CN117744895A - 一种热力负荷预测方法、装置、设备及存储介质 - Google Patents
一种热力负荷预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117744895A CN117744895A CN202410185684.0A CN202410185684A CN117744895A CN 117744895 A CN117744895 A CN 117744895A CN 202410185684 A CN202410185684 A CN 202410185684A CN 117744895 A CN117744895 A CN 117744895A
- Authority
- CN
- China
- Prior art keywords
- model
- load prediction
- particle swarm
- swarm optimization
- thermodynamic
- 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 51
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 239000002245 particle Substances 0.000 claims abstract description 90
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 61
- 230000015654 memory Effects 0.000 claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 51
- 239000002131 composite material Substances 0.000 claims abstract description 33
- 238000010438 heat treatment Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种热力负荷预测方法、装置、设备及存储介质,方法包括:收集热力站的供热数据,并进行数据预处理;将预处理后的数据输入预先训练的热力负荷预测模型中进行预测;其中,所述热力负荷预测模型是基于粒子群优化算法分别对支持向量回归算法模型和长短时记忆网络模型优化进行训练的,通过粒子群优化算法更新粒子的速度和位置,使负荷预测的适应度值达到最低,获得更优的模型参数;输出热力负荷预测值。提出了粒子群优化‑支持向量回归‑长短时记忆网络复合模型,以降低预测误差,从而提高热负荷预测的准确性。这将有助于供热机组更有效地进行深度调峰辅助服务,满足实际需求。
Description
技术领域
本申请涉及算法预测技术领域,尤其涉及一种热力负荷预测方法、装置、设备及存储介质。
背景技术
热力负荷预测在确保热力系统稳定运行和供需平衡方面具有重要意义,对提升国家热力行业的经济效益和维护社会稳定具有关键作用。现在主要采用的热力负荷预测方法包括时间序列预测和智能算法。
虽然时间序列预测对线性数据处理效果好,但对非线性数据拟合效果差。而智能算法包括机器学习和深度学习两类,例如随机森林算法和BP(Back Propagation,反向传播)神经网络等,这些算法能有效处理非线性问题,但在处理大规模样本数据时运算速度和效率较低。
发明内容
本申请提供了一种热力负荷预测方法、装置、设备及存储介质,用以解决现有的热力负荷预测方法对非线性数据拟合效果差以及运算速度和效率较低的技术问题。
一方面,本申请提供了一种热力负荷预测方法,所述方法包括以下步骤:步骤S1:收集热力站的供热数据,并进行数据预处理;步骤S2:将预处理后的数据输入预先训练的热力负荷预测模型中进行预测;其中,所述热力负荷预测模型是基于粒子群优化算法分别对支持向量回归算法模型和长短时记忆网络模型优化进行训练的,通过粒子群优化算法更新粒子的速度和位置,使负荷预测的适应度值达到最低,获得更优的模型参数;步骤S3:输出热力负荷预测值。
在本申请的一种实现方式中,所述步骤S2中,热力负荷预测模型训练的过程具体为:步骤S21:建立一个支持向量回归算法模型,使用训练集数据进行支持向量回归算法模型的训练,获得更优的模型参数;其中,所述训练集数据是由归一化处理后的热力站供热数据得到的,并且归一化处理后的热力站供热数据还得到了测试集数据;步骤S22:建立粒子群优化-支持向量回归复合模型,并利用所述测试集数据进行训练,输出测试集数据中基于输入值得到的第一预测值;步骤S23:建立粒子群优化-长短时记忆网络复合模型,并利用所述测试集数据进行训练,输出测试集数据中基于输入值得到的第二预测值;步骤S24:基于所述粒子群优化-支持向量回归复合模型以及所述粒子群优化-长短时记忆网络复合模型,建立粒子群优化-支持向量回归-长短时记忆网络复合模型,将所述粒子群优化-支持向量回归-长短时记忆网络复合模型作为所述热力负荷预测模型。
在本申请的一种实现方式中,所述步骤S21中,所述的获得更优的模型参数,具体为:建立一个粒子群优化算法模型;将惩罚因子、核函数参数作为粒子群优化算法模型中粒子的寻优变量,更新粒子的速度和位置,使负荷预测的适应度值达到最低。
在本申请的一种实现方式中,所述方法还包括:寻找最优的惩罚因子、最优的核函数参数;基于所述最优的惩罚因子、所述最优的核函数参数建立粒子群优化-支持向量回归复合模型。
在本申请的一种实现方式中,在所述步骤S24之前,所述方法还包括:建立一个长短时记忆网络模型;对所述长短时记忆网络模型进行参数初始化;将所述长短时记忆网络模型的神经元个数、学习率作为粒子群优化算法模型的初始位置,寻找最优参数;基于所述最优参数,建立所述粒子群优化-支持向量回归复合模型。
在本申请的一种实现方式中,所述步骤S3,具体为:根据粒子群优化-支持向量回归复合模型的第一权重和粒子群优化-长短时记忆网络复合模型的第二权重,计算加权和,所述加权和即为热力负荷预测值。
在本申请的一种实现方式中,所述方法还包括:基于粒子群优化算法进行迭代,寻找所述第一权重的最优解;重新计算所述加权和,以得到热力负荷预测值的最优解。
其次,本申请还提供了一种热力负荷预测装置,所述装置包括:数据预处理模块,用于收集热力站的供热数据,并进行数据预处理;模型预测模块,用于将预处理后的数据输入预先训练的热力负荷预测模型中进行预测;其中,所述热力负荷预测模型是基于粒子群优化算法分别对支持向量回归算法模型和长短时记忆网络模型优化进行训练的,通过粒子群优化算法更新粒子的速度和位置,使负荷预测的适应度值达到最低,获得更优的模型参数;预测值输出模块,用于输出热力负荷预测值。
再其次,本申请还提供了一种热力负荷预测设备,所述设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:收集热力站的供热数据,并进行数据预处理;将预处理后的数据输入预先训练的热力负荷预测模型中进行预测;其中,所述热力负荷预测模型是基于粒子群优化算法分别对支持向量回归算法模型和长短时记忆网络模型优化进行训练的,通过粒子群优化算法更新粒子的速度和位置,使负荷预测的适应度值达到最低,获得更优的模型参数;输出热力负荷预测值。
最后,本申请提供了一种热力负荷预测的非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:收集热力站的供热数据,并进行数据预处理;将预处理后的数据输入预先训练的热力负荷预测模型中进行预测;其中,所述热力负荷预测模型是基于粒子群优化算法分别对支持向量回归算法模型和长短时记忆网络模型优化进行训练的,通过粒子群优化算法更新粒子的速度和位置,使负荷预测的适应度值达到最低,获得更优的模型参数;输出热力负荷预测值。
本申请提供的一种热力负荷预测方法、装置、设备及存储介质,结合了支持向量回归模型和长短时记忆模型的优点。支持向量回归模型在处理非线性问题方面表现出色,而长短时记忆网络模型则擅长处理长时间序列数据。通过集成这两种模型,提出了粒子群优化-支持向量回归-长短时记忆网络复合模型,以降低预测误差,从而提高热负荷预测的准确性。这将有助于供热机组更有效地进行深度调峰辅助服务,满足实际需求。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种热力负荷预测方法流程图;
图2为本申请实施例提供的一种热力负荷预测装置组成图;
图3为本申请实施例提供的一种热力负荷预测设备示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请实施例提供了一种热力负荷预测方法、装置、设备及存储介质,下面通过附图对本申请实施例提出的技术方案进行详细的说明。
图1为本申请实施例提供的一种热力负荷预测方法流程图。如图1所示,该方法主要包括以下步骤:
步骤S1:收集热力站的供热数据,并进行数据预处理。
步骤S2:将预处理后的数据输入预先训练的热力负荷预测模型中进行预测。
在本申请实施例中,所述热力负荷预测模型是基于粒子群优化算法分别对支持向量回归算法模型和长短时记忆网络模型优化进行训练的,通过粒子群优化算法更新粒子的速度和位置,使负荷预测的适应度值达到最低,获得更优的模型参数;
步骤S3:输出热力负荷预测值。
在本申请实施例中,所述步骤S2中,热力负荷预测模型训练的过程具体为:
步骤S21:建立一个支持向量回归算法模型,使用训练集数据进行支持向量回归算法模型的训练,获得更优的模型参数;其中,所述训练集数据是由归一化处理后的热力站供热数据得到的,并且归一化处理后的热力站供热数据还得到了测试集数据。
步骤S22:建立粒子群优化-支持向量回归复合模型,并利用所述测试集数据进行训练,输出测试集数据中基于输入值得到的第一预测值。
步骤S23:建立粒子群优化-长短时记忆网络复合模型,并利用所述测试集数据进行训练,输出测试集数据中基于输入值得到的第二预测值。
步骤S24:基于所述粒子群优化-支持向量回归复合模型以及所述粒子群优化-长短时记忆网络复合模型,建立粒子群优化-支持向量回归-长短时记忆网络复合模型,将所述粒子群优化-支持向量回归-长短时记忆网络复合模型作为所述热力负荷预测模型。
在本申请实施例中,所述步骤S21中,所述的获得更优的模型参数,具体为:建立一个粒子群优化算法模型;将惩罚因子、核函数参数作为粒子群优化算法模型中粒子的寻优变量,更新粒子的速度和位置,使负荷预测的适应度值达到最低。
在本申请的实施例中,所述方法还包括:寻找最优的惩罚因子、最优的核函数参数;基于所述最优的惩罚因子、所述最优的核函数参数建立粒子群优化-支持向量回归复合模型。
在本申请实施例中,在所述步骤S24之前,所述方法还包括:建立一个长短时记忆网络模型;对所述长短时记忆网络模型进行参数初始化;将所述长短时记忆网络模型的神经元个数、学习率作为粒子群优化算法模型的初始位置,寻找最优参数;基于所述最优参数,建立所述粒子群优化-支持向量回归复合模型。
在本申请实施例中,所述步骤S3,具体为:根据粒子群优化-支持向量回归复合模型的第一权重和粒子群优化-长短时记忆网络复合模型的第二权重,计算加权和,所述加权和即为热力负荷预测值。
在本申请实施例中,所述方法还包括:基于粒子群优化算法进行迭代,寻找所述第一权重的最优解;重新计算所述加权和,以得到热力负荷预测值的最优解。
以上是本申请实施例提供的一种热力负荷预测方法,基于同样的发明构思,本申请实施例还提供了一种热力负荷预测装置,图2为本申请实施例提供的一种热力负荷预测装置组成图,如图2所示,所述装置主要包括:数据预处理模块201,用于收集热力站的供热数据,并进行数据预处理;模型预测模块202,用于将预处理后的数据输入预先训练的热力负荷预测模型中进行预测;其中,所述热力负荷预测模型是基于粒子群优化算法分别对支持向量回归算法模型和长短时记忆网络模型优化进行训练的,通过粒子群优化算法更新粒子的速度和位置,使负荷预测的适应度值达到最低,获得更优的模型参数;预测值输出模块203,用于输出热力负荷预测值。
以上是本申请实施例提供的一种热力负荷预测装置,基于同样的发明构思,本申请实施例还提供了一种热力负荷预测设备,图3为本申请实施例提供的一种热力负荷预测设备示意图,如图3所示,该设备主要包括:至少一个处理器301;以及,与至少一个处理器通信连接的存储器302;其中,存储器302存储有可被至少一个处理器301执行的指令,指令被至少一个处理器301执行,以使至少一个处理器301能够完成:收集热力站的供热数据,并进行数据预处理;将预处理后的数据输入预先训练的热力负荷预测模型中进行预测;其中,所述热力负荷预测模型是基于粒子群优化算法分别对支持向量回归算法模型和长短时记忆网络模型优化进行训练的,通过粒子群优化算法更新粒子的速度和位置,使负荷预测的适应度值达到最低,获得更优的模型参数;输出热力负荷预测值。
除此之外,本申请实施例还提供了一种热力负荷预测的非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:收集热力站的供热数据,并进行数据预处理;将预处理后的数据输入预先训练的热力负荷预测模型中进行预测;其中,所述热力负荷预测模型是基于粒子群优化算法分别对支持向量回归算法模型和长短时记忆网络模型优化进行训练的,通过粒子群优化算法更新粒子的速度和位置,使负荷预测的适应度值达到最低,获得更优的模型参数;输出热力负荷预测值。
本申请提供的一种热力负荷预测方法、装置、设备及存储介质,结合了支持向量回归模型和长短时记忆模型的优点。支持向量回归模型在处理非线性问题方面表现出色,而长短时记忆网络模型则擅长处理长时间序列数据。通过集成这两种模型,提出了粒子群优化-支持向量回归-长短时记忆网络复合模型,以降低预测误差,从而提高热负荷预测的准确性。这将有助于供热机组更有效地进行深度调峰辅助服务,满足实际需求。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种热力负荷预测方法,其特征在于,所述方法包括以下步骤:
步骤S1:收集热力站的供热数据,并进行数据预处理;
步骤S2:将预处理后的数据输入预先训练的热力负荷预测模型中进行预测;其中,所述热力负荷预测模型是基于粒子群优化算法分别对支持向量回归算法模型和长短时记忆网络模型优化进行训练的,通过粒子群优化算法更新粒子的速度和位置,使负荷预测的适应度值达到最低,获得更优的模型参数;
步骤S3:输出热力负荷预测值。
2.根据权利要求1所述的热力负荷预测方法,其特征在于,所述步骤S2中,热力负荷预测模型训练的过程具体为:
步骤S21:建立一个支持向量回归算法模型,使用训练集数据进行支持向量回归算法模型的训练,获得更优的模型参数;其中,所述训练集数据是由归一化处理后的热力站供热数据得到的,并且归一化处理后的热力站供热数据还得到了测试集数据;
步骤S22:建立粒子群优化-支持向量回归复合模型,并利用所述测试集数据进行训练,输出测试集数据中基于输入值得到的第一预测值;
步骤S23:建立粒子群优化-长短时记忆网络复合模型,并利用所述测试集数据进行训练,输出测试集数据中基于输入值得到的第二预测值;
步骤S24:基于所述粒子群优化-支持向量回归复合模型以及所述粒子群优化-长短时记忆网络复合模型,建立粒子群优化-支持向量回归-长短时记忆网络复合模型,将所述粒子群优化-支持向量回归-长短时记忆网络复合模型作为所述热力负荷预测模型。
3.根据权利要求2所述的热力负荷预测方法,其特征在于,所述步骤S21中,所述的获得更优的模型参数,具体为:
建立一个粒子群优化算法模型;
将惩罚因子、核函数参数作为粒子群优化算法模型中粒子的寻优变量,更新粒子的速度和位置,使负荷预测的适应度值达到最低。
4.根据权利要求3所述的热力负荷预测方法,其特征在于,所述方法还包括:
寻找最优的惩罚因子、最优的核函数参数;
基于所述最优的惩罚因子、所述最优的核函数参数建立粒子群优化-支持向量回归复合模型。
5.根据权利要求2所述的热力负荷预测方法,其特征在于,在所述步骤S24之前,所述方法还包括:
建立一个长短时记忆网络模型;
对所述长短时记忆网络模型进行参数初始化;
将所述长短时记忆网络模型的神经元个数、学习率作为粒子群优化算法模型的初始位置,寻找最优参数;
基于所述最优参数,建立所述粒子群优化-支持向量回归复合模型。
6.根据权利要求1所述的热力负荷预测方法,其特征在于,所述步骤S3,具体为:
根据粒子群优化-支持向量回归复合模型的第一权重和粒子群优化-长短时记忆网络复合模型的第二权重,计算加权和,所述加权和即为热力负荷预测值。
7.根据权利要求6所述的热力负荷预测方法,其特征在于,所述方法还包括:
基于粒子群优化算法进行迭代,寻找所述第一权重的最优解;
重新计算所述加权和,以得到热力负荷预测值的最优解。
8.一种热力负荷预测装置,其特征在于,所述装置包括:
数据预处理模块,用于收集热力站的供热数据,并进行数据预处理;
模型预测模块,用于将预处理后的数据输入预先训练的热力负荷预测模型中进行预测;其中,所述热力负荷预测模型是基于粒子群优化算法分别对支持向量回归算法模型和长短时记忆网络模型优化进行训练的,通过粒子群优化算法更新粒子的速度和位置,使负荷预测的适应度值达到最低,获得更优的模型参数;
预测值输出模块,用于输出热力负荷预测值。
9.一种热力负荷预测设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
收集热力站的供热数据,并进行数据预处理;
将预处理后的数据输入预先训练的热力负荷预测模型中进行预测;其中,所述热力负荷预测模型是基于粒子群优化算法分别对支持向量回归算法模型和长短时记忆网络模型优化进行训练的,通过粒子群优化算法更新粒子的速度和位置,使负荷预测的适应度值达到最低,获得更优的模型参数;
输出热力负荷预测值。
10.一种热力负荷预测的非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
收集热力站的供热数据,并进行数据预处理;
将预处理后的数据输入预先训练的热力负荷预测模型中进行预测;其中,所述热力负荷预测模型是基于粒子群优化算法分别对支持向量回归算法模型和长短时记忆网络模型优化进行训练的,通过粒子群优化算法更新粒子的速度和位置,使负荷预测的适应度值达到最低,获得更优的模型参数;
输出热力负荷预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410185684.0A CN117744895A (zh) | 2024-02-20 | 2024-02-20 | 一种热力负荷预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410185684.0A CN117744895A (zh) | 2024-02-20 | 2024-02-20 | 一种热力负荷预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117744895A true CN117744895A (zh) | 2024-03-22 |
Family
ID=90283576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410185684.0A Pending CN117744895A (zh) | 2024-02-20 | 2024-02-20 | 一种热力负荷预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117744895A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178621A (zh) * | 2019-12-25 | 2020-05-19 | 国网河北省电力有限公司 | 一种电采暖负荷预测支持向量回归机模型的参数优化方法 |
CN111652422A (zh) * | 2020-05-27 | 2020-09-11 | 常州信息职业技术学院 | 基于建筑物分类的供热系统负荷预测方法、装置及系统 |
CN113239624A (zh) * | 2021-05-21 | 2021-08-10 | 长沙理工大学 | 基于神经网络组合模型的短期负荷预测方法、设备及介质 |
US20220045509A1 (en) * | 2020-08-05 | 2022-02-10 | Wuhan University | Method and system of predicting electric system load based on wavelet noise reduction and emd-arima |
CN114154676A (zh) * | 2021-10-19 | 2022-03-08 | 南京工程学院 | 一种基于pso和双向gru的短期负荷预测模型 |
US20220197233A1 (en) * | 2020-12-18 | 2022-06-23 | Wuhan University | Wind power prediction method and system for optimizing deep transformer network |
CN115526092A (zh) * | 2021-06-25 | 2022-12-27 | 国网浙江省电力有限公司宁波供电公司 | 一种电力负荷预测方法及装置 |
CN115759415A (zh) * | 2022-11-16 | 2023-03-07 | 国网河南省电力公司经济技术研究院 | 基于lstm-svr的用电需求预测方法 |
CN116526473A (zh) * | 2023-05-24 | 2023-08-01 | 天津大学 | 基于粒子群优化lstm的电热负荷预测方法 |
-
2024
- 2024-02-20 CN CN202410185684.0A patent/CN117744895A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178621A (zh) * | 2019-12-25 | 2020-05-19 | 国网河北省电力有限公司 | 一种电采暖负荷预测支持向量回归机模型的参数优化方法 |
CN111652422A (zh) * | 2020-05-27 | 2020-09-11 | 常州信息职业技术学院 | 基于建筑物分类的供热系统负荷预测方法、装置及系统 |
US20220045509A1 (en) * | 2020-08-05 | 2022-02-10 | Wuhan University | Method and system of predicting electric system load based on wavelet noise reduction and emd-arima |
US20220197233A1 (en) * | 2020-12-18 | 2022-06-23 | Wuhan University | Wind power prediction method and system for optimizing deep transformer network |
CN113239624A (zh) * | 2021-05-21 | 2021-08-10 | 长沙理工大学 | 基于神经网络组合模型的短期负荷预测方法、设备及介质 |
CN115526092A (zh) * | 2021-06-25 | 2022-12-27 | 国网浙江省电力有限公司宁波供电公司 | 一种电力负荷预测方法及装置 |
CN114154676A (zh) * | 2021-10-19 | 2022-03-08 | 南京工程学院 | 一种基于pso和双向gru的短期负荷预测模型 |
CN115759415A (zh) * | 2022-11-16 | 2023-03-07 | 国网河南省电力公司经济技术研究院 | 基于lstm-svr的用电需求预测方法 |
CN116526473A (zh) * | 2023-05-24 | 2023-08-01 | 天津大学 | 基于粒子群优化lstm的电热负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
吴润泽 等: "基于深度学习的电网短期负荷预测方法研究", 现代电力, no. 02, 22 December 2017 (2017-12-22), pages 47 - 52 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200257543A1 (en) | Aggregate Features For Machine Learning | |
Swarup et al. | Unit commitment solution methodology using genetic algorithm | |
US20230053412A1 (en) | Production line adaptation methods based on industrial internet of things, systems and storage mediums thereof | |
CN111353033A (zh) | 一种训练文本相似度模型的方法和系统 | |
CN111832883A (zh) | 一种绩效考核系统、设备及介质 | |
US20220163958A1 (en) | Methods and systems for managing a pipe network of natural gas | |
CN112163304A (zh) | 一种输电网冗余约束识别方法、存储介质及计算设备 | |
CN111915079B (zh) | 一种混合knn风电功率预测方法及系统 | |
Hu et al. | Short-term hydropower generation scheduling using an improved cloud adaptive quantum-inspired binary social spider optimization algorithm | |
CN114896216A (zh) | 基于区块链的工业互联网数据存储方法、系统及电子设备 | |
CN117744895A (zh) | 一种热力负荷预测方法、装置、设备及存储介质 | |
CN115528750B (zh) | 一种面向电网安全稳定的数据模型混合驱动机组组合方法 | |
CN117096875A (zh) | 一种基于ST-Transformer模型的短期负荷预测方法及系统 | |
CN112101612A (zh) | 一种城镇燃气用量的预测方法、存储介质及终端设备 | |
CN111400964A (zh) | 一种故障发生时间预测方法及装置 | |
CN112990260B (zh) | 一种基于多方安全计算的模型评估方法和系统 | |
CN109301820A (zh) | 一种企业电力控制方法及系统 | |
CN113128682B (zh) | 神经网络模型自动适配方法和装置 | |
CN114880929A (zh) | 一种基于深度强化学习的多能流优化智能仿真方法及系统 | |
CN114399113A (zh) | 一种天然气管网管理方法和系统 | |
CN114583786A (zh) | 一种充电桩充电控制方法、系统、设备及其存储介质 | |
CN113743595A (zh) | 基于物理驱动自编码器神经网络的结构参数识别方法 | |
CN112949882A (zh) | 一种负荷预测的方法、装置及电子设备 | |
CN112751334A (zh) | 一种基于内存计算架构的电网在线建模的方法及系统 | |
Xu et al. | BP neural network-based product quality risk prediction |
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 |