行预处理，确定日最大振幅、振幅均值、数量、最弱阻尼、均值阻尼时间序列数据以及日异常扰动数量数据；
初始化模块，用于将日最大振幅、振幅均值、振动数量、最弱阻尼、均值阻尼时间序列数据作为输入数据，并将日异常扰动数量数据作为输出，根据ARMA模型对LSTM预测模型进行初始化定阶；
第六确定模块，用于利用遗传算法对LSTM预测模型进行超参数计算，确定LSTM预测模型的超参数。
可选地，装置300还包括：
采集模块，用于采集预测时间的日振荡异常扰动数量；
第七确定模块，用于根据异常扰动数量预测结果以及日振荡扰动数量，确定预测误差；
优化模块，用于根据预测误差对GARCH预测模型进行参数优化。
示例性电子设备
图4是本发明一示例性实施例提供的电子设备的结构。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。图4图示了根据本发明实施例的电子设备的框图。如图4所示，电子设备400包括一个或多个处理器401和存储器402。
处理器401可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器4402可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器401可以运行所述程序指令，以实现上文所述的本发明的各个实施例的软件程序的对历史变更记录进行信息挖掘的方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输入装置403和输出装置404，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
此外，该输入装置403还可以包括例如键盘、鼠标等等。
该输出装置404可以向外部输出各种信息。该输出装置404可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图4中仅示出了该电子设备中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的对历史变更记录进行信息挖掘的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的对历史变更记录进行信息挖掘的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。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。
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明中涉及的器件、系统、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、系统、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
还需要指出的是，在本发明的系统、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种区域电网异常扰动数量预测方法，其特征在于，包括：
采集预测时间之间的预定时间内的区域电网数据，并根据预先训练的LSTM预测模型对所述区域电网数据进行预测分析，确定第一振荡扰动数量预测结果以及扰动空间预测结果；
根据预先训练的GARCH预测模型对所述区域电网数据进行预测分析，确定第二振荡扰动数量预测结果；
利用熵权法对所述第一振荡扰动数量预测结果以及所述第二振荡扰动数量预测结果进行融和处理，确定区域电网的异常扰动数量预测结果，所述异常扰动数量预测结果用于指示所述区域电网的异常扰动程度；
根据所述异常扰动数量预测结果以及所述扰动空间预测结果，确定所述预测时间的异常扰动数量预测结果。
2.根据权利要求1所述的方法，其特征在于，所述区域电网数据包括日最大振幅、振幅均值、振动数量、最弱阻尼以及均值阻尼时间序列数据，根据预先训练的LSTM模型对所述区域电网数据进行预测分析，确定第一振荡扰动数量预测结果以及扰动空间预测结果的操作，包括：
根据所述LSTM预测模型分别对所述区域电网的所述预定时间内传感器的所述日最大振幅、所述振幅均值、所述振动数量、所述最弱阻尼以及所述均值阻尼时间序列数据进行预测，分别确定每个传感器的传感器振荡扰动数量预测结果；
根据每个传感器的传感器振荡扰动数量预测结果，确定所述第一振荡扰动数量预测结果以及所述扰动空间预测结果。
3.根据权利要求2所述的方法，其特征在于，根据预先训练的GARCH预测模型对所述区域电网数据进行预测分析，确定第二振荡扰动数量预测结果的操作，包括：
根据所述GARCH预测模型对所述预定时间内的所述振动数量时间序列进行预测，确定所述区域电网的所述第二振荡扰动数量预测结果。
4.根据权利要求1所述的方法，其特征在于，还包括：通过下述步骤对所述LSTM预测模型进行训练：
采集区域电网历史数据，并对所述区域电网历史数据进行预处理，确定日最大振幅、振幅均值、数量、最弱阻尼、均值阻尼时间序列数据以及日异常扰动数量数据；
将所述日最大振幅、振幅均值、振动数量、最弱阻尼、均值阻尼时间序列数据作为输入数据，并将所述日异常扰动数量数据作为输出，根据ARMA模型对所述LSTM预测模型进行初始化定阶；
利用遗传算法对所述LSTM预测模型进行超参数计算，确定所述LSTM预测模型的超参数。
5.根据权利要求1所述的方法，其特征在于，还包括：
采集所述预测时间的日振荡异常扰动数量；
根据所述异常扰动数量预测结果以及所述日振荡扰动数量，确定预测误差；
根据所述预测误差对所述GARCH预测模型进行参数优化。
6.一种区域电网异常扰动数量预测装置，其特征在于，包括：
第一确定模块，用于采集预测时间之间的预定时间内的区域电网数据，并根据预先训练的LSTM预测模型对所述区域电网数据进行预测分析，确定第一振荡扰动数量预测结果以及扰动空间预测结果；
第二确定模块，用于根据预先训练的GARCH预测模型对所述区域电网数据进行预测分析，确定第二振荡扰动数量预测结果；
第三确定模块，用于利用熵权法对所述第一振荡扰动数量预测结果以及所述第二振荡扰动数量预测结果进行融和处理，确定区域电网的异常扰动数量预测结果，所述异常扰动数量预测结果用于指示所述区域电网的异常扰动程度；
第四确定模块，用于根据所述异常扰动数量预测结果以及所述扰动空间预测结果，确定所述预测时间的异常扰动数量预测结果。
7.根据权利要求6所述的装置，其特征在于，所述区域电网数据包括日最大振幅、振幅均值、数量、最弱阻尼以及均值阻尼时间序列数据，第一确定模块，包括：
第一确定子模块，用于根据所述LSTM预测模型分别对所述区域电网的所述预定时间内传感器的所述日最大振幅、所述振幅均值、所述数量、所述最弱阻尼以及所述均值阻尼时间序列数据进行预测，分别确定每个传感器的传感器振荡扰动数量预测结果；
第二确定子模块，用于根据每个传感器的传感器振荡扰动数量预测结果，确定所述第一振荡扰动数量预测结果以及所述扰动空间预测结果。
8.根据权利要求7所述的装置，其特征在于，第二确定模块，包括：
第三确定子模块，用于根据所述GARCH预测模型对所述预定时间内的所述数量时间序列进行预测，确定所述区域电网的所述第二振荡扰动数量预测结果。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-5任一所述的方法。
10.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-5任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210762644.9A CN116362300B (zh) | 2022-06-29 | 2022-06-29 | 区域电网异常扰动数量预测方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210762644.9A CN116362300B (zh) | 2022-06-29 | 2022-06-29 | 区域电网异常扰动数量预测方法、装置、介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116362300A true CN116362300A (zh) | 2023-06-30 |
| CN116362300B CN116362300B (zh) | 2024-02-09 |
Family
ID=86940396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210762644.9A Active CN116362300B (zh) | 2022-06-29 | 2022-06-29 | 区域电网异常扰动数量预测方法、装置、介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116362300B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2825895A1 (en) * | 2012-03-13 | 2015-01-21 | Ably AS | Method and apparatus for monitoring electric power transmission, disturbances and forecasts |
| CN106909989A (zh) * | 2017-02-24 | 2017-06-30 | 国网河南省电力公司电力科学研究院 | 一种电网扰动预测方法及装置 |
| CN110610280A (zh) * | 2018-10-31 | 2019-12-24 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
| CN111861039A (zh) * | 2020-07-31 | 2020-10-30 | 广东电网有限责任公司广州供电局 | 基于lstm和广义预测控制算法的电力负荷预测方法、系统、设备及存储介质 |
| CN112307677A (zh) * | 2020-11-05 | 2021-02-02 | 浙江大学 | 基于深度学习的电网振荡模态评估与安全主动预警方法 |
| CN112751345A (zh) * | 2020-12-30 | 2021-05-04 | 电子科技大学 | 基于lstm与相轨迹的电力系统低频振荡模态辨识方法 |
| US11176442B1 (en) * | 2021-02-11 | 2021-11-16 | North China Electric Power University | Fast power system disturbance identification using enhanced LSTM network with renewable energy integration |
| CN114066214A (zh) * | 2021-11-12 | 2022-02-18 | 国网辽宁省电力有限公司沈阳供电公司 | 一种基于多融合卷积神经网络的电能质量分析方法 |
| CN114091750A (zh) * | 2021-11-22 | 2022-02-25 | 南方电网数字电网研究院有限公司 | 电网负荷异常预测方法、系统和存储介质 |
-
2022
- 2022-06-29 CN CN202210762644.9A patent/CN116362300B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2825895A1 (en) * | 2012-03-13 | 2015-01-21 | Ably AS | Method and apparatus for monitoring electric power transmission, disturbances and forecasts |
| CN106909989A (zh) * | 2017-02-24 | 2017-06-30 | 国网河南省电力公司电力科学研究院 | 一种电网扰动预测方法及装置 |
| CN110610280A (zh) * | 2018-10-31 | 2019-12-24 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
| CN111861039A (zh) * | 2020-07-31 | 2020-10-30 | 广东电网有限责任公司广州供电局 | 基于lstm和广义预测控制算法的电力负荷预测方法、系统、设备及存储介质 |
| CN112307677A (zh) * | 2020-11-05 | 2021-02-02 | 浙江大学 | 基于深度学习的电网振荡模态评估与安全主动预警方法 |
| CN112751345A (zh) * | 2020-12-30 | 2021-05-04 | 电子科技大学 | 基于lstm与相轨迹的电力系统低频振荡模态辨识方法 |
| US11176442B1 (en) * | 2021-02-11 | 2021-11-16 | North China Electric Power University | Fast power system disturbance identification using enhanced LSTM network with renewable energy integration |
| CN114066214A (zh) * | 2021-11-12 | 2022-02-18 | 国网辽宁省电力有限公司沈阳供电公司 | 一种基于多融合卷积神经网络的电能质量分析方法 |
| CN114091750A (zh) * | 2021-11-22 | 2022-02-25 | 南方电网数字电网研究院有限公司 | 电网负荷异常预测方法、系统和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| WEI QIU ET AL.: "An Automatic Identification Framework for Complex Power Quality Disturbances Based on Multifusion Convolutional Neural Network", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》, vol. 16, no. 5, pages 3233 - 3241, XP011773597, DOI: 10.1109/TII.2019.2920689 * |
| 王雪纯: "基于LSTM网络的电能质量分析方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 3, pages 042 - 2177 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116362300B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Short‐term traffic forecasting using self‐adjusting k‐nearest neighbours | |
| CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
| De'Ath | Boosted trees for ecological modeling and prediction | |
| Paananen et al. | Variable selection for Gaussian processes via sensitivity analysis of the posterior predictive distribution | |
| Dubois et al. | Data-driven predictions of the Lorenz system | |
| CN110471276B (zh) | 用于为物理系统创建模型函数的装置 | |
| US10783452B2 (en) | Learning apparatus and method for learning a model corresponding to a function changing in time series | |
| CN113328908A (zh) | 异常数据的检测方法、装置、计算机设备和存储介质 | |
| Springer et al. | Robust parameter estimation of chaotic systems | |
| CN116362300B (zh) | 区域电网异常扰动数量预测方法、装置、介质及电子设备 | |
| CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
| CN116151353A (zh) | 一种序列推荐模型的训练方法和对象推荐方法 | |
| CN115630582A (zh) | 一种多滑窗模型融合的软岩隧道围岩变形预测方法及设备 | |
| Kotenko et al. | Formation of Indicators for Assessing Technical Reliability of Information Security Systems | |
| Doudkin et al. | Ensembles of neural network for telemetry multivariate time series forecasting | |
| CN114139677A (zh) | 一种基于改进gru神经网络的非等间隔时序数据预测方法 | |
| CN114239934A (zh) | 一种基于生成式对抗网络的电网负荷序列预测方法及系统 | |
| CN114186646A (zh) | 区块链异常交易识别方法及装置、存储介质及电子设备 | |
| CN112738098A (zh) | 一种基于网络行为数据的异常检测方法及装置 | |
| CN112668693A (zh) | 用于检测异常的业务指标的方法和装置 | |
| CN111160715A (zh) | 基于bp神经网络新旧动能转换绩效评价方法和装置 | |
| Wagh | Deep learning of nonlinear dynamical system | |
| Beintema | Data–driven Learning of Nonlinear Dynamic Systems: A Deep Neural State–Space Approach | |
| CN113688774B (zh) | 基于深度学习的高层建筑风致响应预测、训练方法及装置 | |
| Liu et al. | Research on the prediction of short time series based on EMD-LSTM |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |