CN116865254A - 一种电力负荷指标预测方法、系统、设备及介质 - Google Patents
一种电力负荷指标预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116865254A CN116865254A CN202310831900.XA CN202310831900A CN116865254A CN 116865254 A CN116865254 A CN 116865254A CN 202310831900 A CN202310831900 A CN 202310831900A CN 116865254 A CN116865254 A CN 116865254A
- Authority
- CN
- China
- Prior art keywords
- data
- power load
- prediction
- predicted value
- weather information
- 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 78
- 230000015654 memory Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000012800 visualization Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 16
- 230000001932 seasonal effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000009193 crawling Effects 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 21
- 238000010606 normalization Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000006403 short-term memory Effects 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 230000007787 long-term memory Effects 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- BUGBHKTXTAQXES-UHFFFAOYSA-N Selenium Chemical compound [Se] BUGBHKTXTAQXES-UHFFFAOYSA-N 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 229910052711 selenium Inorganic materials 0.000 description 1
- 239000011669 selenium Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
- 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
- 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
- G06Q50/01—Social networking
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力负荷预测技术领域,具体地说,涉及一种电力负荷指标预测方法、系统、设备及介质;首先将获取的电力负荷历史数据、区域气象信息数据和能源价格特征数据进行预处理;然后提取数据特征,调用长短记忆网络建立预测模型,并根据预测模型得到初步电力负荷预测值;最后根据从社交网络中获取的实时电力负荷舆情信息,校正初步电力负荷预测值,并可视化展示校正后的电力负荷预测值;实现了对电力负荷指标的全面高效预测,且预测分析更加准确快速。
Description
技术领域
本发明涉及电力负荷预测技术领域,具体地说,涉及一种电力负荷指标预测方法、系统、设备及介质。
背景技术
对电力负荷进行预测可以为决策和提前应对提供有力支撑。准确的电力负荷预测可以帮助电力系统管理者实现供需平衡。通过预测未来的电力负荷,电力公司可以调整发电计划和能源调度,以满足未来的用电需求,确保电力供应的稳定性和可靠性。
电力负荷预测为能源规划提供重要参考。根据电力负荷的预测结果,能源规划者可以决定新的发电设施建设、升级现有设施、引入可再生能源等策略,以满足未来的能源需求。电力负荷预测可以帮助用户和能源管理者制定有效的节能策略。通过了解未来的电力负荷情况,用户可以根据负荷高峰期调整能源使用行为,合理安排用电计划,降低能源成本和碳排放。准确的电力负荷预测对电力系统的基础设施规划至关重要。电力负荷预测可以帮助规划者确定未来的变电站、输电线路和配电设施等基础设施的需求,确保电力系统的扩展和升级与负荷增长保持同步。电力负荷预测对电力市场的运营和交易决策具有重要影响。市场参与者可以根据负荷预测结果制定电力交易策略,优化电力供应和交易,提高市场效率。
综上所述,准确的电力负荷预测对电力系统运营、能源规划、节能管理、基础设施规划和市场运营等方面都具有重要的意义。它能够提供决策支持,优化资源配置,促进可持续发展,同时提高电力供应的可靠性和经济性。
电力负荷预测是一个复杂的问题,有多种技术和方法可以用于进行预测。常见的电力负荷预测技术包括:
统计方法:统计方法是最常用的电力负荷预测技术之一。包括基于时间序列分析的方法,如自回归移动平均模型(ARMA)、自回归积分移动平均模型(ARIMA)、季节性自回归积分移动平均模型(SARIMA)等。统计方法利用历史数据的模式和趋势来预测未来的电力负荷。
机器学习方法:机器学习方法在电力负荷预测中得到广泛应用。包括基于回归模型的方法,如线性回归、支持向量回归(SVR)、决策树回归等;以及基于神经网络的方法,如多层感知器(MLP)、长短期记忆网络(LSTM)等。机器学习方法可以根据历史数据的特征自动学习电力负荷的非线性模式和关系,进行预测。
物理模型方法:物理模型方法基于对电力系统的物理特性和运行机制的理解。包括基于传输和分布网络的电力负荷流模型、基于电力设备参数和运行状态的模型等。物理模型方法考虑电力系统的结构和运行条件,可以更好地捕捉系统的动态特征和响应。
混合方法:混合方法结合了多种技术和方法,以融合各种模型的优点。可以是将统计方法与机器学习方法相结合,或将物理模型与机器学习方法相结合。混合方法旨在提高预测准确性和鲁棒性,同时兼顾多个方面的信息。
基于数据驱动的方法:基于数据驱动的方法使用大量历史数据进行预测,而不依赖对系统的先验知识。包括基于时间序列的方法、回归模型和机器学习模型等。这些方法通常适用于历史数据丰富、模式明显的情况。
公开号为“CN115907822A”、专利名称为“一种考虑区域及经济影响的负荷特征指标关联性挖掘方法”的中国发明专利,其方案为获取待挖掘的负荷数据的信息数据流;根据信息数据流的地理信息,获取对应地理信息的经济特征数据和气象特征数据;建立数据库,将所获得的数据依照地理位置的行政区域划分分层级存储入数据库;从数据库中选取用于关联规则的主数据。
公开号为“CN115660219A”、专利名称为“种基于HSNS-BP的短期电力负荷预测方法”的中国发明专利,其方案为:将获取的电力负荷数据及其影响因素组成样本数据集,经过预处理之后构建BP网络结构,采用引入自适应参数和柯西变异、引入螺旋因子的高斯变异得到的多策略混合社交网络搜索算法优化所述BP神经网络参数,使用最佳网络参数构建HSNS-BP预测模型,对短期电力的负荷进行预测。
然而现有技术的电力负荷具有以下缺点:
(1)无法针对历史负荷数据,区域气象信息数据以及能源价格数据的变化趋势进行有针对性的模型训练;
(2)对于较广泛区域的预测,由于需要处理大量的数据,因此其运算量较大。且现有技术中虽然有综合考虑天气情况、能源市场价格情况以及用户情绪来实现电力负荷预测的技术方案,但是对于海量数据的获取和处理存在着运算量大,资源需求多的问题。
(3)无法实现电力负荷数据根据用户需要进行针对性可视化展示。
发明内容
本发明针对上述无法进行针对性的模型训练、运算量大且无法进行针对性可视化展示的问题,提出一种电力负荷指标预测方法、系统、设备及介质;首先将获取的电力负荷历史数据、区域气象信息数据和能源价格特征数据进行预处理;然后提取数据特征,调用长短记忆网络建立预测模型,并根据预测模型得到初步电力负荷预测值;最后根据从社交网络中获取的实时电力负荷舆情信息,校正初步电力负荷预测值,并可视化展示校正后的电力负荷预测值;实现了对电力负荷指标的全面高效预测,且预测分析更加准确快速。
本发明具体实现内容如下:
一种电力负荷指标预测方法,具体包括以下步骤:
步骤S1:将获取的电力负荷历史数据、区域气象信息数据和能源价格特征数据进行预处理;
步骤S2:提取预处理后的所述电力负荷历史数据、区域气象信息数据和能源价格特征数据的特征,调用长短记忆网络建立预测模型,并根据所述预测模型得到初步电力负荷预测值;
步骤S3:根据从社交网络中获取的实时电力负荷舆情信息,根据所述实时电力负荷舆情信息校正所述初步电力负荷预测值,并可视化展示校正后的电力负荷预测值。
为了更好地实现本发明,进一步地,所述步骤S1具体包括以下步骤:
步骤S11:确实数据源,采用分布式的方式从多个数据源获取电力负荷历史数据、区域气象信息数据和能源价格特征数据;
步骤S12:调用Hadoop分布式计算框架预处理所述电力负荷历史数据、区域气象信息数据和能源价格特征数据,检查是否存在缺失值、异常值或错误数据;
步骤S13:处理所述缺失值、异常值或错误数据对应的数据点,得到预处理后的电力负荷历史数据、区域气象信息数据和能源价格特征数据。
根据权利要求2所述的一种电力负荷指标预测方法,其特征在于,所述电力负荷历史数据包括电力供应公司数据、能源监管机构数据、研究机构数据、公开数据平台数据。
为了更好地实现本发明,进一步地,所述步骤S2具体包括以下步骤:
步骤S21:在设定周期内,判断所述电力负荷历史数据、区域气象信息数据和能源价格特征数据的变化趋势;
步骤S22:根据所述变化趋势,调用长短记忆网络建立预测模型,并根据所述预测模型得到初步电力负荷预测值。
为了更好地实现本发明,进一步地,所述步骤S21具体包括以下步骤:
步骤S211:根据指数平滑方法平滑所述电力负荷历史数据、区域气象信息数据和能源价格特征数据,并计算变异系数评估电力负荷的稳定性,若所述变异异系数小于设定的阈值t1,则将当前时间段划分为稳定型趋势;
步骤S212:根据季节性分解方法小波变换分解所述电力负荷历史数据、区域气象信息数据和能源价格特征数据,若存在周期性成分,则将当前时间段划分为季节性变化趋势;
步骤S213:根据波动性指标峰度来衡量负荷数据的波动性,若波动性指标高于设定阈值t2,则将当前时间段划分为频繁变化趋势。
为了更好地实现本发明,进一步地,步骤S3中所述,根据所述实时电力负荷舆情信息校正所述初步电力负荷预测值的具体操作为:通过社交网络开放接口爬取相应区域内的电力供应评价数据,聚类所述电力供应评价数据,得到能源供应缺口区域,并与预测的结果进行比对。
为了更好地实现本发明,进一步地,步骤S3中所述可视化展示校正后的电力负荷预测值的具体操作为:首先获取用户选取的特征数据和预测数据;然后获取用户选择的可视化模式;最后基于开源人工智能工具的Code Interpreter插件自动生成相应的可视化图形信息。
基于上述提出的电力负荷指标预测方法,为了更好地实现本发明,进一步地,提出一种电力负荷指标预测系统,包括预处理模块、训练模块、校正模块;
所述预处理模块,用于将获取的电力负荷历史数据、区域气象信息数据和能源价格特征数据进行预处理;
所述训练模块,用于提取预处理后的所述电力负荷历史数据、区域气象信息数据和能源价格特征数据的特征,调用长短记忆网络建立预测模型,并根据所述预测模型得到初步电力负荷预测值;
所述校正模块,用于根据从社交网络中获取的实时电力负荷舆情信息,根据所述实时电力负荷舆情信息校正所述初步电力负荷预测值,并可视化展示校正后的电力负荷预测值。
基于上述提出的电力负荷指标预测方法,为了更好地实现本发明,进一步地,提出一种电子设备,包括存储器和处理器;所述存储器用于存储计算机程序;当所述计算机程序在所述处理器上执行时,实现如上述的电力负荷指标预测方法。
基于上述提出的电力负荷指标预测方法,为了更好地实现本发明,进一步地,提出一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机指令;当所述计算机指令在上述的处理器上执行时,实现上述的电力负荷指标预测方法。
本发明具有以下有益效果:
(1)本发明通过建立预测模型来对电力负荷进行预测,实现了对电力负荷指标的全面高效预测,且预测分析更加准确快速。
(2)本发明基于分布式方式获取需要爬取和处理的数据,提高了运行速度。
(3)本发明根据电力负荷相关数据的不同变化趋势采用不同的LSTM模型来对负荷进行预测,预测分析更加准确快速。
(4)本发明通过开源人工智能工具,使得用户可以自定义地执行数据可视化操作,预测可视化更加个性化且便于实现。
附图说明
图1为本发明提供的电力负荷指标预测方法流程示意图。
图2为本发明提供的电力负荷指标预测系统结构示意图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案,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,应当理解,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,因此不应被看作是对保护范围的限定。基于本发明中的实施例,本领域普通技术工作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,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“设置”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;也可以是直接相连,也可以是通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1:
本实施例提出一种电力负荷指标预测方法,具体包括以下步骤:
步骤S1:将获取的电力负荷历史数据、区域气象信息数据和能源价格特征数据进行预处理。
所述步骤S1具体包括以下步骤:
步骤S11:确实数据源,采用分布式的方式从多个数据源获取电力负荷历史数据、区域气象信息数据和能源价格特征数据;
步骤S12:调用Hadoop分布式计算框架预处理所述电力负荷历史数据、区域气象信息数据和能源价格特征数据,检查是否存在缺失值、异常值或错误数据;
步骤S13:处理所述缺失值、异常值或错误数据对应的数据点,得到预处理后的电力负荷历史数据、区域气象信息数据和能源价格特征数据。
根据权利要求2所述的一种电力负荷指标预测方法,其特征在于,所述电力负荷历史数据包括电力供应公司数据、能源监管机构数据、研究机构数据、公开数据平台数据。
步骤S2:提取预处理后的所述电力负荷历史数据、区域气象信息数据和能源价格特征数据的特征,调用长短记忆网络建立预测模型,并根据所述预测模型得到初步电力负荷预测值。
进一步地,所述步骤S2具体包括以下步骤:
步骤S21:在设定周期内,判断所述电力负荷历史数据、区域气象信息数据和能源价格特征数据的变化趋势;
步骤S22:根据所述变化趋势,调用长短记忆网络建立预测模型,并根据所述预测模型得到初步电力负荷预测值。
进一步地,所述步骤S21具体包括以下步骤:
步骤S211:根据指数平滑方法平滑所述电力负荷历史数据、区域气象信息数据和能源价格特征数据,并计算变异系数评估电力负荷的稳定性,若所述变异异系数小于设定的阈值t1,则将当前时间段划分为稳定型趋势;
步骤S212:根据季节性分解方法小波变换分解所述电力负荷历史数据、区域气象信息数据和能源价格特征数据,若存在周期性成分,则将当前时间段划分为季节性变化趋势;
步骤S213:根据波动性指标峰度来衡量负荷数据的波动性,若波动性指标高于设定阈值t2,则将当前时间段划分为频繁变化趋势。
步骤S3:根据从社交网络中获取的实时电力负荷舆情信息,根据所述实时电力负荷舆情信息校正所述初步电力负荷预测值,并可视化展示校正后的电力负荷预测值。
进一步地,步骤S3中所述,根据所述实时电力负荷舆情信息校正所述初步电力负荷预测值的具体操作为:通过社交网络开放接口爬取相应区域内的电力供应评价数据,聚类所述电力供应评价数据,得到能源供应缺口区域,并与预测的结果进行比对。
进一步地,步骤S3中所述可视化展示校正后的电力负荷预测值的具体操作为:首先获取用户选取的特征数据和预测数据;然后获取用户选择的可视化模式;最后基于开源人工智能工具的Code Interpreter插件自动生成相应的可视化图形信息。
工作原理:本实施例首先将获取的电力负荷历史数据、区域气象信息数据和能源价格特征数据进行预处理;然后提取数据特征,调用长短记忆网络建立预测模型,并根据预测模型得到初步电力负荷预测值;最后根据从社交网络中获取的实时电力负荷舆情信息,校正初步电力负荷预测值,并可视化展示校正后的电力负荷预测值;实现了对电力负荷指标的全面高效预测,且预测分析更加准确快速。
实施例2:
本实施例在上述实施例1的基础上,如图1所示,以一个具体的实施例进行说明。
一种电力负荷指标预测方法,其特征在于包括以下步骤:
步骤1,获取电力负荷历史数据,区域气象信息数据以及能源价格特征数据;
步骤11,确定可用于获取电力负荷历史数据的数据源,其中电力负荷历史数据包括电力供应公司、能源监管机构、研究机构、公开数据平台;
先确定需要爬取数据的目标网站,能源交易平台、能源市场网站或相关政府机构的数据发布网站等。确保目标网站上提供了需要的能源市场数据,并了解网站的数据结构和数据获取方式。根据目标网站的结构和数据获取方式,确定合适的爬取策略。包括确定爬取的页面、数据请求方式如GET或POST、需要提交的参数等。使用Selenium等工具来模拟浏览器行为。使用Python和爬虫框架Scrapy来编写爬虫程序。发送请求、解析页面和提取数据。使用HTML解析库BeautifulSoup处理页面结构和提取所需的数据。在爬取到数据后,进行必要的数据处理和清洗。将数据存储到文件JSON中,以便后续的分析和使用。此外,在进行爬取时,需要对爬虫进行限制,设置合适的请求频率、避免对网站造成过大的负载。
步骤12,使用分布式系统来同时从多个数据源采集数据,通过并行化数据采集过程并在分布式节点上执行采集任务来实现,每个节点负责从电力供应公司、能源监管机构、研究机构、公开数据平台中的一个数据源获取数据;通过一个单独设置的节点通过API供应商获取气象数据信息;使用多个节点同时从能源市场交易所、电力供应公司、能源交易平台、政府能源机构采集能源市场价格数据;
步骤13,将从各个数据源获取的数据整合到一个中心位置或数据存储中,使用分布式存储系统或数据库来存储和管理这些数据;
步骤14,使用Hadoop分布式计算框架来处理和分析电力负荷数据,将任务分解为多个并行任务,并在多个节点上进行计算。
将获取的能源数据准备为Hadoop可处理的格式,如文本文件、CSV文件等。确保数据格式正确,并考虑数据的分区和存储方式,以便于后续的处理和分析。将数据上传到Hadoop分布式文件系统HDFS。使用Hadoop提供的命令行工具或Hadoop的Web界面来上传数据文件到HDFS中。使用Hadoop提供的分布式计算框架MapReduce来处理数据。使用MapReduce编程模型可以进行数据的分布式处理和计算。编写Map函数和Reduce函数,将作业提交给Hadoop集群执行。MapReduce可以在集群中并行处理大规模数据,提供可靠的分布式计算能力。
步骤2,对获取的电力负荷历史数据,区域气象信息数据以及能源价格特征数据进行预处理;
所述预处理具体为:
步骤21,检查数据中是否存在缺失值、异常值或错误数据,对于缺失值,可以选择填充或删除相应的数据点,对于异常值或错误数据,可以考虑修正或删除这些数据点;
步骤22,数据格式化,确保数据的格式一致,并符合预定的数据结构,包括统一日期和时间格式,统一单位,以及规范化其他相关变量;
步骤23,数据采样和插值,如果数据的时间间隔较大,对数据进行采样或插值以得到更平滑且均匀的时间序列,采样和插值方法包括简单插值、线性插值或基于模型的插值方法;
步骤24,如果数据存在较大的噪声或波动,采用平滑和滤波技术来减少噪声的影响,其中平滑和滤波方法包括移动平均、加权平均或滤波器。
步骤25,如果数据具有不同的量级或范围,对数据进行标准化或归一化,以便更好地进行比较和分析。
步骤26,对于存在异常值的数据,使用异常检测方法来识别和处理这些异常值,根据异常值的特征和数据分布,选择删除异常值或进行适当的修正。
步骤3,对电力负荷历史数据,区域气象信息数据以及能源价格特征数据进行特征提取,通过长短期记忆网络建立模型,并根据该模型得到初步电力负荷预测值;建立长短期记忆网络模型的方法具体为:
步骤31,对获取的历史电力负荷数据、气象数据和能源价格数据进行走势判断,根据对过去设定时间内的走势的分析,将其分为:稳定型趋势、季节性变化趋势和频繁变化趋势;
步骤32,根据上述变化趋势,分别采用不同的长短期记忆网络建立模型。
对于稳定型趋势采用双向LSTM,同时考虑过去和未来的信息,分别处理正向和反向序列,讲获取的历史数据输入正向序列,将预估数据输入反向序列,再将它们的输出进行合并,以获得更全面的上下文信息;
由于稳定型趋势的数据具有较好的连续性,因此采用双向LSTM可以兼顾过去和未来信息,更加全面准确的实现负荷预测;
对于季节性变化趋势采用可变长度LSTM,根据季节变化前后的不同长度时间序列动态调整时间步数,适应不同长度序列;
由于季节性变化趋势的数据,其季节性变化特征更能体现数据的特点,且数据的时间序列长度呈现较大变化,因此,采用可变长度LSTM来适应不同长度序列;
对于频繁变化趋势采用多层感知器LSTM,在LSTM单元中设置由多个LSTM层和全连接层组成的多层感知器LSTM,实现对具有多个复杂变化趋势的序列关系的预测;
对于较为复杂的频繁变化趋势序列,为了更加准确全面的实现预测,采用多层感知器LSTM来构建预测模型。
优选地,所述通过长短期记忆网络建立模型,并得到初步电力负荷预测值具体为:
将数据集划分为训练集、验证集和测试集,训练集用于训练LSTM模型,验证集用于调优模型的超参数,测试集用于评估模型的性能;
构建LSTM模型的输入层和LSTM层,LSTM层设置为3个,每个LSTM层的参数分别对应历史电力负荷数据、气象数据和能源价格数据,在最后一个LSTM层之后,将输出展平为一维向量;
添加全连接层,在展平后的输出上添加全连接层,全连接层将接收展平后的输出作为输入,并输出到最终的预测层;
全连接层的输出单元数量设置为1,表示预测一个连续值。使用线性激活函数Softmax函数。考虑在全连接层后添加批归一化层(Batch Normalization),以加速模型的训练过程和提高模型的鲁棒性。批归一化可以有效地缓解梯度消失和梯度爆炸问题,并提升模型的收敛速度和泛化能力。为了减少模型的过拟合,全连接层后应用Dropout正则化。Dropout通过随机丢弃一部分神经元的输出,以减少神经元之间的依赖关系,提高模型的泛化能力。
设置输出层,根据预测任务的要求,选择激活函数和损失函数;
在输出层可将电力负荷预测问题转化为分类问题。将负荷分为高、中、低三个类别。在这种情况下,输出层可以使用具有多个输出单元的全连接层。输出单元的数量应与类别数量相同,例如三个输出单元,每个输出单元表示一个类别。使用Softmax激活函数将输出值转换为表示各个类别的概率。
如果是进行多步电力负荷预测,即预测未来多个时间步的负荷值,可以设置多个输出单元来表示不同时间步的预测。例如,对于未来24小时的负荷预测,可以设置24个输出单元,每个单元表示一个时间步的预测值
定义损失函数和Adam优化器,并编译整个模型;平均绝对误差是另一种常用的回归问题损失函数。它计算预测值与真实值之间的平均绝对差,用于度量预测值与真实值之间的平均误差。与均方误差相比,平均绝对误差对异常值更加鲁棒。因此,采用MAE来作为本发明的损失函数。使用库中提供的Adam优化器,创建一个优化器对象。在创建过程中,可以设置一些参数,如学习率(learning rate)、衰减率(decay rate)、梯度裁剪等。在TensorFlow中,可以使用tf.keras.optimizers.Adam()函数创建Adam优化器对象。
学习率可以根据具体问题和实验进行调整,clipvalue参数可用于设置梯度裁剪的阈值。在使用LSTM模型进行训练之前,需要将模型与优化器和损失函数进行编译。使用编译函数如model.compile()将模型、优化器和损失函数结合起来。使用训练数据对LSTM模型进行训练。通过调用模型的fit()函数,将训练数据、训练标签、批次大小、训练轮数等作为输入参数进行模型训练。
训练模型,将训练集数据输入到模型中,通过反向传播算法Backpropagation更新模型的权重和偏置;
前向传播(Forward Propagation),通过将输入数据传递到模型中,计算模型的输出。在每一层中,将输入乘以权重并加上偏置,然后应用激活函数。
计算损失(Loss Calculation),使用选择的损失函数计算模型输出与真实值之间的差异。损失函数的选择取决于问题的性质,例如均方误差(Mean Squared Error)用于回归问题,交叉熵(Cross-Entropy)用于分类问题。
反向传播(Backward Propagation),根据损失函数计算模型中每个权重和偏置对损失的梯度。这一步骤通过链式法则将梯度从输出层向输入层传播。具体而言,计算每一层的梯度,然后根据梯度和学习率(learningrate)来更新权重和偏置。
权重和偏置更新:根据梯度和学习率的乘积来更新模型中的权重和偏置。
可以在每个训练样本或每个小批次(mini-batch)样本上进行。通过反复迭代和更新权重和偏置,模型会逐渐优化并提高性能。
反向传播算法通过计算梯度并根据梯度来更新模型的权重和偏置,以使模型能够逐渐优化和适应训练数据。这种迭代过程将通过多次前向传播和反向传播来完成,直到达到一定的停止准则或训练轮数。
步骤37,使用验证集对模型进行调优,使用测试集评估模型的性能和预测精度;
根据模型的性能表现,可以进行以下操作:
超参数调整,调整模型的超参数,如学习率、批次大小、LSTM层的单元数等,以找到最佳的超参数组合。
模型结构调整,根据验证集的结果,尝试不同的模型结构,如增加或减少LSTM层的数量、调整层的大小等,以改进模型的性能。
防止过拟合,如果模型在训练集上表现良好但在验证集上表现较差,可能存在过拟合问题。可以采用正则化技术如L1或L2正则化、提前停止训练、增加数据量等方法来防止过拟合。
重复训练和验证,根据调优过程中的调整,重新训练模型,并使用验证集进行评估,直到获得最佳的性能。
最终测试,当模型调优完成后,使用测试集来最终评估模型的性能。测试集应该是模型之前没有接触过的数据,用于评估模型的泛化能力。
通过使用验证集对LSTM模型进行调优,可以避免在训练过程中对测试集的过度拟合,从而更好地了解模型的性能并选择最佳的模型参数和结构。
步骤38,使用训练好的模型对未来的电力负荷进行预测,输入未来的气象信息和能源价格数据,得到预测结果。
将输入的气象信息和能源价格数据进行预处理,以符合模型的输入格式。包括数据归一化、标准化或其他必要的处理。创建输入序列:将预处理后的气象信息和能源价格数据组合成输入序列。根据LSTM模型的设计,确定输入序列的长度和维度。输入预测:将输入序列输入到训练好的LSTM模型中进行预测。模型会根据输入序列的历史信息学习到模式,并预测未来的能源负荷信息。根据模型的输出,解码预测结果。这可能涉及逆转数据归一化或标准化操作,以获得真实的能源负荷数值。获得预测的未来能源负荷信息。这将是模型对未来时间点能源负荷的预测值。
步骤4,获取社交网络中的实时电力负荷缺口舆情信息,基于所述舆情信息对所述预测值进行校正;
优选地,所述获取社交网络中的实时电力负荷缺口舆情信息,基于所述舆情信息对所述预测值进行修正具体为:通过社交网络开放接口爬取相应区域内的关于电力供应的评价数据,对爬取的数据进行聚类,获得能源供应缺口区域,与预测的结果进行比对。文本中提取适当的特征表示。可以使用基于词袋模型(Bag-of-Words)的方法,将文本转换为向量表示。还可以考虑使用词嵌入技术(如Word2Vec、GloVe等)获得更丰富的特征表示。
选择适当的聚类算法来对特征向量进行聚类。常见的聚类算法包括K-means、层次聚类、DBSCAN等。根据数据的特点和需求选择合适的算法。运行选定的聚类算法,并根据聚类结果分析用户的情感倾向。通过查看每个聚类簇的关键词、频率分布等信息,来理解每个聚类簇代表的情感倾向。解释每个聚类簇的情感倾向。通过检查聚类簇中的评论或文本样本,观察其中的模式和趋势,解释每个聚类簇所代表的情感倾向。
步骤5,在电力管理系统中对预测信息进行可视化展示。
步骤5.1,获取用户选取的特征数据以及预测数据;
步骤5.2,获取用户选择的可视化模式;
步骤5.3,基于开源人工智能工具的Code Interpreter插件自动生成相应的可视化图形信息。
将预测的数据整理为适合可视化的格式。根据你的数据和需求,可以选择使用常见的数据格式,如CSV、JSON。选择适合生成图表的可视化库。常见的可视化库包括Matplotlib、Plotly、Seaborn等。确保选用的库能够满足你所需的图表类型和样式。根据用户选定的数据和模型,使用选定的可视化库生成图表。根据数据的特点和需求,选择合适的图表类型,如折线图、柱状图、散点图等。结合ChatGPT,编写代码来自动生成可视化图表。ChatGPT可以根据用户的选定数据和模型参数生成相应的Python代码,调用可视化库来生成图表。可以将ChatGPT的输出与可视化库的代码进行组合,以实现自动生成图表的功能。将生成的图表保存为图像文件或直接在界面上显示。可以将图表保存为PNG、JPEG等格式,或者以HTML形式嵌入到网页中。
获取ChatGPT生成的代码输出。ChatGPT可以生成Python代码,其中包含用于可视化的数据和相关的参数。
在代码中导入选定的可视化库。根据使用的库不同,可以使用类似importmatplotlib.pyplot as plt或importplotly.graph_objects as go的语句来导入库。
将ChatGPT输出与可视化库代码组合:根据ChatGPT生成的代码输出和可视化库的要求,将它们进行组合。将数据传递给可视化函数、设置图表的样式和参数等。
执行组合后的代码,生成图表。根据可视化库的要求,可以使用类似plt.show()或fig.show()的语句显示图表。
工作原理:本实施例通过获取电力负荷历史数据,区域气象信息数据以及能源价格特征数据;对获取的电力负荷历史数据,区域气象信息数据以及能源价格特征数据进行预处理;对电力负荷历史数据,区域气象信息数据以及能源价格特征数据进行特征提取,通过长短期记忆网络建立模型,根据不同的变化趋势建立不同的长短期记忆网络模型,并得到初步电力负荷预测值;获取社交网络中的实时电力负荷缺口舆情信息,基于所述舆情信息对所述预测值进行校正;在电力管理系统中对预测信息进行可视化展示。通过本发明方案可实现对电力负荷指标的全面高效预测,能实现对用户进行针对性的可视化且易于开发和维护。
本实施例的其他部分与上述实施例1相同,故不再赘述。
实施例3:
本实施例在上述实施例1-实施例2任一项的基础上,提出一种电力负荷指标预测系统,包括预处理模块、训练模块、校正模块;
所述预处理模块,用于将获取的电力负荷历史数据、区域气象信息数据和能源价格特征数据进行预处理;
所述训练模块,用于提取预处理后的所述电力负荷历史数据、区域气象信息数据和能源价格特征数据的特征,调用长短记忆网络建立预测模型,并根据所述预测模型得到初步电力负荷预测值;
所述校正模块,用于根据从社交网络中获取的实时电力负荷舆情信息,根据所述实时电力负荷舆情信息校正所述初步电力负荷预测值,并可视化展示校正后的电力负荷预测值。
优选地,还包括以下模块:
异常检查模块,检查数据中是否存在缺失值、异常值或错误数据,对于缺失值,可以选择填充或删除相应的数据点,对于异常值或错误数据,可以考虑修正或删除这些数据点;
格式化模块,数据格式化,确保数据的格式一致,并符合预定的数据结构,包括统一日期和时间格式,统一单位,以及规范化其他相关变量;
插值模块,数据采样和插值,如果数据的时间间隔较大,对数据进行采样或插值以得到更平滑且均匀的时间序列,采样和插值方法包括简单插值、线性插值或基于模型的插值方法;
滤波模块,如果数据存在较大的噪声或波动,采用平滑和滤波技术来减少噪声的影响,其中平滑和滤波方法包括移动平均、加权平均或滤波器。
归一化模块,如果数据具有不同的量级或范围,对数据进行标准化或归一化,以便更好地进行比较和分析。
修正模块,对于存在异常值的数据,使用异常检测方法来识别和处理这些异常值,根据异常值的特征和数据分布,选择删除异常值或进行适当的修正。
本实施例还提出一种电子设备,包括存储器和处理器;所述存储器用于存储计算机程序;当所述计算机程序在所述处理器上执行时,实现如上述的电力负荷指标预测方法。
本实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机指令;当所述计算机指令在上述的处理器上执行时,实现上述的电力负荷指标预测方法。
本实施例的其他部分与上述实施例1-实施例2任一项相同,故不再赘述。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (10)
1.一种电力负荷指标预测方法,其特征在于,具体包括以下步骤:
步骤S1:将获取的电力负荷历史数据、区域气象信息数据和能源价格特征数据进行预处理;
步骤S2:提取预处理后的所述电力负荷历史数据、区域气象信息数据和能源价格特征数据的特征,调用长短记忆网络建立预测模型,并根据所述预测模型得到初步电力负荷预测值;
步骤S3:根据从社交网络中获取的实时电力负荷舆情信息,根据所述实时电力负荷舆情信息校正所述初步电力负荷预测值,并可视化展示校正后的电力负荷预测值。
2.根据权利要求1所述的一种电力负荷指标预测方法,其特征在于,所述步骤S1具体包括以下步骤:
步骤S11:确实数据源,采用分布式的方式从多个数据源获取电力负荷历史数据、区域气象信息数据和能源价格特征数据;
步骤S12:调用Hadoop分布式计算框架预处理所述电力负荷历史数据、区域气象信息数据和能源价格特征数据,检查是否存在缺失值、异常值或错误数据;
步骤S13:处理所述缺失值、异常值或错误数据对应的数据点,得到预处理后的电力负荷历史数据、区域气象信息数据和能源价格特征数据。
3.根据权利要求2所述的一种电力负荷指标预测方法,其特征在于,所述电力负荷历史数据包括电力供应公司数据、能源监管机构数据、研究机构数据、公开数据平台数据。
4.根据权利要求1所述的一种电力负荷指标预测方法,其特征在于,所述步骤S2具体包括以下步骤:
步骤S21:在设定周期内,判断所述电力负荷历史数据、区域气象信息数据和能源价格特征数据的变化趋势;
步骤S22:根据所述变化趋势,调用长短记忆网络建立预测模型,并根据所述预测模型得到初步电力负荷预测值。
5.根据权利要求4所述的一种电力负荷指标预测方法,其特征在于,所述步骤S21具体包括以下步骤:
步骤S211:根据指数平滑方法平滑所述电力负荷历史数据、区域气象信息数据和能源价格特征数据,并计算变异系数评估电力负荷的稳定性,若所述变异异系数小于设定的阈值t1,则将当前时间段划分为稳定型趋势;
步骤S212:根据季节性分解方法小波变换分解所述电力负荷历史数据、区域气象信息数据和能源价格特征数据,若存在周期性成分,则将当前时间段划分为季节性变化趋势;
步骤S213:根据波动性指标峰度来衡量负荷数据的波动性,若波动性指标高于设定阈值t2,则将当前时间段划分为频繁变化趋势。
6.根据权利要求1所述的一种电力负荷指标预测方法,其特征在于,步骤S3中所述,根据所述实时电力负荷舆情信息校正所述初步电力负荷预测值的具体操作为:通过社交网络开放接口爬取相应区域内的电力供应评价数据,聚类所述电力供应评价数据,得到能源供应缺口区域,并与预测的结果进行比对。
7.根据权利要求6所述的一种电力负荷指标预测方法,其特征在于,步骤S3中所述可视化展示校正后的电力负荷预测值的具体操作为:首先获取用户选取的特征数据和预测数据;然后获取用户选择的可视化模式;最后基于开源人工智能工具的Code Interpreter插件自动生成相应的可视化图形信息。
8.一种电力负荷指标预测系统,其特征在于,包括预处理模块、训练模块、校正模块;
所述预处理模块,用于将获取的电力负荷历史数据、区域气象信息数据和能源价格特征数据进行预处理;
所述训练模块,用于提取预处理后的所述电力负荷历史数据、区域气象信息数据和能源价格特征数据的特征,调用长短记忆网络建立预测模型,并根据所述预测模型得到初步电力负荷预测值;
所述校正模块,用于根据从社交网络中获取的实时电力负荷舆情信息,根据所述实时电力负荷舆情信息校正所述初步电力负荷预测值,并可视化展示校正后的电力负荷预测值。
9.一种电子设备,其特征在于,包括存储器和处理器;所述存储器用于存储计算机程序;当所述计算机程序在所述处理器上执行时,实现如权利要求1-7任一项所述的电力负荷指标预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机指令;当所述计算机指令在如权利要求9所述的处理器上执行时,实现如权利要求1-7任一项所述的电力负荷指标预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310831900.XA CN116865254A (zh) | 2023-07-07 | 2023-07-07 | 一种电力负荷指标预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310831900.XA CN116865254A (zh) | 2023-07-07 | 2023-07-07 | 一种电力负荷指标预测方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116865254A true CN116865254A (zh) | 2023-10-10 |
Family
ID=88233583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310831900.XA Pending CN116865254A (zh) | 2023-07-07 | 2023-07-07 | 一种电力负荷指标预测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116865254A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333219A (zh) * | 2023-12-01 | 2024-01-02 | 国网浙江省电力有限公司 | 一种交易电量预测方法、装置、设备及存储介质 |
-
2023
- 2023-07-07 CN CN202310831900.XA patent/CN116865254A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333219A (zh) * | 2023-12-01 | 2024-01-02 | 国网浙江省电力有限公司 | 一种交易电量预测方法、装置、设备及存储介质 |
CN117333219B (zh) * | 2023-12-01 | 2024-03-08 | 国网浙江省电力有限公司 | 一种交易电量预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gasparin et al. | Deep learning for time series forecasting: The electric load case | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
Bianchi et al. | Short-term electric load forecasting using echo state networks and PCA decomposition | |
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
Mi et al. | Short-term power load forecasting method based on improved exponential smoothing grey model | |
NO20230419A1 (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
CN109409561B (zh) | 多时间尺度时间序列协同预测模型的构建方法 | |
Li et al. | A combination model with variable weight optimization for short-term electrical load forecasting | |
CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
Raghavendra et al. | Artificial humming bird with data science enabled stability prediction model for smart grids | |
CN116865254A (zh) | 一种电力负荷指标预测方法、系统、设备及介质 | |
CN116822997B (zh) | 一种考虑绿色电力的实时碳排放核算方法及装置 | |
CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 | |
CN116757465A (zh) | 一种基于双训练权重分配模型的线路风险评估方法及装置 | |
Darvishan et al. | Unit commitment-based load uncertainties based on improved particle swarm optimisation | |
Colmenar et al. | Automatic generation of models for energy demand estimation using Grammatical Evolution | |
CN114492978A (zh) | 一种基于多层注意力机制的时空序列预测方法及设备 | |
CN113360848A (zh) | 一种时序数据预测方法及装置 | |
Ashofteh et al. | Application of bi-objective genetic programming for optimizing irrigation rules using two reservoir performance criteria | |
Mishra et al. | Performance evaluation of prophet and STL-ETS methods for load forecasting | |
CN113949644A (zh) | 基于LSTM-prophet的网站访问量预测方法及系统 | |
Wang et al. | A Transformer-based multi-entity load forecasting method for integrated energy systems | |
Tsalikidis et al. | Energy load forecasting: One-step ahead hybrid model utilizing ensembling | |
CN113537607B (zh) | 停电预测方法 |
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 |