CN116681185B - 负荷预测方法、装置和芯片设备 - Google Patents
负荷预测方法、装置和芯片设备 Download PDFInfo
- Publication number
- CN116681185B CN116681185B CN202310940483.2A CN202310940483A CN116681185B CN 116681185 B CN116681185 B CN 116681185B CN 202310940483 A CN202310940483 A CN 202310940483A CN 116681185 B CN116681185 B CN 116681185B
- Authority
- CN
- China
- Prior art keywords
- predicted
- data
- load data
- training
- load
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 68
- 230000015654 memory Effects 0.000 claims abstract description 46
- 230000007787 long-term memory Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 147
- 230000006870 function Effects 0.000 claims description 35
- 230000004927 fusion Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 abstract description 5
- 230000035945 sensitivity Effects 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种负荷预测方法、装置和芯片设备,负荷预测方法包括:获取待预测时间段内连续的m条待预测时间序列负荷数据,其中,m为大于1的整数;对待预测时间序列负荷数据进行正态分布处理,得到待预测正态分布负荷数据;将待预测时间序列负荷数据和待预测正态分布负荷数据进行融合,得到融合后的待预测负荷数据;将融合后的待预测负荷数据输入至预先训练好的改进长短期记忆LSTM网络模型,输出负荷预测结果。本发明实施例的负荷预测方法,提高改进长短期记忆LSTM网络模型对突变负荷数据的灵敏度和增加负荷数据预测的准确性。
Description
技术领域
本发明涉及电力预测技术领域,特别涉及一种负荷预测方法、一种负荷预测装置、一种芯片设备。
背景技术
目前,对电力系统负荷进行预测,不仅可以为电力系统的设计、计划提供可靠的信息,而且对电力系统的经济性运行也起着至关重要的作用。负荷预测的精准度是电力企业现代化程度的一个指标,采用科学、合理的方法进行负荷预测,可以提高电力系统负荷预测的精准度。在电力企业的发展中,要充分发挥负荷预测的功能,应对电力市场的价格变动,从而保障电力系统的安全和稳定运行,改善电力系统的经济性运行。
随着国家能源革命和数字革命的深度融合,大数据和人工智能技术在能源领域开展深入结合与应用,能够促进能源资源的合理配置,大幅度提高能源的利用效率。用户电能数据大多来源于电表采集,使用数据挖掘、数据分析和深度学习等技术对其进行分析,可深度了解政府、企业和居民的能源需求,更好地制定发电计划。电力负荷数据属于时序变化序列,受经济水平、气象和人口等非线性因素影响。
随着电网的数据日益增多,负荷预测建模难度增加,负荷数据容易受各种因素的影响,数据的不确定性比较大,因此负荷数据复杂度较高且具有突变性。目前常见的负荷预测方法有统计学方法、机器学习方法等,其中统计学方法有回归分析法、波动模型等方法;机器学习方法有BP(Back Propagation,反向传播)神经网络法、支持向量机法、随机森林、卷积神经网络等方法。然而,这些方法对负荷数据拟合程度差,对负荷预测中突变数据没有足够的灵敏度,精度无法达到负荷预测的预期。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的目的在于提出一种负荷预测方法、装置和芯片设备,以提高负荷数据预测的准确率。
为达到上述目的,本发明第一方面实施例提出了一种负荷预测方法,所述方法包括:获取待预测时间段内连续的m条待预测时间序列负荷数据,其中,m为大于1的整数;对所述待预测时间序列负荷数据进行正态分布处理,得到待预测正态分布负荷数据;将所述待预测时间序列负荷数据和所述待预测正态分布负荷数据进行融合,得到融合后的待预测负荷数据;将所述融合后的待预测负荷数据输入至预先训练好的改进长短期记忆LSTM网络模型,输出负荷预测结果;其中,改进长短期记忆LSTM网络模型包括依次连接的m个网络单元,在训练所述改进长短期记忆LSTM网络模型时,通过多标签输出优化所述改进长短期记忆LSTM网络模型的损失函数。
另外,本发明实施例的负荷预测方法还可以具有如下附加技术特征:
根据本发明的一个实施例,所述将所述待预测时间序列负荷数据和所述待预测正态分布负荷数据进行融合,包括:对所述待预测时间序列负荷数据进行归一化处理,得到待预测归一化负荷数据;将所述待预测归一化负荷数据和所述待预测正态分布负荷数据进行融合。
根据本发明的一个实施例,所述将所述待预测归一化负荷数据和所述待预测正态分布负荷数据进行融合,包括:对所述待预测正态分布负荷数据进行中值差分处理;将所述待预测归一化负荷数据和中值差分处理后的待预测正态分布负荷数据进行融合。
根据本发明的一个实施例,所述改进长短期记忆LSTM网络模型的训练过程,包括:构建训练样本集,其中,所述训练样本集包括多个训练样本及其对应的第一标签真实值、第二标签真实值,每个所述训练样本包括连续的m条历史时间序列负荷数据;分别对每个所述训练样本及其对应的标签真实值进行归一化处理,以及分别对每个所述训练样本进行正态分布处理,并对正态分布处理后的训练样本进行中值差分处理;分别将每个归一化处理后的训练样本和中值差分处理后的训练样本进行融合,得到更新后的训练样本;构建改进长短期记忆LSTM网络模型;在每个训练周期,将更新后的训练样本的输入当前训练周期的改进长短期记忆LSTM网络模型,得到第一标签预测值和第二标签预测值,并根据归一化处理后的第一标签真实值和所述第一标签预测值、归一化处理后的第二标签真实值和所述第二标签预测值,计算当前训练周期的损失函数,以及判断所述损失函数是否满足训练结束条件;若不满足,则根据所述损失函数通过反向传播对当前训练周期的改进长短期记忆LSTM网络模型中各单元的权重参数进行调整,并将调整后的改进长短期记忆LSTM网络模型用于下一训练周期的训练;若满足,则将当前训练周期的改进长短期记忆LSTM网络模型作为所述训练好的改进LSTM模型。
根据本发明的一个实施例,所述构建训练样本集,包括:获取预设历史时间段内连续的n条历史时间序列负荷数据,其中,n为大于m的整数;对/>进行预处理,得到训练数据/>与标签数据,其中,表示所述训练数据中的第i个元素对应的第一标签真实值,/>表示所述训练数据中的第i个元素对应的第二标签真实值,所述训练数据中的每个元素作为一个训练样本。
根据本发明的一个实施例,所述分别对每个所述训练样本及其对应的标签真实值进行归一化处理,包括:获取中的最大值。
通过如下公式对所述训练数据进行归一化:
其中,表示归一化训练数据。
通过如下公式对所述标签数据进行归一化:
其中,表示归一化标签数据。
根据本发明的一个实施例,所述分别对每个所述训练样本进行正态分布处理,包括:
通过如下公式对所述训练数据进行正态分布处理:
其中,表示正态分布值集合,/>,/>。
根据本发明的一个实施例,所述对正态分布处理后的训练样本进行中值差分处理,包括:
通过如下公式对进行中值处理:
其中,表示中值集合,/>表示对序列b中的数据进行排序,并取排序后数据序列中的中间值;
通过如下公式对进行差分处理:
其中,表示/>对应的差分值,/>表示/>中第i个正态分布数据中第j个元素的正态分布值,/>表示/>中第i个中值,,/>,/>。
根据本发明的一个实施例,所述分别将每个归一化处理后的训练样本和中值差分处理后的训练样本进行融合,包括:
通过如下公式对和/>进行融合:
其中,表示更新后的第i个训练样本中第j个值。
根据本发明的一个实施例,通过如下公式计算所述当前训练周期的损失函数:
其中,,/>,/>表示/>对应的预测值,/>表示/>对应的预测值。
根据本发明的一个实施例,每个所述网络单元包括:忘记门、输入门、状态子单元、第一输出门和第二输出门,所述网络单元的计算公式如下:
所述忘记门的输出为:
其中,表示t时刻所述忘记门的输出,/>表示激活函数Sigmoid,/>表示t时刻的负荷数据,作为所述忘记门的输入/>表示上一个网络单元的第二输出门的输出值,/>表示公式中/>的权重,/>表示公式中/>的权重,/>和/>表示所述忘记门的偏置;
所述输入门的输出为:
其中,,,/>表示t时刻所述输入门的输出,/>表示/>中/>的权重,/>表示/>中/>的权重,/>表示/>中/>的权重,/>表示/>中/>的权重,/>、/>表示/>的偏置,/>、/>表示/>的偏置,/>;
所述第一输出门的输出为:
其中,表示t时刻所述第一输出门的输出,/>表示公式中/>的权重,/>表示公式中/>的权重,/>、/>表示所述第一输出门的偏置;
所述状态子单元的输出为:
其中,表示t时刻所述状态子单元的输出,作为所述状态子单元的输入/>表示上一个网络单元的状态子单元的输出值;
所述第二输出门的输出为:
其中,表示t时刻所述第二输出门的输出。
为达到上述目的,本发明第二方面实施例提出了一种负荷预测装置,所述装置包括:数据获取模块、数据处理模块、数据融合模块、数据预测模块。
所述数据获取模块,用于获取待预测时间段内连续的m条待预测时间序列负荷数据,其中,m为大于1的整数;所述数据处理模块,用于对所述待预测时间序列负荷数据进行正态分布处理,得到待预测正态分布负荷数据;所述数据融合模块,用于将所述待预测时间序列负荷数据和所述待预测正态分布负荷数据进行融合,得到融合后的待预测负荷数据;所述数据预测模块,用于将所述融合后的待预测负荷数据输入至预先训练好的改进长短期记忆LSTM网络模型,输出负荷预测结果;其中,改进长短期记忆LSTM网络模型包括依次连接的m个网络单元,在训练所述改进长短期记忆LSTM网络模型时,通过多标签输出优化所述改进长短期记忆LSTM网络模型的损失函数。
另外,本发明实施例的负荷预测装置还可以具有如下附加技术特征:
根据本发明的一个实施例,所述数据融合模块在将所述待预测时间序列负荷数据和所述待预测正态分布负荷数据进行融合时,用于:对所述待预测时间序列负荷数据进行归一化处理,得到待预测归一化负荷数据;将所述待预测归一化负荷数据和所述待预测正态分布负荷数据进行融合。
根据本发明的一个实施例,所述数据融合模块在将所述待预测归一化负荷数据和所述待预测正态分布负荷数据进行融合时,用于:对所述待预测正态分布负荷数据进行中值差分处理;将所述待预测归一化负荷数据和中值差分处理后的待预测正态分布负荷数据进行融合。
为达到上述目的,本发明第三方面实施例提出了一种芯片设备,包括存储器、处理器和存储在所述存储器上的计算机程序,所述计算机程序被所述处理器执行时,实现上述的负荷预测方法。
本发明实施例的负荷预测方法、装置和芯片设备,通过先对待预测时间序列负荷数据进行正态分布处理,并将待预测时间序列负荷数据和待预测正态分布负荷数据进行融合,再将融合后的待预测负荷数据输入至预先训练好的改进长短期记忆LSTM网络模型输出负荷预测结果,能够在进行负荷预测时,提高改进长短期记忆LSTM网络模型对突变负荷数据的灵敏度和增加负荷数据预测的准确性。
附图说明
图1是本发明一实施例的负荷预测方法的流程示意图;
图2是本发明一实施例的将待预测时间序列负荷数据和待预测正态分布负荷数据进行融合的流程示意图;
图3是本发明一实施例的将待预测归一化负荷数据和待预测正态分布负荷数据进行融合的流程示意图;
图4是本发明一实施例的改进长短期记忆LSTM网络模型的训练过程的流程示意图;
图5是本发明一实施例的改进长短期记忆LSTM网络模型中单个网络单元的结构示意图;
图6是本发明一实施例的负荷预测装置的结构示意图;
图7是本发明一实施例的芯片设备的结构框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的负荷预测方法、装置和芯片设备。
图1是本发明一实施例的负荷预测方法的流程示意图。
如图1所示,负荷预测方法包括:
S1,获取待预测时间段内连续的m条待预测时间序列负荷数据,其中,m为大于1的整数。
作为一个示例,在获取到待预测时间序列负荷数据之后,可对该数据进行清洗处理,例如,去除异常值、填补缺失值等。从而保证数据的完整性和准确性。
S2,对待预测时间序列负荷数据进行正态分布处理,得到待预测正态分布负荷数据。
需要说明的是,通过对待预测时间序列负荷数据进行正态分布处理,能够提升待预测时间序列负荷数据中突变数据的显著性。
S3,将待预测时间序列负荷数据和待预测正态分布负荷数据进行融合,得到融合后的待预测负荷数据。
S4,将融合后的待预测负荷数据输入至预先训练好的改进长短期记忆LSTM网络模型,输出负荷预测结果。
其中,改进长短期记忆LSTM网络模型包括依次连接的m个网络单元,在训练改进长短期记忆LSTM网络模型时,通过多标签输出优化改进长短期记忆LSTM网络模型的损失函数。
本发明实施例的负荷预测方法,通过先对待预测时间序列负荷数据进行正态分布处理,并将待预测时间序列负荷数据和待预测正态分布负荷数据进行融合,再将融合后的待预测负荷数据输入至预先训练好的改进长短期记忆LSTM网络模型输出负荷预测结果,能够在进行负荷预测时,提高改进长短期记忆LSTM网络模型对突变负荷数据的灵敏度和增加负荷数据预测的准确性。
在本发明的一些实施例中,如图2所示,将待预测时间序列负荷数据和待预测正态分布负荷数据进行融合,包括:
S31,对待预测时间序列负荷数据进行归一化处理,得到待预测归一化负荷数据。
S32,将待预测归一化负荷数据和待预测正态分布负荷数据进行融合。
在该实施例中,通过对待预测时间序列负荷数据进行归一化处理,能够减小不同特征之间的差异,从而提高改进长短期记忆LSTM网络模型的工作性能。
在本发明的一些实施例中,如图3所示,将待预测归一化负荷数据和待预测正态分布负荷数据进行融合,包括:
S321,对待预测正态分布负荷数据进行中值差分处理。
S322,将待预测归一化负荷数据和中值差分处理后的待预测正态分布负荷数据进行融合。
在该实施例中,通过对待预测正态分布负荷数据进行中值差分处理,能够提取待预测正态分布负荷数据中的显著性特征,提升后续负荷数据预测的准确度。
在本发明的一些实施例中,如图4所示,改进长短期记忆LSTM网络模型的训练过程,包括:
S41,构建训练样本集,其中,训练样本集包括多个训练样本及其对应的第一标签真实值、第二标签真实值,每个训练样本包括连续的m条历史时间序列负荷数据。
作为一个示例,根据获取的训练样本,可通过人工标注方式得到训练样本的第一标签真实值和第二标签真实值。
S42,分别对每个训练样本及其对应的标签真实值进行归一化处理,以及分别对每个训练样本进行正态分布处理,并对正态分布处理后的训练样本进行中值差分处理。
S43,分别将每个归一化处理后的训练样本和中值差分处理后的训练样本进行融合,得到更新后的训练样本。
S44,构建改进长短期记忆LSTM网络模型。
作为一个示例,改进长短期记忆LSTM网络模型包括多个依次连接的网络单元,每个网络单元包括忘记门、输入门、状态子单元、第一输出门和第二输出门。
S45,在每个训练周期,将更新后的训练样本的输入当前训练周期的改进长短期记忆LSTM网络模型,得到第一标签预测值和第二标签预测值,并根据归一化处理后的第一标签真实值和第一标签预测值、归一化处理后的第二标签真实值和第二标签预测值,计算当前训练周期的损失函数,以及判断损失函数是否满足训练结束条件。
S46,若不满足,则根据损失函数通过反向传播对当前训练周期的改进长短期记忆LSTM网络模型中各单元的权重参数进行调整,并将调整后的改进长短期记忆LSTM网络模型用于下一训练周期的训练。
S47,若满足,则将当前训练周期的改进长短期记忆LSTM网络模型作为训练好的改进LSTM模型。
在该实施例中,通过归一化处理后的第一标签真实值和第一标签预测值、归一化处理后的第二标签真实值和第二标签预测值,计算当前训练周期的损失函数,并在损失函数不满足训练结束条件时,对改进长短期记忆LSTM网络模型中各单元的权重参数进行调整,使得训练后的改进长短期记忆LSTM网络模型能够提高负荷预测的准确率。
在本发明的一些实施例中,构建训练样本集,包括:
S411,获取预设历史时间段内连续的n条历史时间序列负荷数据,其中,n为大于m的整数。
S412,对进行预处理,得到训练数据与标签数据,其中,表示训练数据中的第i个元素对应的第一标签真实值,/>表示训练数据中的第i个元素对应的第二标签真实值,训练数据中的每个元素作为一个训练样本。
具体地,训练数据中共有n-m组数据,每组数据中包含m个数据;标签数据中也共有n-m组数据,每组数据中包含两个数据。其中,/>中的“0”表示下一时刻负荷数据在变大,/>中的“1”表示下一时刻负荷数据在变小。该方式能够在进行模型训练时,实现双重损失函数的计算。
在该实施例中,通过对进行预处理,得到标签过的标签数据,从而可实现双重损失函数的计算,提高改进长短期记忆LSTM网络模型的训练速度和效率。
在本发明的一些实施例中,分别对每个训练样本及其对应的标签真实值进行归一化处理,包括:
获取中的最大值/>。
通过如下公式对训练数据进行归一化:
其中,表示归一化训练数据。
通过如下公式对标签数据进行归一化:
其中,表示归一化标签数据。
在本发明的一些实施例中,分别对每个训练样本进行正态分布处理,包括:
通过如下公式对训练数据进行正态分布处理:
其中,表示正态分布值集合,/>,/>。
需要说明的是,通过对训练数据进行正态分布处理,能够提升训练数据中的突变数据的权重。
具体地,对正态分布处理后的训练样本进行中值差分处理,包括:
通过如下公式对进行中值处理:
其中,表示中值集合,/>表示对序列b中的数据进行排序,并取排序后数据序列中的中间值;
通过如下公式对进行差分处理:
其中,表示/>对应的差分值,/>表示/>中第i个正态分布数据中第j个元素的正态分布值,/>表示/>中第i个中值,,/>,/>。
在该实施例中,通过结合正态分布的特性(对称性、单峰性和集中性),有效的量化训练数据到(0,1)范围并突出数据中的离群数据,便于后续分析处理。同时,对训练数据对应的正态分布值进行中值差分处理,依次得到中值和差分值,能够提取出数据的显著性特征,从而增加改进长短期记忆LSTM网络模型在训练时对突变的负荷数据的敏感度。
在本发明的一些实施例中,分别将每个归一化处理后的训练样本和中值差分处理后的训练样本进行融合,包括:
通过如下公式对和/>进行融合:
其中,表示更新后的第i个训练样本中第j个值。
具体地,通过如下公式计算当前训练周期的损失函数:
其中,,/>,/>表示/>对应的预测值,/>表示/>对应的预测值。
作为一个示例,损失函数训练结束的条件可为趋近于0。
在该实施例中,通过归一化后的标签数据和第一标签预测值、第二标签预测值,进行损失函数的计算,能够对预测结果进行双重矫正,提高改进长短期记忆LSTM网络模型预测的准确性。
在本发明的一些实施例中,如图5所示,每个网络单元包括:忘记门301、输入门302、状态子单元303、第一输出门304和第二输出门305,网络单元的计算公式如下:
忘记门的输出为:
其中,表示t时刻忘记门的输出,/>表示激活函数Sigmoid,/>表示t时刻的负荷数据,作为忘记门的输入/>表示上一个网络单元的第二输出门的输出值,/>表示公式中/>的权重,/>表示公式中/>的权重,/>和/>表示忘记门的偏置;
输入门的输出为:
其中,,,/>表示t时刻输入门的输出,/>表示/>中/>的权重,/>表示/>中/>的权重,/>表示/>中/>的权重,/>表示/>中/>的权重,/>、/>表示/>的偏置,/>、/>表示/>的偏置,/>;
第一输出门的输出为:
其中,表示t时刻第一输出门的输出,/>表示公式中/>的权重,/>表示公式中的权重,/>、/>表示第一输出门的偏置;
状态子单元的输出为:
其中,表示t时刻状态子单元的输出,作为状态子单元的输入/>表示上一个网络单元的状态子单元的输出值;
第二输出门的输出为:
其中,表示t时刻第二输出门的输出。
需要说明的是,在图5中,表示忘记门的权重,/>和/>表示输入门的权重,/>表示第一输出门的权重。
对应上述实施例,本发明还提出一种负荷预测装置。
图6是本发明一实施例的负荷预测装置的结构示意图。
如图6所示,负荷预测装置包括:数据获取模块101、数据处理模块102、数据融合模块103和数据预测模块104。
数据获取模块101用于获取待预测时间段内连续的m条待预测时间序列负荷数据,其中,m为大于1的整数。
数据处理模块102用于对待预测时间序列负荷数据进行正态分布处理,得到待预测正态分布负荷数据。
需要说明的是,数据处理模块102通过对待预测时间序列负荷数据进行正态分布处理,能够提升待预测时间序列负荷数据中突变数据的显著性。
数据融合模块103用于将待预测时间序列负荷数据和待预测正态分布负荷数据进行融合,得到融合后的待预测负荷数据。
数据预测模块104用于将融合后的待预测负荷数据输入至预先训练好的改进长短期记忆LSTM网络模型,输出负荷预测结果。
其中,改进长短期记忆LSTM网络模型包括依次连接的m个网络单元,在训练改进长短期记忆LSTM网络模型时,通过多标签输出优化改进长短期记忆LSTM网络模型的损失函数。
本发明实施例的负荷预测装置,能够在进行负荷预测时,提高负荷数据预测的准确率。
在本发明的一些实施例中,数据融合模块103在将待预测时间序列负荷数据和待预测正态分布负荷数据进行融合时,用于:对待预测时间序列负荷数据进行归一化处理,得到待预测归一化负荷数据;将待预测归一化负荷数据和待预测正态分布负荷数据进行融合。
在该实施例中,数据融合模块103通过对待预测时间序列负荷数据进行归一化处理,能够减小不同特征之间的差异,从而提高改进长短期记忆LSTM网络模型的工作性能。
在本发明的一些实施例中,数据融合模块103在将待预测归一化负荷数据和待预测正态分布负荷数据进行融合时,用于:对待预测正态分布负荷数据进行中值差分处理;将待预测归一化负荷数据和中值差分处理后的待预测正态分布负荷数据进行融合。
在该实施例中,数据融合模块103通过对待预测正态分布负荷数据进行中值差分处理,能够提取待预测正态分布负荷数据中的显著性特征,提升后续负荷数据预测的准确度。
需要说明的是,本发明实施例的负荷预测装置的其他具体实施方式可参见本发明上述实施例的负荷预测方法的具体实施方式。
对应上述实施例,本发明还提出一种芯片设备。
图7是本发明一实施例的芯片设备的结构框图。
如图7所示,芯片设备200包括:处理器201和存储器203。其中,处理器201和存储器203相连,如通过总线202相连。可选地,芯片设备200还可以包括收发器204。需要说明的是,实际应用中收发器204不限于一个,该芯片设备200的结构并不构成对本发明实施例的限定。
处理器201可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框、模块和电路。处理器201也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线202可包括一通路,在上述组件之间传送信息。总线202可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线202可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器203用于存储与本发明上述实施例的负荷预测方法对应的计算机程序,该计算机程序由处理器201来控制执行。处理器201用于执行存储器203中存储的计算机程序,以实现前述方法实施例所示的内容。
其中,图7示出的芯片设备200仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
本发明实施例的芯片设备200,通过实现负荷预测方法,能够在进行负荷预测时,提高负荷数据预测的准确率。
需要说明的是,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (14)
1.一种负荷预测方法,其特征在于,所述方法包括:
获取待预测时间段内连续的m条待预测时间序列负荷数据,其中,m为大于1的整数;
对所述待预测时间序列负荷数据进行正态分布处理,得到待预测正态分布负荷数据;
将所述待预测时间序列负荷数据和所述待预测正态分布负荷数据进行融合,得到融合后的待预测负荷数据;
将所述融合后的待预测负荷数据输入至预先训练好的改进长短期记忆LSTM网络模型,输出负荷预测结果;
其中,改进长短期记忆LSTM网络模型包括依次连接的m个网络单元,在训练所述改进长短期记忆LSTM网络模型时,通过多标签输出优化所述改进长短期记忆LSTM网络模型的损失函数;
所述改进长短期记忆LSTM网络模型的训练过程,包括:
构建训练样本集,其中,所述训练样本集包括多个训练样本及其对应的第一标签真实值、第二标签真实值,每个所述训练样本包括连续的m条历史时间序列负荷数据;
分别对每个所述训练样本及其对应的标签真实值进行归一化处理,以及分别对每个所述训练样本进行正态分布处理,并对正态分布处理后的训练样本进行中值差分处理;
分别将每个归一化处理后的训练样本和中值差分处理后的训练样本进行融合,得到更新后的训练样本;
构建改进长短期记忆LSTM网络模型;
在每个训练周期,将更新后的训练样本的输入当前训练周期的改进长短期记忆LSTM网络模型,得到第一标签预测值和第二标签预测值,并根据归一化处理后的第一标签真实值和所述第一标签预测值、归一化处理后的第二标签真实值和所述第二标签预测值,计算当前训练周期的损失函数,以及判断所述损失函数是否满足训练结束条件;
若不满足,则根据所述损失函数通过反向传播对当前训练周期的改进长短期记忆LSTM网络模型中各单元的权重参数进行调整,并将调整后的改进长短期记忆LSTM网络模型用于下一训练周期的训练;
若满足,则将当前训练周期的改进长短期记忆LSTM网络模型作为所述训练好的改进LSTM模型。
2.根据权利要求1所述的负荷预测方法,其特征在于,所述将所述待预测时间序列负荷数据和所述待预测正态分布负荷数据进行融合,包括:
对所述待预测时间序列负荷数据进行归一化处理,得到待预测归一化负荷数据;
将所述待预测归一化负荷数据和所述待预测正态分布负荷数据进行融合。
3.根据权利要求2所述的负荷预测方法,其特征在于,所述将所述待预测归一化负荷数据和所述待预测正态分布负荷数据进行融合,包括:
对所述待预测正态分布负荷数据进行中值差分处理;
将所述待预测归一化负荷数据和中值差分处理后的待预测正态分布负荷数据进行融合。
4.根据权利要求1所述的负荷预测方法,其特征在于,所述构建训练样本集,包括:
获取预设历史时间段内连续的n条历史时间序列负荷数据,其中,n为大于m的整数;
对进行预处理,得到训练数据与标签数据,其中,表示所述训练数据中的第i个元素对应的第一标签真实值,/>表示所述训练数据中的第i个元素对应的第二标签真实值,所述训练数据中的每个元素作为一个训练样本。
5.根据权利要求4所述的负荷预测方法,其特征在于,所述分别对每个所述训练样本及其对应的标签真实值进行归一化处理,包括:
获取中的最大值/>;
通过如下公式对所述训练数据进行归一化:
其中,表示归一化训练数据;
通过如下公式对所述标签数据进行归一化:
其中,表示归一化标签数据。
6.根据权利要求5所述的负荷预测方法,其特征在于,所述分别对每个所述训练样本进行正态分布处理,包括:
通过如下公式对所述训练数据进行正态分布处理:
其中,表示正态分布值集合,/>,/>。
7.根据权利要求6所述的负荷预测方法,其特征在于,所述对正态分布处理后的训练样本进行中值差分处理,包括:
通过如下公式对进行中值处理:
其中,表示中值集合,/>表示对序列b中的数据进行排序,并取排序后数据序列中的中间值;
通过如下公式对进行差分处理:
其中,表示/>对应的差分值,/>表示/>中第i个正态分布数据中第j个元素的正态分布值,/>表示/>中第i个中值,,/>,/>。
8.根据权利要求7所述的负荷预测方法,其特征在于,所述分别将每个归一化处理后的训练样本和中值差分处理后的训练样本进行融合,包括:
通过如下公式对和/>进行融合:
其中,表示更新后的第i个训练样本中第j个值。
9.根据权利要求8所述的负荷预测方法,其特征在于,通过如下公式计算所述当前训练周期的损失函数:
其中,,/>,/>表示/>对应的预测值,/>表示/>对应的预测值。
10.根据权利要求1所述的负荷预测方法,其特征在于,每个所述网络单元包括:忘记门、输入门、状态子单元、第一输出门和第二输出门,所述网络单元的计算公式如下:
所述忘记门的输出为:
其中,表示t时刻所述忘记门的输出,/>表示激活函数Sigmoid,/>表示t时刻的负荷数据,作为所述忘记门的输入/>表示上一个网络单元的第二输出门的输出值,/>表示公式中/>的权重,/>表示公式中/>的权重,/>和/>表示所述忘记门的偏置;
所述输入门的输出为:
其中,,,/>表示t时刻所述输入门的输出,/>表示/>中/>的权重,/>表示/>中/>的权重,/>表示/>中/>的权重,/>表示/>中的权重,/>、/>表示/>中的偏置,/>、/>表示/>中的偏置,/>;
所述第一输出门的输出为:
其中,表示t时刻所述第一输出门的输出,/>表示公式中/>的权重,/>表示公式中/>的权重,/>、/>表示所述第一输出门的偏置;
所述状态子单元的输出为:
其中,表示t时刻所述状态子单元的输出,作为所述状态子单元的输入/>表示上一个网络单元的状态子单元的输出值;
所述第二输出门的输出为:
其中,表示t时刻所述第二输出门的输出。
11.一种负荷预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取待预测时间段内连续的m条待预测时间序列负荷数据,其中,m为大于1的整数;
数据处理模块,用于对所述待预测时间序列负荷数据进行正态分布处理,得到待预测正态分布负荷数据;
数据融合模块,用于将所述待预测时间序列负荷数据和所述待预测正态分布负荷数据进行融合,得到融合后的待预测负荷数据;
数据预测模块,用于将所述融合后的待预测负荷数据输入至预先训练好的改进长短期记忆LSTM网络模型,输出负荷预测结果;
其中,改进长短期记忆LSTM网络模型包括依次连接的m个网络单元,在训练所述改进长短期记忆LSTM网络模型时,通过多标签输出优化所述改进长短期记忆LSTM网络模型的损失函数;
所述改进长短期记忆LSTM网络模型的训练过程,包括:
构建训练样本集,其中,所述训练样本集包括多个训练样本及其对应的第一标签真实值、第二标签真实值,每个所述训练样本包括连续的m条历史时间序列负荷数据;
分别对每个所述训练样本及其对应的标签真实值进行归一化处理,以及分别对每个所述训练样本进行正态分布处理,并对正态分布处理后的训练样本进行中值差分处理;
分别将每个归一化处理后的训练样本和中值差分处理后的训练样本进行融合,得到更新后的训练样本;
构建改进长短期记忆LSTM网络模型;
在每个训练周期,将更新后的训练样本的输入当前训练周期的改进长短期记忆LSTM网络模型,得到第一标签预测值和第二标签预测值,并根据归一化处理后的第一标签真实值和所述第一标签预测值、归一化处理后的第二标签真实值和所述第二标签预测值,计算当前训练周期的损失函数,以及判断所述损失函数是否满足训练结束条件;
若不满足,则根据所述损失函数通过反向传播对当前训练周期的改进长短期记忆LSTM网络模型中各单元的权重参数进行调整,并将调整后的改进长短期记忆LSTM网络模型用于下一训练周期的训练;
若满足,则将当前训练周期的改进长短期记忆LSTM网络模型作为所述训练好的改进LSTM模型。
12.根据权利要求11所述的负荷预测装置,其特征在于,所述数据融合模块在将所述待预测时间序列负荷数据和所述待预测正态分布负荷数据进行融合时,用于:
对所述待预测时间序列负荷数据进行归一化处理,得到待预测归一化负荷数据;
将所述待预测归一化负荷数据和所述待预测正态分布负荷数据进行融合。
13.根据权利要求12所述的负荷预测装置,其特征在于,所述数据融合模块在将所述待预测归一化负荷数据和所述待预测正态分布负荷数据进行融合时,用于:
对所述待预测正态分布负荷数据进行中值差分处理;
将所述待预测归一化负荷数据和中值差分处理后的待预测正态分布负荷数据进行融合。
14.一种芯片设备,包括存储器、处理器和存储在所述存储器上的计算机程序,其特征在于,所述计算机程序被所述处理器执行时,实现权利要求1-10中任一项所述的负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310940483.2A CN116681185B (zh) | 2023-07-28 | 2023-07-28 | 负荷预测方法、装置和芯片设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310940483.2A CN116681185B (zh) | 2023-07-28 | 2023-07-28 | 负荷预测方法、装置和芯片设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116681185A CN116681185A (zh) | 2023-09-01 |
CN116681185B true CN116681185B (zh) | 2024-01-09 |
Family
ID=87789475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310940483.2A Active CN116681185B (zh) | 2023-07-28 | 2023-07-28 | 负荷预测方法、装置和芯片设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681185B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777335A (zh) * | 2017-01-13 | 2017-05-31 | 深圳爱拼信息科技有限公司 | 一种基于长短期记忆(lstm)模型的多标签行业分类方法及装置 |
CN110059844A (zh) * | 2019-02-01 | 2019-07-26 | 东华大学 | 基于集合经验模态分解和lstm的储能装置控制方法 |
CN111222687A (zh) * | 2019-12-06 | 2020-06-02 | 北京国电通网络技术有限公司 | 基于同源异构神经网络的电力负荷概率预测方法及装置 |
AU2020101023A4 (en) * | 2020-06-16 | 2020-07-23 | Guizhou Minzu University | A Novel Deep Learning Approach for Distributed Traffic Flow Forecasting |
CN114091766A (zh) * | 2021-11-24 | 2022-02-25 | 东北电力大学 | 基于ceemdan-lstm的空间负荷预测方法 |
CN114154753A (zh) * | 2021-12-17 | 2022-03-08 | 国电南瑞科技股份有限公司 | 一种负荷预测方法及系统 |
CN114239945A (zh) * | 2021-12-09 | 2022-03-25 | 武汉大学 | 短期电力负荷预测方法、装置、设备及存储介质 |
CN114548586A (zh) * | 2022-03-01 | 2022-05-27 | 长沙理工大学 | 一种基于混合模型的短期电力负荷预测方法及系统 |
-
2023
- 2023-07-28 CN CN202310940483.2A patent/CN116681185B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777335A (zh) * | 2017-01-13 | 2017-05-31 | 深圳爱拼信息科技有限公司 | 一种基于长短期记忆(lstm)模型的多标签行业分类方法及装置 |
CN110059844A (zh) * | 2019-02-01 | 2019-07-26 | 东华大学 | 基于集合经验模态分解和lstm的储能装置控制方法 |
CN111222687A (zh) * | 2019-12-06 | 2020-06-02 | 北京国电通网络技术有限公司 | 基于同源异构神经网络的电力负荷概率预测方法及装置 |
AU2020101023A4 (en) * | 2020-06-16 | 2020-07-23 | Guizhou Minzu University | A Novel Deep Learning Approach for Distributed Traffic Flow Forecasting |
CN114091766A (zh) * | 2021-11-24 | 2022-02-25 | 东北电力大学 | 基于ceemdan-lstm的空间负荷预测方法 |
CN114239945A (zh) * | 2021-12-09 | 2022-03-25 | 武汉大学 | 短期电力负荷预测方法、装置、设备及存储介质 |
CN114154753A (zh) * | 2021-12-17 | 2022-03-08 | 国电南瑞科技股份有限公司 | 一种负荷预测方法及系统 |
CN114548586A (zh) * | 2022-03-01 | 2022-05-27 | 长沙理工大学 | 一种基于混合模型的短期电力负荷预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116681185A (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112353402B (zh) | 心电信号分类模型的训练方法、心电信号分类方法及装置 | |
Lang et al. | Short-term load forecasting based on multivariate time series prediction and weighted neural network with random weights and kernels | |
Hassan et al. | A HMM-based adaptive fuzzy inference system for stock market forecasting | |
CN112002410A (zh) | 传染病疾病状态预测方法及装置、存储介质、电子设备 | |
Tong et al. | LS-LSTM-AE: Power load forecasting via Long-Short series features and LSTM-Autoencoder | |
CN113177366B (zh) | 一种综合能源系统规划方法、装置和终端设备 | |
CN117131974A (zh) | 一种模型的训练方法、功率预测方法及设备 | |
Kumar et al. | Analysis and prediction of stock price using hybridization of sarima and xgboost | |
CN114118570A (zh) | 业务数据预测方法及装置、电子设备和存储介质 | |
CN116681185B (zh) | 负荷预测方法、装置和芯片设备 | |
Jia et al. | A dendritic neuron model with nonlinearity validation on Istanbul stock and Taiwan futures exchange indexes prediction | |
CN117036101A (zh) | 基于联邦学习的虚拟电厂居民需求响应预测方法及系统 | |
CN110991774A (zh) | 一种电量负荷预测方法及装置 | |
CN110826777A (zh) | 风电竞价场内交易数据分析方法、装置、设备及介质 | |
CN110717577A (zh) | 一种注意区域信息相似性的时间序列预测模型构建方法 | |
CN114255502B (zh) | 人脸图像生成方法及装置、人脸识别方法、设备、介质 | |
CN116576504A (zh) | 一种可解释区域热负荷预测方法、装置、设备及存储介质 | |
CN115952928A (zh) | 一种短期电力负荷预测方法、装置、设备及存储介质 | |
Chen et al. | A dual attention-based CNN-GRU model for short-term electric load forecasting | |
CN112668713A (zh) | 一种能耗智能预测方法及系统 | |
CN112632846B (zh) | 一种电力系统输电断面极限概率评估方法及电子设备 | |
An et al. | Transient stability margin prediction under the concept of security region of power systems based on the long short-term memory network and attention mechanism | |
Zhong et al. | Wind power generation prediction during the COVID-19 epidemic based on novel hybrid deep learning techniques | |
CN115482419B (zh) | 一种海洋渔业产品的数据采集分析方法及系统 | |
CN117476110B (zh) | 基于人工智能的多尺度生物标记物发现系统 |
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 |