CN116562471A - 一种基于stl数据分解的stl-sarima-gru功率预测方法 - Google Patents
一种基于stl数据分解的stl-sarima-gru功率预测方法 Download PDFInfo
- Publication number
- CN116562471A CN116562471A CN202310835256.3A CN202310835256A CN116562471A CN 116562471 A CN116562471 A CN 116562471A CN 202310835256 A CN202310835256 A CN 202310835256A CN 116562471 A CN116562471 A CN 116562471A
- Authority
- CN
- China
- Prior art keywords
- prediction
- gru
- stl
- term
- sarima
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 22
- 241000728173 Sarima Species 0.000 claims abstract description 18
- 230000001932 seasonal effect Effects 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000010845 search algorithm Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 12
- 230000000737 periodic effect Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 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
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于STL数据分解的STL‑SARIMA‑GRU功率预测方法,该方案是组合使用LOESS进行季节‑趋势分解STL、季节性差分自回归移动平均模型SARIMA和门控循环单元GRU的STL‑SARIMA‑GRU的功率预测模型。方法包括:将原始信号通过STL分解为周期项,趋势项和残差项;将分解后的季节项数据序列送入到SARIMA网络中进行功率预测;将分解后得到的趋势项和残差项组合后送入GRU模型进行预测;最后再将两个部分的预测结果进行叠加重构获得整个数据的预测结果。本申请提供的模型可避免因序列特征混叠导致预测精度下降的问题,提高了整个预测模型的预测精度。
Description
技术领域
本发明涉及分布式能源系统领域,特别涉及一种基于STL数据分解的STL-SARIMA-GRU功率预测方法。
背景技术
在工业园区中,时间序列预测对于能源的合理化运用以及整个分布式工业园区的优化调度起着重要作用,因此高效精准的时间序列预测是分布式工业园区系统中不可缺少的环节。准确的预测结果可以提高资源的利用率,为后续的分布式能源系统优化调度策略的研究提供稳定的数据支持,使得整个系统可以高效、经济的运行。分布式工业园区时间序列是由不同的特征项组成,因此如何将数据序列进行高效分解是至关重要的。
SARIMA模型是在ARIMA模型的基础上添加了季节项,是经典的时间序列预测方法,能够较好的体现时间序列数据中的线性特征,主要针对具有季节性或周期性变化的时间序列进行建模,已经被广泛应用到金融、气候、医疗等领域。针对周期性数据序列,SARIMA模型表现出了良好的预测性能。门控循环单元(Gated Recurrent Unit, GRU)是对 LSTM 进行了改进,将其两个门结构合成为一个门,因此训练参数较少,收敛速度更快,同时预测性能良好,在电力负荷预测及其他领域广泛应用。因此,怎样建立STL、SARIMA与GRU组合的模型进行功率预测成为亟需解决的问题。
发明内容
本发明的目的是针对工业园区中不同的时间序列预测,利用STL分解原数据序列,并组合SARIMA-GRU模型,建立适用范围更广的STL-SARIMA-GRU预测模型。为达到上述目的,本发明提供了一种基于STL数据分解的STL-SARIMA-GRU功率预测方法,具体方案如下:
一种基于STL数据分解的STL-SARIMA-GRU功率预测方法,包括以下步骤:
S1,对原始时间序列功率数据进行STL数据分解,将原始时间序列功率数据分解成周期项、趋势项和残差项;
S2,通过网格搜索算法并依据AIC准则,得到SARIMA(p,d,q)×(P,D,Q)S模型中自回归项p、差分次数d、移动平均项数q、季节自回归阶数P、季节滑动平均阶数Q和季节差分阶数D的最优参数组合,其中S为周期项中的周期;
S3,建立GRU神经网络,并采用训练集对GRU神经网络进行训练,得到目标GRU预测模型;
S4,将数据分解环节STL,周期项预测环节SARIMA和趋势项、残差项预测环节GRU组合起来得到组合模型STL-SARIMA-GRU功率预测模型;
S5,将经过STL分解得到的周期项数据送入步骤S2得到的SARIMA模型中进行预测,得到周期项的预测结果,并计算预测误差;
S6,将结果STL分解得到的趋势项数据和残差项数据送入目标GRU预测模型进行预测,得到趋势项和残差项预测结果,并计算预测误差;
S7,将步骤S5和步骤S6的预测结果进行叠加重构,得到最终的总预测结果,此结果为组合模型STL-SARIMA-GRU模型的最终预测结果;
S8,计算总预测结果与原始序列的预测误差。
进一步地,步骤S2中,通过网格搜索算法并按照AIC准则计算每个拟合值的AIC函数值,选取令AIC函数值最小的参数组合作为最优的参数组合,从而得到SARIMA(p,d,q)×(P,D,Q) S模型。
进一步地,步骤S3中,建立具有4个隐藏单元,1一个全连接层的GRU神经网络,选取ReLu函数作为激活函数,将数据分为训练集和测试集对建立的GRU神经网络进行训练,经过1200轮迭代得到目标GRU预测模型。
一种计算机可读存储介质,介质上存有计算机程序,计算机程序运行后,执行如上述任一所述的方法。
一种计算机系统,包括处理器、存储介质,存储介质上存有计算机程序,处理器从存储介质上读取并运行计算机程序以执行如上述任一所述的方法。
本发明的有益效果在于:
1)、本发明利用STL分解的方法将功率数据进行有特征性的分解,针对不同特征的数据序列采用对应的预测模型进行预测,有效的提高了预测模型的精确度。
2)、采取了STL分解的方法可以将任意时间序列数据分解为周期项、趋势项和残差项,使用这种方法使得预测模型不仅仅只能针对周期性数据或非周期性数据进行预测,大大提高预测算法的使用范围,提高算法的适用性与可实现性。
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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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它的附图。
图1为STL-SARIMA-GRU组合模型流程图;
图2为周期项数据SARIMA模型预测图;
图3为前25040个趋势项和残差数据GRU模型预测图;
图4为后10000趋势项和残差数据GRU模型预测图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整地说明,显然,所描述的实施例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做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1,一种基于STL数据分解的STL-SARIMA-GRU功率预测方法,包括以下步骤:
S1,对原始时间序列功率数据进行STL数据分解,将原始时间序列功率数据分解成周期项、趋势项和残差项,使得原始时间序列功率数据中具有不同特征的分量分开。
S2,通过网格搜索算法并依据AIC准则,得到SARIMA(p,d,q)×(P,D,Q)S模型中自回归项p、差分次数d、移动平均项数q、季节自回归阶数P、季节滑动平均阶数Q和季节差分阶数D的最优参数组合,其中S为周期项中的周期。
具体地,得到的p和q的初始值,确定参数值的范围,该范围最小值为0,最大值分别为p,q值的最大值,然后使用网格搜索算法,遍历参数p和q的所有不同组合。该算法的输入为时间序列以及其中的一种参数组合,并根据每一种参数组合得出对时间序列的不同拟合值。通过AIC准则计算每个拟合值的AIC函数值,选取令AIC函数值最小的参数组合作为最优的参数组合,从而得到SARIMA(p,d,q)×(P,D,Q)S模型。
S3,建立GRU预测模型,选取GRU的隐藏层个数和激活函数,并分配训练集和测试集对GRU网络进行训练。
具体地,建立具有4个隐藏单元,1一个全连接层的GRU神经网络,选取ReLu函数作为激活函数,将数据分为训练集和测试集对建立的GRU神经网络进行训练,经过1200轮迭代得到目标的GRU模型。
S4,将数据分解环节STL,周期项预测环节SARIMA和趋势项、残差项预测环节GRU组合起来得到组合模型STL-SARIMA-GRU功率预测模型;
S5,将原始时间序列功率数据经过分解得到的周期项数据送入SARIMA模型中进行预测,计算预测结果与原始时间序列功率数据的RMSE误差和MSE误差。
S6,将原始时间序列功率数据经过STL分解得到的趋势项数据和残差项数据送入训练好的GRU模型中进行预测,得到趋势项和残差项预测结果;并计算趋势项预测结果与原始时间序列功率数据的RMSE误差和MSE误差、以及残差项预测结果与原始时间序列功率数据的RMSE误差和MSE误差。
S7,将步骤S5和步骤S6的预测结果进行叠加重构,得到最终的总预测结果,此结果为组合模型STL-SARIMA-GRU模型的最终预测结果。
S8,计算总预测结果与原始序列的预测误差。
上述实验结果如图2、图3、图4和表1所示。
表1如下:
由表1可知,STL-SARIMA-GRU模型的整体预测误差偏低,这是因为各特征项均使用对应的预测方法进行预测,有效地降低了预测的误差。
一种计算机可读存储介质,介质上存有计算机程序,计算机程序运行后,执行如上述任一所述的方法。
一种计算机系统,包括处理器、存储介质,存储介质上存有计算机程序,处理器从存储介质上读取并运行计算机程序以执行如上述任一的方法。
本发明利用STL分解的方法将功率数据进行有特征性的分解,针对不同特征的数据序列采用对应的预测模型进行预测,有效的提高了预测模型的精确度。同时,采取了STL分解的方法可以将任意时间序列数据分解为周期项、趋势项和残差项,使用这种方法使得预测模型不仅仅只能针对周期性数据或非周期性数据进行预测,大大提高预测算法的使用范围,提高算法的适用性与可实现性。
本领域技术人员将进一步领会,结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性,各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性,但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器,但在替换方案中,该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合,例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中,存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中,处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中,所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品,则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者,其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定,这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如,如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来,则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟 (disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟,其中盘(disk)往往以磁的方式再现数据,而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的,且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此,本公开并非旨在被限定于本文中所描述的示例和设计,而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
备注:说明书附图中关于周期项数据SARIMA模型预测图(说明书附图中的图2)、前25040个趋势项和残差数据GRU模型预测图(说明书附图中的图3)以及后10000趋势项和残差数据GRU模型预测图(说明书附图中的图4)均为黑白图,为了便于观察,申请人同步提交了彩图作为其他证明文件。
Claims (5)
1.一种基于STL数据分解的STL-SARIMA-GRU功率预测方法,其特征在于,包括以下步骤:
S1,对原始时间序列功率数据进行STL数据分解,将原始时间序列功率数据分解成周期项、趋势项和残差项;
S2,通过网格搜索算法并依据AIC准则,得到SARIMA(p,d,q)×(P,D,Q)S模型中自回归项p、差分次数d、移动平均项数q、季节自回归阶数P、季节滑动平均阶数Q和季节差分阶数D的最优参数组合,其中S为周期项中的周期;
S3,建立GRU神经网络,并采用训练集对GRU神经网络进行训练,得到目标GRU预测模型;
S4,将数据分解环节STL,周期项预测环节SARIMA和趋势项、残差项预测环节GRU组合起来得到组合模型STL-SARIMA-GRU功率预测模型;
S5,将经过STL分解得到的周期项数据送入步骤S2得到的SARIMA模型中进行预测,得到周期项的预测结果,并计算预测误差;
S6,将结果STL分解得到的趋势项数据和残差项数据送入目标GRU预测模型进行预测,得到趋势项和残差项预测结果,并计算预测误差;
S7,将步骤S5和步骤S6的预测结果进行叠加重构,得到最终的总预测结果,此结果为组合模型STL-SARIMA-GRU功率预测模型的最终预测结果;
S8,计算总预测结果与原始序列的预测误差。
2.根据权利要求1所述的方法,其特征在于:步骤S2中,通过网格搜索算法并按照AIC准则计算每个拟合值的AIC函数值,选取令AIC函数值最小的参数组合作为最优的参数组合,从而得到SARIMA(p,d,q)×(P,D,Q) S模型。
3.根据权利要求1所述的方法,其特征在于:步骤S3中,建立具有4个隐藏单元,1一个全连接层的GRU神经网络,选取ReLu函数作为激活函数,将数据分为训练集和测试集对建立的GRU神经网络进行训练,经过1200轮迭代得到目标GRU预测模型。
4.一种计算机可读存储介质,其特征在于:介质上存有计算机程序,计算机程序运行后,执行如权利要求1至3中任一项所述的方法。
5.一种计算机系统,其特征在于:包括处理器、存储介质,存储介质上存有计算机程序,处理器从存储介质上读取并运行计算机程序以执行如权利要求1至3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310835256.3A CN116562471B (zh) | 2023-07-10 | 2023-07-10 | 一种基于stl数据分解的stl-sarima-gru功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310835256.3A CN116562471B (zh) | 2023-07-10 | 2023-07-10 | 一种基于stl数据分解的stl-sarima-gru功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116562471A true CN116562471A (zh) | 2023-08-08 |
CN116562471B CN116562471B (zh) | 2023-10-24 |
Family
ID=87493223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310835256.3A Active CN116562471B (zh) | 2023-07-10 | 2023-07-10 | 一种基于stl数据分解的stl-sarima-gru功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116562471B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196831A (zh) * | 2023-11-03 | 2023-12-08 | 神州数码融信云技术服务有限公司 | 一种面向金融服务的风险预测方法及系统 |
CN118100178A (zh) * | 2024-04-26 | 2024-05-28 | 阿里巴巴(中国)有限公司 | 时间序列的处理方法和电力系统负荷的处理方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101636A (zh) * | 2020-08-26 | 2020-12-18 | 北京航空航天大学 | 一种基于gru和garch的卫星长周期异方差退化预测评估方法 |
CN112736902A (zh) * | 2020-12-24 | 2021-04-30 | 国网山西省电力公司 | 一种基于stl分解的时间序列短期电力负荷预测方法 |
CN112988840A (zh) * | 2021-03-19 | 2021-06-18 | 北京京东振世信息技术有限公司 | 一种时间序列预测方法、装置、设备和存储介质 |
WO2021129086A1 (zh) * | 2019-12-25 | 2021-07-01 | 中兴通讯股份有限公司 | 流量预测方法、装置以及存储介质 |
US20210326235A1 (en) * | 2020-04-01 | 2021-10-21 | Zoho Corporation Private Limited | Time series forecasting |
CN113887119A (zh) * | 2020-07-03 | 2022-01-04 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于sarima-lstm的河流水质预测方法 |
CN114756605A (zh) * | 2022-06-14 | 2022-07-15 | 之江实验室 | 一种基于时间序列数据的混频预测方法及系统 |
CN114943328A (zh) * | 2022-06-21 | 2022-08-26 | 山西清众科技股份有限公司 | 基于bp神经网络非线性组合的sarima-gru时序预测模型 |
CN115271192A (zh) * | 2022-09-30 | 2022-11-01 | 广东工业大学 | 一种工业生产指数预测方法及处理器 |
CN115577770A (zh) * | 2022-10-25 | 2023-01-06 | 国网天津市电力公司 | 一种基于负荷分解与深度学习的持续型电器负荷预测方法 |
CN115800245A (zh) * | 2022-11-03 | 2023-03-14 | 三峡大学 | 基于sarima-随机森林组合模型的短期负荷预测方法 |
CN116307119A (zh) * | 2023-02-22 | 2023-06-23 | 国网福建省电力有限公司经济技术研究院 | 基于集成学习的短期发电量预测方法 |
-
2023
- 2023-07-10 CN CN202310835256.3A patent/CN116562471B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021129086A1 (zh) * | 2019-12-25 | 2021-07-01 | 中兴通讯股份有限公司 | 流量预测方法、装置以及存储介质 |
US20210326235A1 (en) * | 2020-04-01 | 2021-10-21 | Zoho Corporation Private Limited | Time series forecasting |
CN113887119A (zh) * | 2020-07-03 | 2022-01-04 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于sarima-lstm的河流水质预测方法 |
CN112101636A (zh) * | 2020-08-26 | 2020-12-18 | 北京航空航天大学 | 一种基于gru和garch的卫星长周期异方差退化预测评估方法 |
CN112736902A (zh) * | 2020-12-24 | 2021-04-30 | 国网山西省电力公司 | 一种基于stl分解的时间序列短期电力负荷预测方法 |
CN112988840A (zh) * | 2021-03-19 | 2021-06-18 | 北京京东振世信息技术有限公司 | 一种时间序列预测方法、装置、设备和存储介质 |
CN114756605A (zh) * | 2022-06-14 | 2022-07-15 | 之江实验室 | 一种基于时间序列数据的混频预测方法及系统 |
CN114943328A (zh) * | 2022-06-21 | 2022-08-26 | 山西清众科技股份有限公司 | 基于bp神经网络非线性组合的sarima-gru时序预测模型 |
CN115271192A (zh) * | 2022-09-30 | 2022-11-01 | 广东工业大学 | 一种工业生产指数预测方法及处理器 |
CN115577770A (zh) * | 2022-10-25 | 2023-01-06 | 国网天津市电力公司 | 一种基于负荷分解与深度学习的持续型电器负荷预测方法 |
CN115800245A (zh) * | 2022-11-03 | 2023-03-14 | 三峡大学 | 基于sarima-随机森林组合模型的短期负荷预测方法 |
CN116307119A (zh) * | 2023-02-22 | 2023-06-23 | 国网福建省电力有限公司经济技术研究院 | 基于集成学习的短期发电量预测方法 |
Non-Patent Citations (4)
Title |
---|
崔和瑞;穆玉佩;彭旭;: "基于HP滤波的SARIMA中期电力负荷预测", 华北电力大学学报(自然科学版), no. 04 * |
曹丹阳: "基于STL和EMD的时间序列预测算法研究", 《电子元器件与信息技术》 * |
江磊;陈志坚;: "基于奇异谱分析的桥梁索塔锚固区应力分析", 河南科学, no. 07 * |
高治鑫: "基于MLR-SSA-GRU的混凝土坝裂缝开度组合预测模型", 《武汉大学学报(工学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196831A (zh) * | 2023-11-03 | 2023-12-08 | 神州数码融信云技术服务有限公司 | 一种面向金融服务的风险预测方法及系统 |
CN117196831B (zh) * | 2023-11-03 | 2024-01-02 | 神州数码融信云技术服务有限公司 | 一种面向金融服务的风险预测方法及系统 |
CN118100178A (zh) * | 2024-04-26 | 2024-05-28 | 阿里巴巴(中国)有限公司 | 时间序列的处理方法和电力系统负荷的处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116562471B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116562471B (zh) | 一种基于stl数据分解的stl-sarima-gru功率预测方法 | |
Liang et al. | A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers | |
Lin et al. | An efficient deep reinforcement learning model for urban traffic control | |
CN113905391B (zh) | 集成学习网络流量预测方法、系统、设备、终端、介质 | |
CN112215442B (zh) | 电力系统短期负荷预测方法、系统、设备及介质 | |
US11657302B2 (en) | Model selection in a forecasting pipeline to optimize tradeoff between forecast accuracy and computational cost | |
CN106610867B (zh) | 一种片上网络任务调度方法及装置 | |
Du et al. | Genetic algorithm combined with BP neural network in hospital drug inventory management system | |
US20220335297A1 (en) | Anticipatory Learning Method and System Oriented Towards Short-Term Time Series Prediction | |
CN114331542A (zh) | 一种电动汽车充电需求预测方法及装置 | |
CN114077913A (zh) | 基于自动储层神经网络的多步预测未来风速的方法和系统 | |
CN105184398A (zh) | 一种电力最大负荷小样本预测方法 | |
Cayir Ervural et al. | Improvement of grey prediction models and their usage for energy demand forecasting | |
CN114694379B (zh) | 一种基于自适应动态图卷积的交通流预测方法及系统 | |
Wang et al. | A transformer-based multi-entity load forecasting method for integrated energy systems | |
CN103745275A (zh) | 光伏系统发电功率的预测方法和装置 | |
Xinxin et al. | Short-term wind speed forecasting based on a hybrid model of ICEEMDAN, MFE, LSTM and informer | |
CN116502774A (zh) | 一种基于时间序列分解和勒让德投影的时间序列预测方法 | |
CN116843083A (zh) | 基于混合神经网络模型的碳排放预测系统及方法 | |
CN116780506A (zh) | 一种家庭微电网能量管理方法、装置、设备及存储介质 | |
CN115936169A (zh) | 一种考虑影响因素和基于组合模型的短期电力负荷预测方法 | |
CN115577872A (zh) | 基于多能智能体深度强化学习的结构化数据预测优化方法 | |
Wang et al. | A comparison of deep learning models in time series forecasting of web traffic data from Kaggle | |
CN115271198A (zh) | 一种光伏设备的净负荷预测方法及装置 | |
CN116702625A (zh) | 一种基于woa优化的woa-vmd-lstm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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |