CN116629406A - 一种基于改进Prophet模型的用电碳排放预测方法 - Google Patents
一种基于改进Prophet模型的用电碳排放预测方法 Download PDFInfo
- Publication number
- CN116629406A CN116629406A CN202310460909.4A CN202310460909A CN116629406A CN 116629406 A CN116629406 A CN 116629406A CN 202310460909 A CN202310460909 A CN 202310460909A CN 116629406 A CN116629406 A CN 116629406A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- prophet
- model
- electricity
- sample
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 50
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000005611 electricity Effects 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract 1
- 238000011161 development Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进Prophet模型的用电碳排放预测方法,根据地区的用电能耗数据进行用电碳排放测算,结合LSTM对Prophet预训练预测结果的残差进行预测优化,并叠加Prophet原预测得到最终的预测结果。本方法对于地区用电碳排放的趋势相较现有方法有较为明显的效果提升,对地区的碳排放规划有一定的指导作用。
Description
技术领域
本发明涉及一种用于节能减排领域的基于改进Prophet模型的用电碳排放预测方法。
背景技术
近些年来,化石燃料的使用不断增加,碳排放日益上升,导致温室效应不断加重,气候变化加剧已成为全球性挑战。为此,碳排放控制要早日提上日程,预测碳排放有助于企业和地区更好的掌握自己的碳排放趋势,对经济高质量发展有重要积极作用。
现阶段主流地碳排放预测大多需要额外的特征辅助,例如人口基数,技术发达程度,经济发展程度等指标,这些指标容易出现测算困难,“噪声”严重等问题影响到预测效果。因此,需要一个更为准确、且外部辅助特征依赖较小地方式来有效进行用电碳排放的预测。
发明内容
本发明的目的是为了克服现有技术的不足,提供一种基于改进Prophet模型的用电碳排放预测方法,对时间序列的用电碳排放数据进行有效的预测。
实现上述目的的一种技术方案是:一种基于改进Prophet模型的用电碳排放预测方法,包括以下步骤:
步骤1:通过数据接口、离线文件等方式对近期地区用电时序数据进行收集,并测算电力能源消耗的碳排放量:
CMelectric=valueelectric*0.42
其中,0.42为上海市碳排放参考因子,单位为t/Mwh;
步骤2:对于用电碳排放数据进行预处理,剔除0值,使用四分位法处理异常值,设Q1为数据的第一四分位,Q3为数据的第3四分位,IQR为Q1与Q3之差,数据位于[Q1+1.5*IQR,Q3-1.5&IQR]的区间内的即为正常值,异常值小于下界设为下界,大于上界设为上界;
步骤3:建立Prophet模型,使用单一的Prophet模型对数据集进行预测,为之后的改进的Prophet模型作准备;
步骤4:调整Prophet模型的参数,观察在单一Prophet模型的范围内,能够得到的预测结果;
步骤5:将时间序列的用电碳排放数据转换为监督类型,即以前αi天的用电碳排放数据为一条样本的一个特征,对应的标签是后(1-α)i天的用电碳排放数据;
步骤6:Prophet预测后得到每个时间段内的用电碳排放预测值,计算每个样本中Prophet预测值与实际值的残差res idual;
步骤7:归一化残差,用所有残差样本建立一个新的数据集;
步骤8:将残差的格式调整成LSTM的输入格式,建立神经网络模型;
步骤9:调整LSTM参数,得到最终结果。
进一步的,步骤4的具体方法为,
设c=changepoint_scale,s=seasonal ity_prior_scale,c初始为0.01,s初始为1;
根据历史数据计算用电碳排放预测结果,即[d1,d2,d3,...,dn-10]所对应的yhat的值,计算RMSE;
调整c和s的值,c的范围在(0,1]之间步长为Δc,s的范围在[1,10]之间,步长为Δs,迭代输出每次循环的预测结果,计算RMSE;
循环结束,求出所得最小RMSE时,Prophet模型的参数;
将参数带入Prophet模型,得到此时单一Prophet模型的预测结果。
进一步的,步骤5的具体方法为:
本总数为n*i,以i个日期划分为一个样本,分别用以校准好的Prophet模型对前αi天进行预测,得到后(1-α)i天的预测结果,α为一定比例的系数,每一行为一个样本,样本的格式如下:
ds1 ds2 … yhatαi+1 …yhati
dsi+1 dsi+2… yhat(1+α)i+1…yhat2i
ds(n-1)i+1ds(n-1)i+2…yhat(n-1+α)i+1…yhatn*i。
进一步的,步骤7的具体方法为:
yhat的下标调整成与实际值一致,如yhati所对应的实际值为dsi,此时的残差即为该2数之差,计算每个样本中Prophet预测值与实际值的残差residual:
将残差与原特征匹配,建立一个新的样本集:
ds1 ds2 … residualαi+1 ...residualsi
dsi+1 dsi+2… residual(1+α)i+1...residual2i
ds(n-1)i+1ds(n-1)i+2…residual(n-1+α)i+1...resiaualn*i
将新样本以一定比例划分为LSTM的训练集与测试集;
先对训练集0-1归一化,归一化设在划分样本之前,以防止测试集的数据泄漏到训练集中,影响预测的结果,测试集的用训练集中的Xmax和Xmin进行归一化,公式如下:
进一步的,步骤8的具体方法为:
LSTM神经网络要求输入格式为[samples,t imesteps,features],将训练集转换成相应格式,其中samples为样本个数,timesteps为一个样本的时间跨度,即为样本的特征值,此处为αi,features为特征的维度,为1;将归一化之后的样本放入LSTM,构建神经网络模型。
进一步的,步骤9的具体方法为:
调整相关参数,num_layers,input_shape,epochs,batch_s ize,num_layers为神经元个数,input_shape以(lookback,features)为格式,其中lookback即为αi,表示对每个样本预测时,神经网络读取的历史数据,正好与样本特征一致;
epochs,batch_size需要通过网格调参法进行调整,设定epochs和batch_size变化范围的矩阵,算出每一次模型所对应的每一个样本的RMSE,求出所有样本的平均RMSE,通过最低的RMSE找到模型最适合的参数;
最后,得到LSTM的最适参数,得到最佳的残差预测值,将残差与Prophet的预测值相加,即为改进后的预测值。
本发明与现有的方法相比优点在于:对用电碳排放数据的外部辅助特征依赖较小,仅需要基于时间序列的用电碳排放数据,测算要求更简单,省去了多余的劳动力与资金,相较于一般的Prophet预测方法,有更好的适配性,能够更好应用于实际的工业生产中。
附图说明
图1为本发明的整体工作步骤流程图。
图2为本发明步骤7构建用电碳排放神经网络预测模型的计算逻辑流程图。
具体实施方式
为了能更好地对本发明的技术方案进行理解,下面通过具体地实施例进行详细地说明:
本发明的一种基于改进Prophet模型的用电碳排放预测方法,包括以下步骤:
步骤1:通过数据接口、离线文件等方式对近期地区用电时序数据进行收集,并测算电力能源消耗的碳排放量:
CMelectric=valueelectric*0.42
其中,0.42为上海市碳排放参考因子,单位为t/Mwh
步骤2:对于用电碳排放数据进行适当的预处理,剔除0值,使用四分位法处理异常值,设Q1为数据的第一四分位,Q3为数据的第3四分位,IQR为Q1与Q3之差,数据位于[Q1+1.5*IQR,Q3-1.5&IQR]的区间内的即为正常值,异常值小于下界设为下界,大于上界设为上界。
步骤3:建立Prophet模型,使用单一的Prophet模型对数据集进行预测,为之后的改进的Prophet模型作准备。
步骤4:调整Prophet模型的参数,观察在单一Prophet模型的范围内,能够得到的预测结果。
设c=changepoint_scale,s=seasonality_prior_scale,c初始为0.01,s初始为1。
根据历史数据计算用电碳排放预测结果,即[d1,d2,d3,...,dn-10]所对应的yhat的值,计算RMSE。
调整c和s的值,c的范围在(0,1]之间步长为Δc,s的范围在[1,10]之间,步长为Δs,迭代输出每次循环的预测结果,计算RMSE。
循环结束,求出所得最小RMSE时,Prophet模型的参数。
将参数带入Prophet模型,得到此时单一Prophet模型的预测结果。
步骤5:将时间序列的用电碳排放数据转换为监督类型,即以前αi天的用电碳排放数据为一条样本的一个特征,对应的标签是后(1-α)i天的用电碳排放数据。
样本总数为n*i,以i个日期划分为一个样本,分别用以校准好的Prophet模型对前αi天进行预测,得到后(1-α)i天的预测结果,α为一定比例的系数。每一行为一个样本,样本的格式如下:
ds1 ds2 … yhatαi+1 ...yhati
dsi+1 dsi+2… yhat(1+α)i+1...yhat2i
ds(n-1)i+1ds(n-1)i+2…yhat(n-1+α)i+1...yhatn*i
步骤6:Prophet预测后得到每个时间段内的用电碳排放预测值,计算每个样本中Prophet预测值与实际值的残差residual。
步骤7:归一化残差,用所有残差样本建立一个新的数据集。
为方便说明,yhat的下标调整成与实际值一致,如yhati所对应的实际值为dsi,此时的残差即为该2数之差。计算每个样本中Prophet预测值与实际值的残差residual:
将残差与原特征匹配,建立一个新的样本集。
ds1 ds2 … residualαi+1 ...residualsi
dsi+1 dsi+2… residual(1+α)i+1...redidual2i
ds(n-1)i+1ds(n-1)i+2…residual(n-1+α)i+1...residualn*i
将新样本以一定比例划分为LSTM的训练集与测试集;
先对训练集0-1归一化,归一化设在划分样本之前,以防止测试集的数据泄漏到训练集中,影响预测的结果。测试集的用训练集中的Xmax和Xmin进行归一化,公式如下:
步骤8:将残差的格式调整成LSTM的输入格式,建立神经网络模型。
LSTM神经网络要求输入格式为[samples,t imesteps,features]。将训练集转换成相应格式,其中samples为样本个数,timesteps为一个样本的时间跨度,即为样本的特征值,此处为αi,features为特征的维度,为1。
将归一化之后的样本放入LSTM,构建神经网络模型。
步骤9:调整LSTM相关参数,反归一化后,得到最终结果。
调整相关参数,num_layers,input_shape,epochs,batch_s ize,num_layers为神经元个数,input_shape以(lookback,features)为格式,其中lookback即为αi,表示对每个样本预测时,神经网络读取的历史数据,正好与样本特征一致。
epochs,batch_s ize需要通过网格调参法进行调整,设定epochs和batch_s ize变化范围的矩阵,算出每一次模型所对应的每一个样本的RMSE,求出所有样本的平均RMSE,通过最低的RMSE找到模型最适合的参数。
最后,得到LSTM的最适参数,得到最佳的残差预测值,将残差与Prophet的预测值相加,即为改进后的预测值。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (6)
1.一种基于改进Prophet模型的用电碳排放预测方法,其特征在于,包括以下步骤:
步骤1:通过数据接口、离线文件等方式对近期地区用电时序数据进行收集,并测算电力能源消耗的碳排放量:
CMelectric=valueelectric*0.42
其中,0.42为上海市碳排放参考因子,单位为t/Mwh;
步骤2:对于用电碳排放数据进行预处理,剔除0值,使用四分位法处理异常值,设Q1为数据的第一四分位,Q3为数据的第3四分位,IQR为Q1与Q3之差,数据位于[Q1+1.5*IQR,Q3-1.5&IQR]的区间内的即为正常值,异常值小于下界设为下界,大于上界设为上界;
步骤3:建立Prophet模型,使用单一的Prophet模型对数据集进行预测,为之后的改进的Prophet模型作准备;
步骤4:调整Prophet模型的参数,观察在单一Prophet模型的范围内,能够得到的预测结果;
步骤5:将时间序列的用电碳排放数据转换为监督类型,即以前αi天的用电碳排放数据为一条样本的一个特征,对应的标签是后(1-α)i天的用电碳排放数据;
步骤6:Prophet预测后得到每个时间段内的用电碳排放预测值,计算每个样本中Prophet预测值与实际值的残差residual;
步骤7:归一化残差,用所有残差样本建立一个新的数据集;
步骤8:将残差的格式调整成LSTM的输入格式,建立神经网络模型;
步骤9:调整LSTM参数,得到最终结果。
2.根据权利要求1所述的一种基于改进Prophet模型的用电碳排放预测方法,其特征在于,步骤4的具体方法为,
设c=changepoint_scale,s=seasonality_prior_scale,c初始为0.01,s初始为1;
根据历史数据计算用电碳排放预测结果,即[d1,d2,d3,...,dn-10]所对应的yhat的值,计算RMSE;
调整c和s的值,c的范围在(0,1]之间步长为Δc,s的范围在[1,10]之间,步长为Δs,迭代输出每次循环的预测结果,计算RMSE;
循环结束,求出所得最小RMSE时,Prophet模型的参数;
将参数带入Prophet模型,得到此时单一Prophet模型的预测结果。
3.根据权利要求1所述的一种基于改进Prophet模型的用电碳排放预测方法,其特征在于,步骤5的具体方法为:
本总数为n*i,以i个日期划分为一个样本,分别用以校准好的Prophet模型对前αi天进行预测,得到后(1-α)i天的预测结果,α为一定比例的系数,每一行为一个样本,样本的格式如下:
4.根据权利要求1所述的一种基于改进Prophet模型的用电碳排放预测方法,其特征在于,步骤7的具体方法为:
yhat的下标调整成与实际值一致,如yhati所对应的实际值为dsi,此时的残差即为该2数之差,计算每个样本中Prophet预测值与实际值的残差residual:
将残差与原特征匹配,建立一个新的样本集:
将新样本以一定比例划分为LSTM的训练集与测试集;
先对训练集0-1归一化,归一化设在划分样本之前,以防止测试集的数据泄漏到训练集中,影响预测的结果,测试集的用训练集中的Xmax和Xmin进行归一化,公式如下:
5.根据权利要求1所述的一种基于改进Prophet模型的用电碳排放预测方法,其特征在于,步骤8的具体方法为:
LSTM神经网络要求输入格式为[samples,times teps,features],将训练集转换成相应格式,其中samples为样本个数,timesteps为一个样本的时间跨度,即为样本的特征值,此处为αi,features为特征的维度,为1;将归一化之后的样本放入LSTM,构建神经网络模型。
6.根据权利要求1所述的一种基于改进Prophet模型的用电碳排放预测方法,其特征在于,步骤9的具体方法为:
调整相关参数,num_layers,input_shape,epochs,batch_size,num_layers为神经元个数,input_shape以(lookback,features)为格式,其中lookback即为αi,表示对每个样本预测时,神经网络读取的历史数据,正好与样本特征一致;
epochs,batch_size需要通过网格调参法进行调整,设定epochs和batch_size变化范围的矩阵,算出每一次模型所对应的每一个样本的RMSE,求出所有样本的平均RMSE,通过最低的RMSE找到模型最适合的参数;
最后,得到LSTM的最适参数,得到最佳的残差预测值,将残差与Prophet的预测值相加,即为改进后的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310460909.4A CN116629406A (zh) | 2023-04-26 | 2023-04-26 | 一种基于改进Prophet模型的用电碳排放预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310460909.4A CN116629406A (zh) | 2023-04-26 | 2023-04-26 | 一种基于改进Prophet模型的用电碳排放预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116629406A true CN116629406A (zh) | 2023-08-22 |
Family
ID=87596398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310460909.4A Pending CN116629406A (zh) | 2023-04-26 | 2023-04-26 | 一种基于改进Prophet模型的用电碳排放预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629406A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117251816A (zh) * | 2023-10-26 | 2023-12-19 | 南方电网能源发展研究院有限责任公司 | 碳排放数据的验证方法、装置、计算机设备和存储介质 |
-
2023
- 2023-04-26 CN CN202310460909.4A patent/CN116629406A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117251816A (zh) * | 2023-10-26 | 2023-12-19 | 南方电网能源发展研究院有限责任公司 | 碳排放数据的验证方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111008728B (zh) | 一种用于分布式光伏发电系统短期出力的预测方法 | |
CN109597967B (zh) | 一种电力系统配变电站负荷数据异常检测与修复方法 | |
CN111695736B (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
CN110991737A (zh) | 一种基于深度置信网络的超短期风电功率预测方法 | |
CN116629406A (zh) | 一种基于改进Prophet模型的用电碳排放预测方法 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
CN116599050A (zh) | 基于自注意力机制的光伏预测方法及相关装置 | |
Deng et al. | Degradation prediction of PEMFCs using stacked echo state network based on genetic algorithm optimization | |
CN114091317A (zh) | 基于nwp辐照度修正和误差预测的光伏电站功率预测方法 | |
CN112508246A (zh) | 一种基于相似日的光伏发电功率预测方法 | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
CN115796004A (zh) | 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法 | |
CN116757057A (zh) | 基于pso-ga-lstm模型的空气质量预测方法 | |
CN117117819A (zh) | 一种光伏发电短期功率预测方法、系统、设备和介质 | |
CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
CN113866552B (zh) | 一种基于机器学习的中压配网用户用电异常诊断方法 | |
CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
CN110956304A (zh) | 一种基于ga-rbm的分布式光伏发电量短期预测方法 | |
CN112669168B (zh) | 一种风电功率短期预测方法 | |
CN111815051B (zh) | 考虑天气影响因素的grnn光伏发电预测方法 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN110555566B (zh) | 一种基于b样条分位数回归的光电概率密度预测方法 | |
CN116663727A (zh) | 一种光伏功率预测方法及系统 | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
CN110909492A (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 |
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 |