CN116502750A - 一种基于gra-pso-lssvm的城镇燃气日负荷预测方法 - Google Patents
一种基于gra-pso-lssvm的城镇燃气日负荷预测方法 Download PDFInfo
- Publication number
- CN116502750A CN116502750A CN202310424285.0A CN202310424285A CN116502750A CN 116502750 A CN116502750 A CN 116502750A CN 202310424285 A CN202310424285 A CN 202310424285A CN 116502750 A CN116502750 A CN 116502750A
- Authority
- CN
- China
- Prior art keywords
- lssvm
- particle
- pso
- algorithm
- 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 29
- 239000002737 fuel gas Substances 0.000 title claims description 6
- 239000002245 particle Substances 0.000 claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 239000007789 gas Substances 0.000 claims description 50
- 238000005457 optimization Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000002028 premature Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 230000006698 induction Effects 0.000 abstract 1
- 238000004445 quantitative analysis Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 13
- 238000010438 heat treatment Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012097 association analysis method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
Abstract
基于GRA‑PSO‑LSSVM的城镇燃气日负荷预测方法,对影响城镇燃气日负荷的因素进行归纳、量化分析;采用GRA(灰色关联分析法)剔除关联性较小的影响因素,确定PSO‑LSSVM模型的输入变量,降低了模型运算复杂度;在使用PSO算法寻优时,先进行粒子群初始化,包括各粒子的随机速度和位置、群体规模及最大迭代次数;将粒子群算法找到的最优解转化成LSSVM模型的最优正则化系数γ和径向基函数的参数σ;以某市实际数据为研究实例进行燃气日负荷预测,验证该方法的准确性与可行性。实例计算结果显示,该方法预测精度较高和稳定性较好,平均绝对百分比误差低至0.8406%,完全可以满足工业需求。
Description
技术领域
本发明属于城镇燃气日负荷预测技术领域,具体涉及一种基于GRA-PSO-LSSVM的城镇燃气日负荷预测方法。
背景技术
城镇燃气的平稳供应一方面与燃气的生产、储运、销售等各个环节紧密相关,同时还取决于对未来燃气负荷的准确预测。燃气负荷预测涉及到了燃气公司的项目规划、工程设计、运行调度、经济技术分析以及储气调峰等问题,其中燃气短期负荷预测是燃气合理调度的重要组成部分,短期负荷预测结果可以精确地对每日的燃气供应量进行规划,能有效地减少能源损耗。
城镇燃气的消费具有明显的季节性规律,通常在秋冬季节燃气的消费量达到高峰,在高峰季采暖需要和煤改气的拉动下,城镇燃气需求进一步增加,在这种情况下不可避免的出现了供需方面的矛盾。在城镇用气人口与日俱增以及城镇燃气供需不平衡的背景下,如何合理调配气源以调节季节峰谷差满足高峰季用气需求、按照需求合理调度提高管网运营效率、保障燃气正常供应实现平稳供气成为热点研究问题。
因此,对城镇燃气负荷的变化规律进行研究,提供一种预测精度高和科学可靠的燃气日负荷预测方法对于燃气供应系统的高效运行有着重要影响。
发明内容
本发明目的在于提供一种基于GRA-PSO-LSSVM的城镇燃气日负荷预测方法,该方法运用灰色关联分析法(GRA)、粒子群算法(PS0)优化最小二乘支持向量机(LSSVM)模型,实现对城镇燃气日负荷进行在线预测分析。
本发明运用灰色关联分析法筛选有效的城镇燃气日负荷影响因素,剔除一些关联性过低的影响因素,将关联性强的影响因素作为经PSO算法优化的LSSVM模型的输入参数,降低了模型运算复杂度,使模型运算效率得到提升。
基于GRA-PSO-LSSVM的城镇燃气日负荷预测方法的具体步骤如下:
运用灰色关联分析法(GRA)筛选城镇燃气日负荷的主要影响因素部分:
步骤1:城镇燃气日负荷的影响因素中存在非数值的影响因素,如当日天气类型、供暖情况和日期类型,对非数值的影响因素进行量化;
步骤2:运用灰色关联分析法计算出各影响因素与城镇燃气日负荷的关联度大小;
步骤3:比较各影响因素的关联度大小,剔除关联度小于0.6的影响因素,保留关联度大于等于0.6的影响因素;
步骤4:将保留的关联度大于等于0.6的影响因素作为模型的输入参数。
构建基于PSO-LSSVM的城镇燃气日负荷预测模型部分:
步骤1:对所有燃气负荷历史数据进行处理,包括GRA筛选、归一化、划分训练集和测试集;
步骤2:初始化PSO优化算法的参数,包括粒子种群大小、位置以及速度;
步骤3:确定正则化系数γ和径向基函数的参数σ上下限;
步骤4:计算每个粒子的适应度值并进行比较,评估每个粒子并获取全局最优的速度和位置;
步骤5:根据粒子速度和位置更新公式计算变化粒子的速度和位置;
步骤6:评估每个粒子并获取全局最优的速度和位置,如果达到预设的最大迭代次数,则执行下一步,否则返回步骤4;
步骤7:PSO算法寻优结束后,输出找到的最优正则化系数γ和径向基函数的参数σ,将其设置为LSSVM模型的最优参数值;
步骤8:将测试集输入LSSVM模型进行燃气负荷预测,输出预测结果。
粒子群算法对LSSVM的优化部分:
步骤1:粒子群初始化,包括各粒子的随机速度和位置、群体规模及最大迭代次数;
步骤2:对各粒子的适应度值进行计算;
步骤3:对于各个粒子,对得到的适应度值与已经过的最佳位置的适应度值进行对比,若各粒子的历史最优值更好,如果得到的适应度值更好,则将该值作为粒子的个体历史最优值(pbestid),即更新个体历史最佳位置;
步骤4:将更新得到的各粒子个体历史最优值与群体内所经历的最佳位置的适应度值进行比较,若各粒子的历史最优值更好,则将其作为当前全局最佳位置(gbestid);
步骤5:更新粒子的位置和速度;
步骤6:判断算法终止条件是否满足,若满足,则结束算法并输出优化结果,否则返回步骤2;
步骤7:记录最优解,将粒子群算法找到的最优解转化成LSSVM模型的最优正则化系数γ和径向基函数的参数σ。
发明优点:
粒子群优化的本质是一种随机搜索算法,PSO有很大的概率收敛到全局最优解。实践证明,该方法适用于动态、多目标优化环境,与以往的优化算法相比,PSO计算速度快,整体搜索能力突出。
最小二乘支持向量机(LSSVM)是Suykens J A K和Vandewalle J于1999年在SVM的基础上提出的机器学习方法。LSSVM保留了SVM算法的Vapnik-Chervonenkis(VC)维理论和结构风险最小化理论以及用核函数代替内积作为高维模式映射,同时把SVM原有的不等式约束条件用等式代替,降低了运算复杂度,使模型运算效率得到提升。
使用PSO优化算法LSSVM的参数,基本思想是借助PSO算法快速、高效的寻优能力来取代LSSVM原本低效的穷举搜索算法,从而尽快地找出最优的LSSVM回归模型的最优正则化系数γ和径向基函数的参数σ。
本发明是基于GRA-PSO-LSSVM的城镇燃气日负荷预测方法,提供了一种在线、便捷、可靠的城镇燃气日负荷预测方法,对于燃气公司输配管网设计、城市储气调峰、实现管道智能化的管理具有重要意义。通过对某一城市的仿真预测,显示该方法的预测精度相当高,最大相对误差仅有1.9%,平均绝对百分比误差低至0.8406%。
附图说明
图1为基于GRA-PSO-LSSVM的城镇燃气日负荷预测方法流程图。
图2为PSO算法寻优迭代曲线。
图3为GRA-PSO-LSSVM预测值和实际值对比图。
图4为GRA-PSO-LSSVM预测值和其他三种模型以及实际值对比图。
图5为GRA-PSO-LSSVM和其他三种模型预测相对误差对比图。
表1为某市2022年燃气日负荷及影响因素数据,因篇幅有限,仅展示10组数据。
具体实施方式
以下结合附图1对本发明方法作进一步的详细描述:
基于GRA-PSO-LSSVM的城镇燃气日负荷预测方法的流程图见附图1,本发明方法的
预测流程主要包括以下步骤:
对非数值的影响因素进行量化。
运用灰色关联分析法计算出各影响因素与城镇燃气日负荷的关联度大小。公式如下:
其中,ξi(k)为比较数列xi在第k个指标上的灰色关联系数;ρ为分辨系数;分别为两级最小差及两级最大差;ri为比较数列xi对参考数列x0的灰色关联度。
比较各影响因素的关联度大小,剔除关联度小于0.6的影响因素,保留关联度大于等于0.6的影响因素,将保留的关联度大于等于0.6的影响因素作为模型的输入参数。
对所有燃气负荷历史数据进行处理,包括归一化、划分训练集和测试集。
初始化PSO优化算法的参数,包括各粒子的随机速度和位置、群体规模及最大迭代次数,对各粒子的适应度值进行计算。
对于各个粒子,对得到的适应度值与已经过的最佳位置的适应度值进行对比,若各粒子的历史最优值更好,如果得到的适应度值更好,则将该值作为粒子的个体历史最优值(pbestid),即更新个体历史最佳位置。
将更新得到的各粒子个体历史最优值与群体内所经历的最佳位置的适应度值进行比较,若各粒子的历史最优值更好,则将其作为当前全局最佳位置(gbestid)。
更新粒子的位置和速度。
判断算法终止条件是否满足:若满足,则结束算法并输出优化结果;否则再次迭代计算各粒子的适应度值。
PSO算法寻优结束后,记录最优解,将粒子群算法找到的最优解转化成LSSVM模型的最优正则化系数γ和径向基函数的参数σ,将其设置为LSSVM模型的最优参数值。PSO算法寻优迭代曲线见附图2。
将测试集输入LSSVM模型进行燃气负荷预测,输出预测结果。
对LSSVM的回归原理进行介绍并建立基于的回归预测模型,LSSVM是使用最小二乘误差对样本进行拟合的。设有训练集D=(xi,yi),i=1,2,…,n;xi∈Rd,yi∈R;n为样本总数,d表示输入向量的维数。基于LSSVM的回归问题,有回归函数如下:
式中,x表示输入向量;y表示输出;ω表示权重向量;表示非线性映射函数;b为偏置值。
将不等式约束条件用等式代替后,则问题转换为:
式中,e表示误差;γ表示正则化系数。为求解上式最优解,引入拉格朗日乘子,则有:
根据Karush-Kuhn-Tucker(KKT)条件,分别上式中的ω、b、ei以及αi求偏导,并令其导数为0,则有:
通过消除ω和e,将上式转化为线性方程组,求解:
通过求解上式,可以得到α=[α1,α2,...,αn]和b。
式中,I是单位矩阵。得到LSSVM的回归函数:
上式中,K表示核函数。本文选择RBF作为LSSVM的核函数,其表达式为:
在实际预测过程中,以某市2022年的365组数据中前350组数据作为GRA-PSO-LSSVM的训练样本,剩余15组数据作为测试样本,进行GRA-PSO-LSSVM模型的训练以及预测,得出预测结果。
模型准确性检验。
通过以上操作,得出15个预测数据,与这15日的实际燃气负荷进行对比就可以该模型的预测精度,见附图3。
为了说明GRA-PSO-LSSVM模型的可靠性和可行性,将该模型与BPNN模型、LSSVM模型的预测结果进行比较,见附图4。
GRA-PSO-LSSVM模型、BPNN模型、LSSVM模型的预测值与实际值的相对误差见附图5,通过对比容易看出GRA-PSO-LSSVM模型在城镇燃气日负荷预测方面的准确性和优越性。
使用GRA-PSO-LSSVM模型预测某市的燃气日负荷,其平均绝对百分比误差为0.8406%,完全满足工业应用。
表1 2022年某市燃气日负荷部分样本数据
注:x0为当日燃气负荷,m3;x1为前一日燃气负荷m3;x2、x3、x4分别为当日最高气温、当日最低气温、当日平均气温,℃;x5、x6、x7分别为前一日最高气温、前一日最低气温、前一日平均气温,℃;x8为当日天气类型,x9为供暖情况,x10为日期类型,x11为当日空气质量指数。
Claims (4)
1.本权利要求所述的基于GRA-PSO-LSSVM模型预测城镇燃气日负荷的方法,其特征是模型的泛化能力强和运行效率高,模型的稳定性和准确性更好,预测结果更加理想。
2.本权利要求所述的灰色关联分析法能够对复杂的城镇燃气日负荷影响因素进行有效的筛选,降低了模型运算复杂度,使模型运算效率得到提升。
3.本权利要求所述的粒子群算法优化LSSVM结构部分,主要包括:预处理所有燃气负荷历史数据;初始化PSO优化算法的参数;确定正则化系数γ和径向基函数的参数σ上下限;计算每个粒子的适应度值并进行比较,评估每个粒子并获取全局最优的速度和位置;根据粒子速度和位置更新公式计算变化粒子的速度和位置;评估每个粒子并获取全局最优的速度和位置,如果达到预设的最大迭代次数,则执行下一步,否则再次迭代计算适应度值;PSO算法寻优结束后,输出找到的最优正则化系数γ和径向基函数的参数σ,将其设置为LSSVM模型的最优参数值。
4.本权利要求所述的粒子群算法对LSSVM的优化部分,其特征是:粒子群优化算法搜索过程是从一组解迭代到另一组解,采用同时处理群体中多个个体的方法,具有并行性;粒子群优化算法的编码使用实数,可直接进行处理,无需转换,所以此算法较为简便,易于实现;粒子群优化算法的各粒子是随机移动的,对于模糊的复杂区域具有搜索能力;粒子群优化算法可以较好地平衡全局搜索能力和局部搜索能力,避免算法早熟;借助PSO算法快速、高效的寻优能力来取代LSSVM原本低效的穷举搜索算法,从而尽快地找出LSSVM模型的最优正则化系数γ和径向基函数的参数σ。其主要步骤是:
步骤1:对所有燃气负荷历史数据进行预处理,包括GRA筛选、归一化、划分训练集和测试集;
步骤2:初始化PSO优化算法的参数,包括粒子种群大小、位置以及速度;
步骤3:确定正则化系数γ和径向基函数的参数σ上下限;
步骤4:计算每个粒子的适应度值并进行比较,评估每个粒子并获取全局最优的速度和位置;
步骤5:根据粒子速度和位置更新公式计算变化粒子的速度和位置;
步骤6:评估每个粒子并获取全局最优的速度和位置,如果达到预设的最大迭代次数,则执行下一步,否则返回步骤4;
步骤7:PSO算法寻优结束后,输出找到的最优正则化系数γ和径向基函数的参数σ,将其设置为LSSVM模型的最优参数值。
此时粒子群算法对LSSVM的优化部分结束,用于城镇燃气日负荷预测的GRA-PSO-LSSVM模型完成建立。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310424285.0A CN116502750A (zh) | 2023-04-08 | 2023-04-08 | 一种基于gra-pso-lssvm的城镇燃气日负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310424285.0A CN116502750A (zh) | 2023-04-08 | 2023-04-08 | 一种基于gra-pso-lssvm的城镇燃气日负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116502750A true CN116502750A (zh) | 2023-07-28 |
Family
ID=87319555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310424285.0A Pending CN116502750A (zh) | 2023-04-08 | 2023-04-08 | 一种基于gra-pso-lssvm的城镇燃气日负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502750A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116951317A (zh) * | 2023-09-20 | 2023-10-27 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气的供气成本管控方法、物联网系统与介质 |
-
2023
- 2023-04-08 CN CN202310424285.0A patent/CN116502750A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116951317A (zh) * | 2023-09-20 | 2023-10-27 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气的供气成本管控方法、物联网系统与介质 |
CN116951317B (zh) * | 2023-09-20 | 2023-11-21 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气的供气成本管控方法、物联网系统与介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169633B (zh) | 一种输气管网、储气库调峰方案综合评价方法 | |
CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN110619360A (zh) | 一种考虑历史样本相似性的超短期风功率预测方法 | |
CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN113107626B (zh) | 一种基于多变量lstm的联合循环发电机组负荷预测方法 | |
CN111476677A (zh) | 一种基于大数据的用电类别售电量分析与预测方法及系统 | |
CN111815026A (zh) | 一种基于特征聚类的多能源系统负荷预测方法 | |
CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN116502750A (zh) | 一种基于gra-pso-lssvm的城镇燃气日负荷预测方法 | |
CN110570023A (zh) | 一种基于sarima-grnn-svm的短期商业电力负荷预测方法 | |
CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
CN114819395A (zh) | 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法 | |
CN113011680A (zh) | 一种电力负荷预测方法及系统 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN114581141A (zh) | 基于特征选择与lssvr的短期负荷预测方法 | |
CN112330030B (zh) | 业扩物资需求预测系统及方法 | |
CN114066069A (zh) | 一种组合权重的副产煤气发生量预测方法 | |
CN112288187A (zh) | 一种基于大数据的售电量预测方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN115759469A (zh) | 一种针对峰值负荷及其出现时间的预测方法及其装置 | |
CN114234392B (zh) | 一种基于改进pso-lstm的空调负荷精细预测方法 | |
CN114819337A (zh) | 基于多任务学习的综合能源系统多元负荷预测方法 | |
CN116885703B (zh) | 一种高维多元气象数据融合的短期风光功率预测方法 |
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 |