CN116861201B - 基于人工智能的电力供给系统 - Google Patents
基于人工智能的电力供给系统 Download PDFInfo
- Publication number
- CN116861201B CN116861201B CN202311133098.3A CN202311133098A CN116861201B CN 116861201 B CN116861201 B CN 116861201B CN 202311133098 A CN202311133098 A CN 202311133098A CN 116861201 B CN116861201 B CN 116861201B
- Authority
- CN
- China
- Prior art keywords
- unit
- power load
- data
- prediction result
- matrix
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 238000012937 correction Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims description 101
- 239000011159 matrix material Substances 0.000 claims description 85
- 238000000354 decomposition reaction Methods 0.000 claims description 65
- 230000005856 abnormality Effects 0.000 claims description 42
- 230000000737 periodic effect Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 5
- 230000010363 phase shift Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 18
- 238000009499 grossing Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 9
- 230000001932 seasonal effect Effects 0.000 description 9
- 238000000513 principal component analysis Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000008844 regulatory mechanism Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000004816 latex Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
Abstract
本发明涉及电力技术领域，更进一步地，涉及基于人工智能的电力供给系统。所述系统包括：数据获取单元，配置用于获取电力负荷历史数据，对电力负荷历史数据依次进行采样、平滑和消除噪声处理，以得到电力负荷历史数据的时间序列数据；电力负荷预测单元，配置基于时间序列数据进行电力负荷预测，得到电力负荷预测结果；电力负荷预测修正单元，配置用于对电力负荷历史数据进行异常分分析，提取电力负荷历史数据的异常指数，基于异常指数，对负荷预测结果进行修正，以得到修正预测结果；供给单元，配置用于基于修正预测结果，调整电力供给。本发明实现了更为精确的负荷预测，使得电力供给更加准确，提高了能源利用效率。
Description
技术领域
本发明属于电力技术领域，具体涉及基于人工智能的电力供给系统。
背景技术
在现代社会，电力供应的可靠性和稳定性对于维持各种领域的正常运行至关重要，包括家庭、工业、商业等。因此，电力负荷预测技术的准确性和高效性成为了电力行业迫切需要解决的问题。电力负荷预测在能源规划、电力调度、电网优化等方面具有重要作用，对于提高电力供给效率、减少能源浪费具有重要意义。
然而，在传统的电力负荷预测方法中，常常受到多种因素的干扰和限制，导致预测结果的准确性难以满足实际需求。传统方法主要依赖于统计分析、时间序列模型等技术，这些方法在处理非线性、非平稳的电力负荷数据时存在一定的局限性。另外，这些方法往往没有充分考虑到负荷数据中的周期性和趋势性，从而导致预测结果与实际情况不一致。特别是在季节性和周期性变化明显的情况下，传统方法的预测精度会大幅下降。
发明内容
本发明的主要目的在于提供基于人工智能的电力供给系统，实现了更为精确的负荷预测，使得电力供给更加准确，提高了能源利用效率。
为了解决上述问题，本发明的技术方案是这样实现的：
基于人工智能的电力供给系统，所述系统包括：数据获取单元，配置用于获取电力负荷历史数据，对电力负荷历史数据依次进行采样、平滑和消除噪声处理，以得到电力负荷历史数据的时间序列数据；电力负荷预测单元，配置基于时间序列数据进行电力负荷预测，得到电力负荷预测结果；电力负荷预测修正单元，配置用于对电力负荷历史数据进行异常分分析，提取电力负荷历史数据的异常指数，基于异常指数，对负荷预测结果进行修正，以得到修正预测结果；供给单元，配置用于基于修正预测结果，调整电力供给。
进一步的，所述电力负荷预测单元包括：特征提取单元、改进变分模态分解单元、
模态更新单元、模态融合单元、模态重构单元和预测单元；所述特征提取单元，配置用于对
时间序列数据进行多尺度分解，得到不同频率分量，将频率分量组成频率分量集合；所述改
进变分模态分解单元配置用于使用改进的变分模态分解方法对频率分量集合进行模态分
解，得到个模态；所述模态更新单元，配置用于迭代更新每个模态的潜在分量和系数矩
阵；模态融合单元，配置用于将不同尺度下的相同模态进行融合，得到整体潜在分量和整体
系数矩阵；模态重构单元，配置用于基于整体潜在分量和整体系数矩阵重构时间序列数据；
预测单元，配置用于将重构时间序列数据输入到长短时记忆网络中，以捕捉时间序列数据
中的时序依赖关系，输出电力负荷预测结果。
进一步的，所述特征提取单元，对时间序列数据进行多尺度分解，得到不同频率分量，将所有的频率分量按照时间先后顺序组成频率分量集合的方法包括：
步骤1：构建特征滤波器，所述特征滤波器使用如下公式进行表示：
；
其中，是中心频率，是虚数单位，是时间，为特征滤波器；
设为时间序列数据，使用如下公式，对进行连续小波变换，得到尺度和
平移下的连续小波系数：
；
其中，是时间序列数据，是特征滤波器的共轭滤波器；使用如下公式从尺
度计算频率：
；
在每个尺度下，可以计算细节系数和近似系数；
；
再使用如下公式，得到频率分量集合：
；
其中，为频率分量集合。
进一步的，所述改进变分模态分解单元使用改进的变分模态分解方法对频率分量
集合进行模态分解，得到个模态的方法包括：
使用如下公式对频率分量集合进行改进变分模态分解：
；每个模态包括一个潜在变量表示模态的特征信息，以及
对应的系数矩阵表示模态的权重。
进一步的，所述模态更新单元，迭代更新每个模态的潜在分量和系数矩阵的方法包括：
；
其中，表示迭代更新的次数，为设定值；为模态的索引，表示其他模态的索引，表示不考虑当前模态；当经过次的迭代更新后，完成对每个模态的潜在分量和系数
矩阵的更新；表示Frobenius范数，用于计算矩阵的范数。
进一步的，所述模态融合单元，将不同尺度下的相同模态进行融合，得到整体潜在
分量和整体系数矩阵的方法包括：对于每个尺度，已经得到潜在分量和系数矩阵；
对于每个尺度，使用主成分分析法来获得潜在分量的主成分矩阵，表示为；将
每个尺度下的主成分矩阵进行汇总，得到一个整体的主成分矩阵，作为整体
潜在分量；对于每个尺度，使用主成分分析法来获得系数矩阵的主成分矩阵，表示为；将每个尺度下的主成分矩阵进行汇总，得到一个整体的主成分矩阵，作为整体系数矩阵。
进一步的，所述模态重构单元，基于整体潜在分量和整体系数矩阵重构时间序列数据的方法包括：使用如下公式，重构时间序列数据：
；
其中，为重构的时间序列数据，表示矩阵的叉乘。
进一步的，所述电力负荷预测修正单元，包括：异常分析单元，配置用于对电力负荷历史数据进行异常分分析，提取电力负荷历史数据的异常指数；修正单元，配置用于基于异常指数，对负荷预测结果进行修正，以得到修正预测结果；所述异常分析单元对电力负荷历史数据进行异常分分析，提取电力负荷历史数据的异常指数的方法包括：使用如下公式，计算异常指数：
；
为电力负荷历史数据的窗口大小，表示检测到的任意窗口外的实际电力负荷，表示对应窗口大小为的电力负荷历史数据的平均值，为窗口大小为的电力负荷历史
数据的标准差。
进一步的，所述修正单元基于异常指数，对负荷预测结果进行修正，以得到修正预
测结果的方法包括；设负荷预测结果为；对负荷预测结果进行周期性调整，得到调整
后的负荷预测结果；将调整后的负荷预测结果使用如下公式计算修正预测结果：
；
其中，为修正预测结果，为时间。
进一步的，对负荷预测结果进行周期性调整的方法包括：使用如下公式，计算周期性调整后的负荷预测结果：
；
其中，为进行周期性调整的周期数量，为设定值；为进行周期性调整时，每个
周期内的电力供给时的电流的幅度平均值；为进行周期性调整时，每个周期内的电力供
给时的电流的相位偏移的平均值；为进行周期性调整时，每个周期内的电力供给时的电
流的频率的平均值。
本发明的基于人工智能的电力供给系统，具有以下有益效果：本发明将异常指数和周期性调整等方法结合，针对负荷预测结果进行修正。首先，异常分析单元能够识别并提取出历史数据中的异常指数，从而改进了预测模型对异常情况的应对能力。然后，通过周期性调整方法，预测模型能够更好地适应数据的周期性波动，进一步提高了预测结果的准确性。修正单元将多种因素综合考虑，使得预测结果更加稳定、可靠。本发明引入了改进的变分模态分解方法，用于对小波分解得到的频率分量集合进行模态分解。这种方法结合了变分模态分解和小波分解的优点，通过迭代更新每个模态的潜在分量和系数矩阵，可以更高效地提取数据的潜在信息。相较于传统的模态分解方法，改进的变分模态分解在计算效率和精度方面都有所提升，从而更好地捕捉负荷数据的特征。本发明将原始电力负荷历史数据分解成不同尺度的频率分量。通过多尺度分析，系统能够更准确地捕捉负荷数据的周期性和趋势性变化，提取出数据的细节和近似信息。这种分解方法优于传统方法，可以更好地反映出电力负荷的复杂性和多样性，从而提高了特征提取的效果。
附图说明
图1为本发明实施例提供的基于人工智能的电力供给系统的系统结构示意图。
具体实施方式
提供了基于人工智能的电力供给系统，通过融合小波分解、改进变分模态分解和负荷预测修正等关键技术，实现了对电力负荷预测的精确性、稳定性和适应性的全面优化。其中，小波分解能够提取多尺度频率分量，改进变分模态分解有效提取模态信息，负荷预测修正单元结合异常分析和周期性调整等方法实现了准确修正预测。这些技术的协同作用，使得本发明能够更准确地预测电力负荷，优化电力供给，提高能源利用效率，为电力系统智能化升级带来积极影响。
为了使本技术领域的人员更好地理解本发明方案，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、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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他实施例，都应当属于本发明保护的范围。
以下分别进行详细说明。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。
实施例1：参考图1，基于人工智能的电力供给系统，所述系统包括：数据获取单元，配置用于获取电力负荷历史数据，对电力负荷历史数据依次进行采样、平滑和消除噪声处理，以得到电力负荷历史数据的时间序列数据；电力负荷预测单元，配置基于时间序列数据进行电力负荷预测，得到电力负荷预测结果；电力负荷预测修正单元，配置用于对电力负荷历史数据进行异常分分析，提取电力负荷历史数据的异常指数，基于异常指数，对负荷预测结果进行修正，以得到修正预测结果；供给单元，配置用于基于修正预测结果，调整电力供给。
具体的，数据获取单元的执行过程包括：
数据采集：从不同的数据源收集电力负荷历史数据。
数据采样：对原始数据进行定期采样，以减少数据量并保留足够的信息。采样可以
使用平均采样或插值等方法，其中表示采样点数，表示当前采样点的索引，表示原
始数据点的值。
采样公式：
其中，表示采样率，表示采样后的数据点的值。
数据平滑：使用平滑算法（如移动平均或指数平滑）来减少数据中的高频噪声，以
获取更平滑的数据曲线。在指数平滑中，是平滑参数，控制了过去数据点的权重。
移动平均公式：
指数平滑公式：
其中，表示移动窗口大小，表示移动平均平滑后的数据点的值，
表示指数平滑平滑后的数据点的值。
消除噪声：通过滤波算法（如低通滤波）来进一步减少数据中的高频噪声。
低通滤波公式：
其中，是滤波器的冲激响应，表示滤波后的数据点的值。
电力负荷预测单元，基于时间序列数据进行电力负荷预测，得到电力负荷预测结果可以使用如下方法：
自回归移动平均模型（ARMA）：ARMA模型是一种基于时间序列分析的方法，将数据的过去值和残差作为输入，预测未来的负荷。ARMA模型有两个部分，自回归（AR）部分和移动平均（MA）部分，它们分别考虑了过去值的相关性和残差的平均。ARMA模型适用于稳定的时间序列数据。
季节性分解方法：这种方法通过将时间序列分解为长期趋势、季节性和随机成分，分别进行预测。例如，使用季节性分解后的趋势和季节性成分来预测未来负荷。这种方法适用于存在明显季节性变化的负荷数据。
指数平滑方法：指数平滑方法基于过去数据的加权平均来预测未来值。有多种指数平滑方法，包括简单指数平滑、双指数平滑和三指数平滑（Holt-Winters方法）。这些方法适用于平稳或具有趋势和季节性的数据。
回归分析方法：回归分析可以利用影响电力负荷的多个因素（如天气、工作日等）进行预测。多元线性回归或非线性回归可以用于建立模型，并将各种因素的影响纳入预测中。
机器学习方法：包括支持向量机（SVM）、随机森林、神经网络等机器学习方法，这些方法可以自动学习数据中的模式和规律，适用于复杂的非线性关系。
时间序列神经网络：这包括循环神经网络（RNN）和长短时记忆网络（LSTM）。这些网络具有记忆性，可以捕捉数据中的时序依赖关系，适用于处理动态的时间序列数据，如电力负荷。
基于模态分解的预测：正如您之前提到的，基于改进的变分模态分解等方法，将时间序列数据分解为不同的模态，然后利用这些模态进行预测。这种方法在捕捉不同频率分量的特征方面可能具有优势。
供给单元进行供电时执行下面的过程：
获取修正预测结果：首先，从负荷预测修正单元获取经过异常分析和周期性调整的修正预测结果。这些修正预测结果已经经过多种技术的综合考虑，相对于传统的负荷预测方法更准确可靠。
实时监测电力供给：供给单元需要实时监测当前的电力供给情况，包括电力供给的实际值、电力网络的负荷状况等。这些实时数据将用于与修正预测结果进行对比和调整。
调整电力供给：供给单元将修正预测结果与实际电力供给进行比较。如果修正预测结果表明当前的负荷需求高于实际供给，供给单元将采取措施以增加电力供给，以满足用户的需求。
智能调控机制：基于修正预测结果和实时监测数据，供给单元会启动智能调控机制。这可能涉及调整发电机的输出、调整电力传输的路径、实时调整电网的负载平衡等多种方法，以确保电力供给与需求之间的平衡。
实施调整策略：供给单元将根据修正预测结果的具体情况，选择合适的调整策略。例如，在高负荷需求时，可以通过增加发电机的输出来满足需求；在异常情况下，可以通过切换电力传输路径来保障供电的稳定性。
反馈机制和优化：供给单元会不断监测调整后的电力供给情况，并将实际调整结果反馈给预测修正单元。这种反馈机制有助于优化预测模型和调整策略，进一步提高预测和供给的准确性。
持续监控和调整：供给单元的调整是持续进行的过程，随着时间的推移，电力负荷的需求和供给情况可能会发生变化。因此，供给单元会不断监控和调整，以适应不同时间段的需求变化。
实施例2：在上一实施例的基础上，所述电力负荷预测单元包括：特征提取单元、改
进变分模态分解单元、模态更新单元、模态融合单元、模态重构单元和预测单元；所述特征
提取单元，配置用于对时间序列数据进行多尺度分解，得到不同频率分量，将频率分量组成
频率分量集合；所述改进变分模态分解单元配置用于使用改进的变分模态分解方法对频率
分量集合进行模态分解，得到个模态；所述模态更新单元，配置用于迭代更新每个模态的
潜在分量和系数矩阵；模态融合单元，配置用于将不同尺度下的相同模态进行融合，得到整
体潜在分量和整体系数矩阵；模态重构单元，配置用于基于整体潜在分量和整体系数矩阵
重构时间序列数据；预测单元，配置用于将重构时间序列数据输入到长短时记忆网络中，以
捕捉时间序列数据中的时序依赖关系，输出电力负荷预测结果。
具体的，预测单元中的主要步骤是将经过模态重构的时间序列数据输入到长短时记忆网络（LSTM）中，以捕捉时间序列数据中的时序依赖关系，从而输出电力负荷预测结果。以下是详细的方法流程，包括相关算法和公式，使用LaTeX格式表示。
LSTM网络介绍：长短时记忆网络（LSTM）是一种递归神经网络，专门设计用于处理序列数据，具有记忆单元来捕获长期依赖关系。LSTM网络由输入门、遗忘门、输出门和细胞状态组成，这些门控制信息的流动和遗忘，从而有效地捕捉序列数据中的模式。
输入数据准备：将经过模态重构的时间序列数据作为输入。假设重构后的数据为，其中表示时间步。
LSTM网络结构：LSTM网络由多个LSTM单元组成，每个单元都包括输入门、遗忘门、输出门和细胞状态。
前向传播过程：在每个时间步，LSTM单元的计算过程如下：
输入门计算：计算输入门的开启程度，决定哪些信息将进入细胞状态。使用激活函
数表示sigmoid函数，表示权重矩阵，表示偏置项，是当前时间步的输入，是
上一个时间步的隐藏状态。
输入门：
遗忘门计算：计算遗忘门的开启程度，决定细胞状态中哪些信息应该被遗忘。
遗忘门：
细胞状态更新：根据输入门和遗忘门的结果，更新细胞状态。
更新细胞状态：
输出门计算：计算输出门的开启程度，决定细胞状态中的哪些信息将被输出为隐藏状态。
输出门：
隐藏状态更新：根据输出门和更新后的细胞状态，计算新的隐藏状态。
更新隐藏状态：
输出：在每个时间步，通过连接隐藏状态到一个全连接层，生成电力负荷的预
测结果。
训练过程：使用训练数据对LSTM网络进行训练，通过最小化预测值与真实值之间的误差来调整网络权重。
综上所述，预测单元的过程涉及将模态重构后的时间序列数据输入到LSTM网络中进行预测。LSTM单元通过输入门、遗忘门、细胞状态和输出门的计算，可以捕捉数据中的长期时序依赖关系。最终，通过连接隐藏状态到全连接层，产生电力负荷的预测结果。这个过程充分利用了LSTM网络的记忆性和序列建模能力，提高了电力负荷预测的准确性。
实施例3：在上一实施例的基础上，所述特征提取单元，对时间序列数据进行多尺度分解，得到不同频率分量，将所有的频率分量按照时间先后顺序组成频率分量集合的方法包括：
步骤1：构建特征滤波器，所述特征滤波器使用如下公式进行表示：
；
其中，是中心频率，是虚数单位，是时间，为特征滤波器；
这个公式描述了特征滤波器的构建过程。特征滤波器是一个用于连续小波变换的
滤波器，其形状由决定。在这个公式中，是中心频率，表示时间，表示一个旋
转相位，而则表示一个高斯分布，这个分布可以用来捕捉信号的时域和频域特性。
设为时间序列数据，使用如下公式，对进行连续小波变换，得到尺度和
平移下的连续小波系数：
；
其中，是时间序列数据，是特征滤波器的共轭滤波器；连续小波变换是通
过滤波将信号在不同尺度和平移下进行变换的过程。在这里，表示原始时间序列数据，是特征滤波器的共轭形式，用于在时间尺度上调整信号。通过对和共轭滤波
器的乘积进行积分，得到在特定尺度和平移下的连续小波系数。这些系数表示在不同
时间和频率的尺度下信号的分量。
使用如下公式从尺度计算频率：
；
这个公式计算了在特定尺度下的频率。频率是信号在时间域中振荡的速度，而
尺度则控制了频率的范围。通过计算，我们得到在当前尺度下信号的频率。
在每个尺度下，可以计算细节系数和近似系数；
；
细节系数和近似系数被计算出来。细节系数表示信号在不同尺度下的高
频分量，而近似系数则代表信号在较低频率上的平滑分量。这些系数是连续小波变换的结
果，反映了信号在不同频率和尺度下的特征。
再使用如下公式，得到频率分量集合：
；
其中，为频率分量集合。
最终，使用细节系数和近似系数，得到频率分量集合。这个集合将细节系数和近
似系数相加，并用频率进行加权。通过将不同尺度下的频率分量组合在一起，我们得到了
一个在时间先后顺序中表示的频率分量集合。
具体的，特征提取单元通过连续小波变换将时间序列数据分解为不同尺度和频率
的细节和近似系数，然后根据这些系数构建频率分量集合，其中是按时间顺序组成的
频率分量。这个过程能够捕捉时间序列数据中不同频率的变化特征，为后续的预测和分析
提供了更丰富的信息。
实施例4：在上一实施例的基础上，所述改进变分模态分解单元使用改进的变分模
态分解方法对频率分量集合进行模态分解，得到个模态的方法包括：
使用如下公式对频率分量集合进行改进变分模态分解：
；每个模态包括一个潜在变量表示模态的特征信息，以及
对应的系数矩阵表示模态的权重。
具体的，改进的变分模态分解是一种用于从信号中提取模态的数据分解方法。其原理是基于变分贝叶斯推断，结合了变分模态分解（VMD）和小波分析的特点，用于将信号分解为不同频率分量和时域模式，以更好地理解信号的特征。
以下是改进的变分模态分解的主要原理：
变分贝叶斯推断：IVMD使用变分贝叶斯推断来解决模态分解问题。贝叶斯推断是一种基于贝叶斯定理的统计方法，用于从观测数据中推断出未知参数的分布。在IVMD中，变分贝叶斯推断用于估计模态和系数，以及模态的潜在变量。
频率分量和时域模式分解：IVMD旨在分解信号，使其表示为多个频率分量和对应的时域模式。这可以帮助捕捉信号的振动和变化特征。通过将信号分解为不同模态，IVMD允许更详细地分析信号在不同频率上的特性。
迭代优化：IVMD通过迭代优化的方式来估计模态和系数。在每次迭代中，它通过最小化近似信号和实际信号之间的误差来调整模态和系数。这样，IVMD逐步逼近最佳分解，以确保提取的模态和系数能够最佳地拟合原始信号。
正则化和约束：为了稳定分解过程并防止过度拟合，IVMD引入了正则化项和约束条件。这些项帮助控制模态和系数的复杂度，以获得更有意义和稳定的分解结果。
综上所述，改进的变分模态分解通过将变分贝叶斯推断与频率分量和时域模式的分解相结合，旨在从信号中提取模态。它通过迭代优化、正则化和约束等方式，使分解结果更加准确和稳定，有助于揭示信号的特征和结构。
实施例5：在上一实施例的基础上，所述模态更新单元，迭代更新每个模态的潜在分量和系数矩阵的方法包括：
；
更新潜在分量：这个公式的目标是更新当前模态的潜在分量，以在模态分
解中更好地拟合原始数据。表示频率分量集合，由之前的步骤得到。我们希望通过更新来使得用其他模态和当前模态重构的信号更接近于。表示使用其他模
态的系数和潜在分量来近似，不考虑当前模态。这一部分代表了其他模态的贡献。是
当前模态的系数矩阵，是当前模态的潜在分量。表示计算Frobenius范数的平
方，用于衡量重构信号与原始信号的差异。这个公式的含义是，通过调整，我们尝试找到
一个，使得用其他模态和当前模态重构的信号与原始数据之间的差异最小化。通过迭
代更新，我们逐渐调整潜在分量，使模态的表示能够更好地拟合原始数据。
更新系数矩阵：这个公式的目标是更新当前模态的系数矩阵，以在模态分
解中更好地拟合原始数据。同样地，表示频率分量集合，表示使用其
他模态的系数和潜在分量来近似，不包括当前模态。是当前模态的系数矩阵，是更新后的潜在分量。这个公式的含义是，通过调整，我们寻找一个使得用其他
模态的系数和潜在分量以及当前模态的新潜在分量重构的信号与原始数据之间的差异
最小化的表示。通过迭代更新，我们逐渐调整系数矩阵，使模态的表示更能匹配原始数
据。
在整个模态更新单元中，这两个公式交替迭代进行，逐渐优化每个模态的潜在分量和系数矩阵。通过多次迭代，这个过程逐步逼近最佳分解结果，从而提取出能够更好地描述信号特征的模态表示。
综上所述，这两个公式在改进的变分模态分解中共同作用，通过迭代更新潜在分量和系数矩阵，以优化模态的表示，使其更好地拟合原始数据。这个过程有助于从复杂的频率分量集合中提取有意义的模态信息。
其中，表示迭代更新的次数，为设定值；为模态的索引，表示其他模态的索引，表示不考虑当前模态；当经过次的迭代更新后，完成对每个模态的潜在分量和系数
矩阵的更新；表示Frobenius范数，用于计算矩阵的范数。
实施例6：在上一实施例的基础上，所述模态融合单元，将不同尺度下的相同模态
进行融合，得到整体潜在分量和整体系数矩阵的方法包括：对于每个尺度，已经得到潜在
分量和系数矩阵；对于每个尺度，使用主成分分析法来获得潜在分量的主成分矩
阵，表示为；将每个尺度下的主成分矩阵进行汇总，得到一个整体的主成
分矩阵，作为整体潜在分量；对于每个尺度，使用主成分分析法来获得系数矩阵
的主成分矩阵，表示为；将每个尺度下的主成分矩阵进行汇总，得到一
个整体的主成分矩阵，作为整体系数矩阵。
具体的，模态融合单元通过将不同尺度下相同模态的信息进行融合，得到整体的潜在分量主成分矩阵和整体系数主成分矩阵。这种融合过程可以增强模态的表示能力，使其更具有综合性和全面性，从而更好地捕捉信号的特征。这个过程在改进的变分模态分解中具有重要作用，使得从不同尺度下提取出的模态能够更好地协同工作。
整体潜在分量的融合：对于每个尺度，我们已经得到潜在分量和系数矩阵
，表示为。这里的表示使用主成分分析法得到的主成分矩阵。在每个尺度下，
使用主成分分析法（PCA）来获得潜在分量的主成分矩阵，即。将每个尺度下的主
成分矩阵进行汇总，得到一个整体的主成分矩阵，作为整体潜在分量。通过
这个过程，我们在每个尺度上提取出相同模态的主成分，然后将它们汇总成一个整体的主
成分矩阵。这有助于将不同尺度下的模态信息进行融合，以获得更全面的潜在分量表示。
整体系数矩阵的融合：对于每个尺度，我们已经得到系数矩阵，表示为。在每个尺度下，使用主成分分析法（PCA）来获得系数矩阵的主成分矩阵，即。将每个尺度下的主成分矩阵进行汇总，得到一个整体的主成分矩阵，作为整体系数矩阵。通过这个过程，我们在每个尺度上提取出相同模态的系数的主
成分，然后将它们汇总成一个整体的主成分矩阵。这有助于将不同尺度下的系数信息进行
融合，以获得更全面的系数表示。
实施例7：在上一实施例的基础上，所述模态重构单元，基于整体潜在分量和整体系数矩阵重构时间序列数据的方法包括：使用如下公式，重构时间序列数据：
；
其中，为重构的时间序列数据，表示矩阵的叉乘。
具体的，通过将整体的潜在分量主成分矩阵和整体系数主成分矩阵相乘，可以重构出原始的时间序列数据。整体潜在分量主成分矩阵包含了模态信息，而整体系数主成分矩阵则表示了不同尺度下的系数信息的融合。通过这种方式，我们可以将模态信息和系数信息结合起来，以生成重构的时间序列数据。模态重构单元通过矩阵乘法的方式，利用整体的潜在分量主成分矩阵和整体系数主成分矩阵，将模态信息重新组合，从而实现对原始时间序列数据的重构。这个过程充分利用了在前面步骤中提取的模态信息，使得重构数据能够保留原始数据的关键特征。这种重构方法在改进的变分模态分解中具有关键作用，使得模态分解的结果能够更好地反映原始数据的特性。
实施例8：在上一实施例的基础上，所述电力负荷预测修正单元，包括：异常分析单元，配置用于对电力负荷历史数据进行异常分分析，提取电力负荷历史数据的异常指数；修正单元，配置用于基于异常指数，对负荷预测结果进行修正，以得到修正预测结果；所述异常分析单元对电力负荷历史数据进行异常分分析，提取电力负荷历史数据的异常指数的方法包括：使用如下公式，计算异常指数：
；
为电力负荷历史数据的窗口大小，表示检测到的任意窗口外的实际电力负荷，表示对应窗口大小为的电力负荷历史数据的平均值，为窗口大小为的电力负荷历史
数据的标准差。
具体的，异常指数可以作为一个重要的信息，帮助调整负荷预测结果。具体的修正方法可能因系统设计而异，但基本思想是通过异常指数来权衡预测结果的可信度。如果异常指数较高，可能意味着历史数据中存在较大的异常，此时可以考虑降低相应时间段的预测权重，以减少异常对预测的影响。
通过异常分析和修正，电力负荷预测修正单元能够更准确地调整预测结果，以适应历史数据中的异常情况，从而提高电力负荷预测的准确性和稳定性。
公式的核心是计算预测负荷（）与历史数据的差异。这是通过将预测负荷与窗口
内历史数据的平均值（）进行比较得到的。差异的绝对值表示了预测值与平均历史数据的
偏离程度。差异除以窗口内历史数据的标准差（），将差异值标准化。标准差衡量了历史数
据的波动程度。标准化后的值告诉我们预测值相对于历史数据的变化幅度，而不仅仅是绝
对差异。对标准化后的差异值进行平方，并在窗口内进行求和。这将突出较大的偏离情况，
使得异常情况在计算中更为显著。对平方和的值加1（以避免计算过程中的除零错误），然后
取对数。取对数的操作将数值范围映射到更合适的区间，有助于更好地描述异常情况。最
后，计算绝对值，得到最终的异常指数。这个指数表示了在给定时间点的电力负荷的异常程
度。指数越高，意味着在该时间点的电力负荷数据与历史数据的差异越大，即存在较大的异
常情况。
实施例9：在上一实施例的基础上，所述修正单元基于异常指数，对负荷预测结果
进行修正，以得到修正预测结果的方法包括；设负荷预测结果为；对负荷预测结果进
行周期性调整，得到调整后的负荷预测结果；将调整后的负荷预测结果使用如下公式
计算修正预测结果：
；
其中，为修正预测结果，为时间。
具体的，在进行修正之前，负荷预测结果可能会存在一些周期性的偏差，这可
能是由于季节性、周期性等因素引起的。通过周期性调整，我们可以将预测结果调整为更贴
近实际情况的状态，从而减小偏差。修正公式中的修正系数取决于异常指数。异常
指数较高时，表示在该时间点存在较大的异常情况，这意味着原始负荷预测结果可能需要
进行较大的修正。反之，如果异常指数较低，则修正系数会较接近于1，表明原始预测结果相
对较准确，不需要进行太大的修正。通过将周期性调整后的负荷预测结果与修正系数
相乘，得到修正后的预测结果。如果异常指数较高，修正系数较小，将减小预测结果，
以应对异常情况；如果异常指数较低，修正系数较接近于1，保持预测结果的相对准确性。
实施例10：在上一实施例的基础上，对负荷预测结果进行周期性调整的方法包括：使用如下公式，计算周期性调整后的负荷预测结果：
；
其中，为进行周期性调整的周期数量，为设定值；为进行周期性调整时，每个
周期内的电力供给时的电流的幅度平均值；为进行周期性调整时，每个周期内的电力供
给时的电流的相位偏移的平均值；为进行周期性调整时，每个周期内的电力供给时的电
流的频率的平均值。
具体的，负荷预测可能会受到季节性、周期性等因素的影响，从而导致预测结果与实际情况存在偏差。周期性调整的目的是通过将周期性的电流信息引入预测结果，消除这种偏差，使预测更准确。公式中的正弦函数用于模拟周期性的电流波动。通过调整不同周期内的幅度、相位和频率，可以模拟不同周期性变化的影响。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；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。
Claims (8)
1.基于人工智能的电力供给系统，其特征在于，所述系统包括：数据获取单元，配置为用于获取电力负荷历史数据，对电力负荷历史数据依次进行采样、平滑和消除噪声处理，以得到电力负荷历史数据的时间序列数据；电力负荷预测单元，配置为基于时间序列数据进行电力负荷预测，得到电力负荷预测结果；电力负荷预测修正单元，配置为用于对电力负荷历史数据进行异常分析，提取电力负荷历史数据的异常指数，基于异常指数，对负荷预测结果进行修正，以得到修正预测结果；供给单元，配置为用于基于修正预测结果，调整电力供给；
所述电力负荷预测单元包括：特征提取单元、改进变分模态分解单元、模态更新单元、模态融合单元、模态重构单元和预测单元；所述特征提取单元，配置为用于对时间序列数据进行多尺度分解，得到不同频率分量，将频率分量组成频率分量集合；所述改进变分模态分解单元配置为用于使用改进的变分模态分解方法对频率分量集合进行模态分解，得到个模态；所述模态更新单元，配置为用于迭代更新每个模态的潜在分量和系数矩阵；模态融合单元，配置为用于将不同尺度下的相同模态进行融合，得到整体潜在分量和整体系数矩阵；模态重构单元，配置为用于基于整体潜在分量和整体系数矩阵重构时间序列数据；预测单元，配置为用于将重构时间序列数据输入到长短时记忆网络中，以捕捉时间序列数据中的时序依赖关系，输出电力负荷预测结果；
所述特征提取单元，对时间序列数据进行多尺度分解，得到不同频率分量，将所有的频率分量按照时间先后顺序组成频率分量集合的方法包括：
步骤1：构建特征滤波器，所述特征滤波器使用如下公式进行表示：
；
其中，是中心频率，/>是虚数单位，/>是时间，/>为特征滤波器；
设为时间序列数据，使用如下公式，对/>进行连续小波变换，得到尺度/>和平移下的连续小波系数/>：/>；
其中，是时间序列数据，/>是特征滤波器的共轭滤波器；使用如下公式从尺度/>计算频率/>：/>；
在每个尺度下，计算细节系数/>和近似系数/>；
；
；
再使用如下公式，得到频率分量集合：；
其中，为频率分量集合。
2.如权利要求1所述的基于人工智能的电力供给系统，其特征在于，所述改进变分模态分解单元使用改进的变分模态分解方法对频率分量集合进行模态分解，得到个模态的方法包括：
使用如下公式对频率分量集合进行改进变分模态分解：；每个模态包括一个潜在分量矩阵/>表示模态/>的特征信息，以及对应的系数矩阵/>表示模态/>的权重。
3.如权利要求2所述的基于人工智能的电力供给系统，其特征在于，所述模态更新单元，迭代更新每个模态的潜在分量和系数矩阵的方法包括：
；
；
其中，表示迭代更新的次数，为设定值；/>为模态的索引，/>表示不考虑当前模态；当经过/>次的迭代更新后，完成对每个模态的潜在分量和系数矩阵的更新；/>表示Frobenius范数，用于计算矩阵的范数。
4.如权利要求3所述的基于人工智能的电力供给系统，其特征在于，所述模态融合单元，将不同尺度下的相同模态进行融合，得到整体潜在分量矩阵和整体系数矩阵的方法包括：对于每个尺度，已经得到潜在分量矩阵/>和系数矩阵/>；对于每个尺度/>，使用主成分分析法来获得潜在分量矩阵/>的主成分矩阵，表示为/>；将每个尺度下的主成分矩阵/>进行汇总，得到一个整体的主成分矩阵/>，作为整体潜在分量矩阵；对于每个尺度/>，使用主成分分析法来获得系数矩阵/>的主成分矩阵，表示为/>；将每个尺度下的主成分矩阵/>进行汇总，得到一个整体的主成分矩阵/>，作为整体系数矩阵。
5.如权利要求4所述的基于人工智能的电力供给系统，其特征在于，所述模态重构单元，基于整体潜在分量和整体系数矩阵重构时间序列数据的方法包括：使用如下公式，重构时间序列数据：；
其中，为重构的时间序列数据，/>表示矩阵的叉乘。
6.如权利要求5所述的基于人工智能的电力供给系统，其特征在于，所述电力负荷预测修正单元，包括：异常分析单元，配置为用于对电力负荷历史数据进行异常分析，提取电力负荷历史数据的异常指数；修正单元，配置为用于基于异常指数，对负荷预测结果进行修正，以得到修正预测结果；所述异常分析单元对电力负荷历史数据进行异常分析，提取电力负荷历史数据的异常指数的方法包括：使用如下公式，计算异常指数：；
为电力负荷历史数据的窗口大小，/>表示检测到的任意窗口外的实际电力负荷，/>表示对应窗口大小为/>的电力负荷历史数据的平均值，/>为窗口大小为/>的电力负荷历史数据的标准差。
7.如权利要求6所述的基于人工智能的电力供给系统，其特征在于，所述修正单元基于异常指数，对负荷预测结果进行修正，以得到修正预测结果的方法包括；设负荷预测结果为；对负荷预测结果进行周期性调整，得到调整后的负荷预测结果/>；将调整后的负荷预测结果使用如下公式计算修正预测结果：/>；
其中，为修正预测结果，/>为时间。
8.如权利要求7所述的基于人工智能的电力供给系统，其特征在于，对负荷预测结果进行周期性调整的方法包括：使用如下公式，计算周期性调整后的负荷预测结果：；
其中，为进行周期性调整的周期数量，为设定值；/>为进行周期性调整时，每个周期内的电力供给时的电流的幅度平均值；/>为进行周期性调整时，每个周期内的电力供给时的电流的相位偏移的平均值；/>为进行周期性调整时，每个周期内的电力供给时的电流的频率的平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311133098.3A CN116861201B (zh) | 2023-09-05 | 2023-09-05 | 基于人工智能的电力供给系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311133098.3A CN116861201B (zh) | 2023-09-05 | 2023-09-05 | 基于人工智能的电力供给系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116861201A CN116861201A (zh) | 2023-10-10 |
| CN116861201B true CN116861201B (zh) | 2024-01-23 |
Family
ID=88234509
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311133098.3A Active CN116861201B (zh) | 2023-09-05 | 2023-09-05 | 基于人工智能的电力供给系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116861201B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117056813B (zh) * | 2023-10-11 | 2024-01-09 | 国网山东省电力公司营销服务中心(计量中心) | 一种用于智能断路器数据采集的检测方法 |
| CN117175666B (zh) * | 2023-11-03 | 2024-01-26 | 深圳航天科创泛在电气有限公司 | 一种分布式储能电源系统的负载调节方法及调节装置 |
| CN117318310B (zh) * | 2023-11-28 | 2024-02-09 | 浙江隆业电气科技有限公司 | 一种防爆配电柜远程无人智慧监测系统 |
| CN117416243B (zh) * | 2023-12-19 | 2024-02-27 | 国网山东省电力公司日照供电公司 | 一种基于数据处理的低谷慢速充电桩及其充电方法 |
| CN117878927A (zh) * | 2024-03-11 | 2024-04-12 | 国网黑龙江省电力有限公司绥化供电公司 | 基于时序分析的电力系统负荷趋势分析方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130074043A (ko) * | 2011-12-26 | 2013-07-04 | 주식회사 케이티 | 오차 보정 알고리즘을 이용한 수용가 수요전력 예측 방법 및 시스템 |
| CN108320063A (zh) * | 2018-03-26 | 2018-07-24 | 上海积成能源科技有限公司 | 一种电力负荷预测中对异常数据剔除和去噪处理的方法 |
| CN108898259A (zh) * | 2018-07-10 | 2018-11-27 | 国网山东省电力公司济宁供电公司 | 基于多因素综合的自适应进化规划电力负荷预测方法及系统 |
| CN109583621A (zh) * | 2018-10-12 | 2019-04-05 | 中国农业大学 | 一种基于改进变分模态分解的pso-lssvm短期负荷预测方法 |
| AU2021103276A4 (en) * | 2021-06-10 | 2021-07-29 | Sichuan University Of Science & Engineering | Single-ended protection method and device for HVDC transmission lines |
| CN116468170A (zh) * | 2023-04-19 | 2023-07-21 | 天津商业大学 | 基于优化变分模态分解的空气质量时间序列预测模型研究 |
| CN116485031A (zh) * | 2023-05-04 | 2023-07-25 | 广东电网有限责任公司广州供电局 | 短期电力负荷的预测方法、装置、设备及存储介质 |
-
2023
- 2023-09-05 CN CN202311133098.3A patent/CN116861201B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130074043A (ko) * | 2011-12-26 | 2013-07-04 | 주식회사 케이티 | 오차 보정 알고리즘을 이용한 수용가 수요전력 예측 방법 및 시스템 |
| CN108320063A (zh) * | 2018-03-26 | 2018-07-24 | 上海积成能源科技有限公司 | 一种电力负荷预测中对异常数据剔除和去噪处理的方法 |
| CN108898259A (zh) * | 2018-07-10 | 2018-11-27 | 国网山东省电力公司济宁供电公司 | 基于多因素综合的自适应进化规划电力负荷预测方法及系统 |
| CN109583621A (zh) * | 2018-10-12 | 2019-04-05 | 中国农业大学 | 一种基于改进变分模态分解的pso-lssvm短期负荷预测方法 |
| AU2021103276A4 (en) * | 2021-06-10 | 2021-07-29 | Sichuan University Of Science & Engineering | Single-ended protection method and device for HVDC transmission lines |
| CN116468170A (zh) * | 2023-04-19 | 2023-07-21 | 天津商业大学 | 基于优化变分模态分解的空气质量时间序列预测模型研究 |
| CN116485031A (zh) * | 2023-05-04 | 2023-07-25 | 广东电网有限责任公司广州供电局 | 短期电力负荷的预测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Eric Ofori-Ntow Jnr et.al.《Sustainable Cities and Society》.2020,第1-13页. * |
| 基于改进VMD-GAT-GRU 的交通流量组合预测模型;殷礼胜 等;《电子测量与仪器学报》;第36卷(第7期);第62-72页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116861201A (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116861201B (zh) | 基于人工智能的电力供给系统 | |
| CN110309603B (zh) | 一种基于风速特性的短期风速预测方法及系统 | |
| CN111832825B (zh) | 融合长短期记忆网络和极限学习机的风电预测方法及系统 | |
| CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
| CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
| CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
| CN112966432A (zh) | 一种锂离子电池剩余有效寿命预测方法及装置 | |
| CN113919545A (zh) | 一种多数据模型融合的光伏发电功率预测方法和系统 | |
| Zhu et al. | Hybrid of EMD and SVMs for short-term load forecasting | |
| Cruz et al. | Prediction intervals with LSTM networks trained by joint supervision | |
| CN113780636A (zh) | 一种基于EMD-GRU-Attention的太阳能辐射预测方法 | |
| Duong-Ngoc et al. | Short term load forcast using deep learning | |
| CN110852522A (zh) | 一种短期电力负荷预测方法及系统 | |
| Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
| CN113393034A (zh) | 一种在线自适应oselm-garch模型的电量预测方法 | |
| CN117424208A (zh) | 一种综合缺失数据的概率光伏发电预测方法 | |
| CN112991088A (zh) | 一种基于vmd-anfis-arima的月度电力需求预测方法 | |
| Lin et al. | Hpt-rl: Calibrating power system models based on hierarchical parameter tuning and reinforcement learning | |
| Putrada et al. | Gru-mf: A novel appliance classification method for non-intrusive load monitoring data | |
| Kong et al. | Improved generalized predictive control for high-speed train network systems based on EMD-AQPSO-LS-SVM time delay prediction model | |
| CN112862004B (zh) | 基于变分贝叶斯深度学习的电网工程造价管控指标预测方法 | |
| Viana et al. | Load forecasting benchmark for smart meter data | |
| CN115001002A (zh) | 一种求解储能参与削峰填谷的优化调度方法和系统 | |
| Liu | Adaptive forgetting factor OS-ELM and bootstrap for time series prediction | |
| CN112183814A (zh) | 一种短期风速预测方法 |
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 |