CN117833231A - 基于Bi-LSTM和双重注意力机制的负荷预测方法 - Google Patents
基于Bi-LSTM和双重注意力机制的负荷预测方法 Download PDFInfo
- Publication number
- CN117833231A CN117833231A CN202410015232.8A CN202410015232A CN117833231A CN 117833231 A CN117833231 A CN 117833231A CN 202410015232 A CN202410015232 A CN 202410015232A CN 117833231 A CN117833231 A CN 117833231A
- Authority
- CN
- China
- Prior art keywords
- data
- period
- predicted
- neural network
- power grid
- 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 81
- 230000007246 mechanism Effects 0.000 title claims abstract description 75
- 230000000737 periodic effect Effects 0.000 claims abstract description 76
- 230000015654 memory Effects 0.000 claims abstract description 73
- 238000003062 neural network model Methods 0.000 claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000010248 power generation Methods 0.000 claims abstract description 26
- 238000010586 diagram Methods 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000007493 shaping process Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 11
- 230000009977 dual effect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请适用于负荷预测技术领域，提供了基于Bi‑LSTM和双重注意力机制的负荷预测方法，该方法包括：获取目标电网的第一历史时段的影响因素数据和电网负荷数据；影响因素数据为影响电网负荷的因素数据；影响因素数据包括光伏发电数据和用户负荷数据；将第一历史时段的影响因素数据和电网负荷数据输入至预先建立的周期记忆神经网络模型进行训练，得到训练好的周期记忆神经网络模型；周期记忆神经网络模型包括双重注意力机制、Bi‑LSTM神经网络和残差神经网络；基于目标电网的待预测时段的影响因素数据以及训练好的周期记忆神经网络模型，预测目标电网在待预测时段的电网负荷数据。本申请能够有效提高电网负荷的预测精度。
Description
技术领域
本申请属于负荷预测技术领域，尤其涉及基于Bi-LSTM和双重注意力机制的负荷预测方法。
背景技术
目前，我国分布式光伏长期处于新能源调控盲区，给电网安全、电网稳定运行带来了巨大挑战，也给电网的负荷预测增加了困难。电网的负荷预测对于电力系统的运行尤为重要。
电力负荷预测研究的核心是利用现有的历史数据建立适合数据结构特点的预测模型，以预测未来时间或时间段的负荷值。电网负荷受多种因素影响，负荷波动较大，电网负荷与影响因素之间往往存在非线性关系，采用简单的线性模型难以满足预测精度的要求。由于光伏发电受天气条件影响较大，如光照强度、阴晴状况等，这些天气条件影响使得光伏发电的输出具有较强的不确定性。这种不确定性会给电力系统的负荷预测带来挑战，增加预测的难度和误差。因此，当前的电网负荷的预测精度还有待提高。
发明内容
本申请实施例提供了一种基于Bi-LSTM和双重注意力机制的负荷预测方法，以提高电网负荷的预测精度。
本申请是通过如下技术方案实现的：
第一方面，本申请实施例提供了一种基于Bi-LSTM和双重注意力机制的负荷预测方法，包括：获取目标电网的第一历史时段的影响因素数据和电网负荷数据；所述影响因素数据为影响电网负荷的因素数据；所述影响因素数据包括光伏发电数据和用户负荷数据；将所述第一历史时段的影响因素数据和所述电网负荷数据输入至预先建立的周期记忆神经网络模型进行训练，得到训练好的周期记忆神经网络模型；所述周期记忆神经网络模型包括双重注意力机制、Bi-LSTM神经网络(Bidirectional Long Short Term Memory，双向长短期记忆)和残差神经网络；基于所述目标电网的待预测时段的影响因素数据以及所述训练好的周期记忆神经网络模型，预测所述目标电网在所述待预测时段的电网负荷数据。
结合第一方面，在一些实施例中，所述基于所述目标电网的待预测时段的影响因素数据以及所述训练好的周期记忆神经网络模型，预测所述目标电网在所述待预测时段的电网负荷数据，包括：将所述待预测时段的影响因素数据输入至所述训练好的周期记忆神经网络模型；通过所述双重注意力机制对所述待预测时段的影响因素数据进行编码，得到所述待预测时段的影响因素数据的周期特征；通过所述Bi-LSTM神经网络和残差神经网络对所述周期特征进行解码，得到所述待预测时段的电网负荷数据。
结合第一方面，在一些实施例中，所述双重注意力机制包括空间注意力模块和通道注意力模块，所述周期特征包括第一输出特征和第二输出特征；所述空间注意力模块，用于通过三个卷积层从所述待预测时段的影响因素数据中获得三个第一特征图，对所述第一特征图进行矩阵转置和乘法运算，得到第一输出特征；所述通道注意力模块，用于对所述待预测时段的影响因素数据进行整形得到第二特征图，对所述待预测时段的影响因素数据进行变换得到第三特征图；将所述第二特征图与所述第三特征图相乘，并通过softmax算子对相乘的结果进行处理，得到通道注意力图；基于预设的尺度系数和所述通道注意力图，得到第二输出特征。
结合第一方面，在一些实施例中，在所述预测所述目标电网在所述待预测时段的电网负荷数据之前，所述方法还包括：基于所述目标电网在所述待预测时段之前的时段的影响因素数据，获取所述目标电网的所述待预测段的影响因素数据。
结合第一方面，在一些实施例中，所述第一历史时段的影响因素数据和电网负荷数据，以及所述待预测时段的影响因素数据均为时间序列。
结合第一方面，在一些实施例中，所述影响因素数据还包括天气数据；所述方法还包括：获取所述目标电网的第二历史时段的天气数据；其中，所述第二历史时段为所述第一历史时段的未来时段。
所述将所述第一历史时段的影响因素数据和所述电网负荷数据输入至预先建立的周期记忆神经网络模型进行训练，得到训练好的周期记忆神经网络模型，包括：将所述第一历史时段的影响因素数据、所述电网负荷数据和所述第二历史时段的天气数据输入至所述预先建立的周期记忆神经网络模型进行训练，得到所述训练好的周期记忆神经网络模型。
所述基于所述目标电网的待预测时段的影响因素数据以及所述训练好的周期记忆神经网络模型，预测所述目标电网在所述待预测时段的电网负荷数据，包括：基于所述目标电网的所述待预测时段的影响因素数据、所述第二历史时段的天气数据以及所述训练好的周期记忆神经网络模型，预测所述目标电网在所述待预测时段的电网负荷数据。
结合第一方面，在一些实施例中，在所述获取目标电网的第一历史时段的影响因素数据和电网负荷数据之前，所述方法还包括：获取数据集，所述数据集包括第三历史时段的影响因素数据和电网负荷数据；其中，所述第三历史时段包括所述第一历史时段；按照预设比例对所述数据集进行划分，得到训练集、测试集和验证集；其中，所述训练集包括所述第一历史时段的影响因素数据和电网负荷数据。
结合第一方面，在一些实施例中，所述按照预设比例对所述数据集进行划分，包括：将所述数据集中75％的数据划分为所述训练集，将所述数据集中15％的数据划分为所述验证集，将所述数据集中10％的数据划分为所述测试集。
结合第一方面，在一些实施例中，在所述预测所述目标电网在所述待预测时段的电网负荷数据之前，所述方法还包括：采用标准化均方根误差(Root Mean Squared Error，RMSE)、平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)、平均绝对误差(Mean Absolute Error，MAE)和决定系数(Coefficient of Determination，记为R2)，对所述训练好的周期记忆神经网络模型进行评估。
结合第一方面，在一些实施例中，所述方法还包括：基于预测出的所述待预测时段的电网负荷数据，对所述目标电网进行规划和调度。
第二方面，本申请实施例提供了一种基于Bi-LSTM和双重注意力机制的负荷预测装置，包括：获取模块，用于获取目标电网的第一历史时段的影响因素数据和电网负荷数据；所述影响因素数据为影响电网负荷的因素数据；所述影响因素数据包括光伏发电数据和用户负荷数据；训练模块，用于将所述第一历史时段的影响因素数据和所述电网负荷数据输入至预先建立的周期记忆神经网络模型进行训练，得到训练好的周期记忆神经网络模型；所述周期记忆神经网络模型包括双重注意力机制、Bi-LSTM神经网络和残差神经网络；预测模块，用于基于所述目标电网的待预测时段的影响因素数据以及所述训练好的周期记忆神经网络模型，预测所述目标电网在所述待预测时段的电网负荷数据。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的基于Bi-LSTM和双重注意力机制的负荷预测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的基于Bi-LSTM和双重注意力机制的负荷预测方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面中任一项所述的基于Bi-LSTM和双重注意力机制的负荷预测方法。
本申请实施例与相关技术相比存在的有益效果是：
本申请实施例提供的基于Bi-LSTM和双重注意力机制的负荷预测方法，先利用目标电网的第一历史时段的影响因素数据和电网负荷数据对预先建立的周期记忆神经网络模型进行训练，得到训练好的周期记忆神经网络模型；再基于目标电网的待预测时段的影响因素数据以及训练好的周期记忆神经网络模型，预测目标电网在待预测时段的电网负荷数据。其中，周期记忆神经网络包括双重注意力机制和Bi-LSTM神经网络，从而能够充分提取光伏发电和用户负荷的周期性特征，有效提高电网负荷的预测精度。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的基于Bi-LSTM和双重注意力机制的负荷预测方法的流程示意图；
图2是本申请一实施例提供的周期记忆神经网络的结构示意图；
图3是本申请一实施例提供的双重注意力机制的结构示意图；
图4是本申请一实施例提供的LSTM网络的内部结构示意图；
图5是本申请另一实施例提供的基于Bi-LSTM和双重注意力机制的负荷预测方法的流程示意图；
图6是本申请另一实施例提供的周期记忆神经网络的结构示意图；
图7是本申请一实施例提供的各案例在不同评估指标下的误差变化示意图；
图8是本申请实施例提供的基于Bi-LSTM和双重注意力机制的负荷预测装置的结构示意图；
图9是本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
光伏发电会增加负荷预测的难度。然而，当前的负荷预测方法却没有考虑负荷中包含的光伏发电和用户负荷的双周期波动，因而电网负荷的预测精度难以得到有效的提高。
基于上述问题，本申请实施例中的基于Bi-LSTM和双重注意力机制的负荷预测方法，先利用目标电网的第一历史时段的影响因素数据和电网负荷数据对预先建立的周期记忆神经网络模型进行训练，得到训练好的周期记忆神经网络模型；再基于目标电网的待预测时段的影响因素数据以及训练好的周期记忆神经网络模型，预测目标电网在待预测时段的电网负荷数据。其中，周期记忆神经网络包括双重注意力机制和Bi-LSTM神经网络，这样能够充分提取光伏发电和用户负荷的周期性特征，从而可以有效提高电网负荷的预测精度。
本申请实施例提供的基于Bi-LSTM和双重注意力机制的负荷预测方法，可以应用于含有分布式光伏的电网的短期负荷预测场景。这里的电网包括但不限于区域电网和台区电网等不同规模的电网。
图1是本申请一实施例提供的基于Bi-LSTM和双重注意力机制的负荷预测方法的流程示意图，参照图1，对该基于Bi-LSTM和双重注意力机制的负荷预测方法的详述如下：
S101，获取目标电网的第一历史时段的影响因素数据和电网负荷数据；影响因素数据为影响电网负荷的因素数据；影响因素数据包括光伏发电数据和用户负荷数据。
在本申请实施例中，第一历史时段的影响因素数据和电网负荷数据，以及待预测时段的影响因素数据均为时间序列。
可以理解，上述影响因素数据还可以包括气温数据、气候数据、湿度数据、风速数据等天气因素数据，还可以包括其他影响电网负荷的影响因素数据。在考虑光伏发电数据和用户负荷数据的基础上，加入更多的电网负荷的影响因素数据能够进一步提高模型的预测效果。
在一些实施例中，在上述步骤S101之前，本申请实施例中的方法还可以包括：获取数据集，并按照预设比例对数据集进行划分，得到训练集、测试集和验证集。其中，数据集包括第三历史时段的影响因素数据和电网负荷数据，第三历史时段包括第一历史时段。可以理解，上述第一历史时段的影响因素数据和电网负荷数据即训练集中的数据。
可选的，上述对数据集进行划分的方式为：将数据集中75％的数据划分为训练集，将数据集中15％的数据划分为验证集，将数据集中10％的数据划分为测试集。
S102，将第一历史时段的影响因素数据和电网负荷数据输入至预先建立的周期记忆神经网络模型进行训练，得到训练好的周期记忆神经网络模型；其中，周期记忆神经网络模型包括双重注意力机制、Bi-LSTM神经网络和残差神经网络。
需要注意的是，上述预先建立的周期记忆神经网络模型是以时间段相似度作为记忆权重构建的。
图2是本申请一实施例提供的周期记忆神经网络模型的结构示意图。参见图2，在利用模型进行电网负荷预测时，该模型的输入数据为光伏发电数据的时间序列和用户负荷数据的时间序列，该模型的输出数据为电网负荷的预测数据。在该模型中，首先通过双重注意力机制分别对光伏发电数据和用户负荷数据进行编码，以提取光伏发电波动和用户负荷波动的周期特征。接着，将双重注意力机制输出的周期特征输入至Bi-LSTM神经网络，同时经过由残差连接机制构建的残差神经网络，对双重注意力机制输出的周期特征进行时间解码，得到模型的输出数据。其中，双重注意力机制包括通道注意力模块(通道注意力机制)和空间注意力模块(空间注意力机制)。可以理解，本申请实施例采用了并行注意力机制，即同时处理多个输入序列，并行地计算注意力权重。
在本申请实施例中，考虑到光伏发电和用户负荷的波动特性不同，且单一注意力机制所能提取的特征有限的情况，采用双重注意力机制提取时间序列的周期性特征，能够实现特征的准确提取和全面提取。双重注意力机制的网络可以集成局部特征和全局依赖性。其中的空间注意力模块用于学习特征的空间相互依赖性，通道注意模块用于模拟通道的相互依赖性。
图3为本申请一实施例提供的双重注意力机制的结构示意图。参见图3，在一些实施例中，在空间注意力模块中，首先通过三个卷积层从输入数据(双重注意力机制的输入数据)中获得三个特征图，然后进行矩阵转置和乘法运算获得输出数据(空间注意力模块的输出数据)。
在通道注意力模块中，对输入数据(双重注意力机制的输入数据)分别进行整形和变换，将整形得到的特征图和变换得到的特征图相乘，通过softmax得到通道注意力图，引入尺度系数对通道注意力图进行处理，获得输出数据(通道注意力模块的输出数据)。
需要注意的是，在计算两个通道的关系之前，本实施例并未使用卷积层来计算特征。此外，与通过全局池化编码层探索通道关系不同，本实施例使用来自所有相关位置的空间信息来建模通道相关性。
长短期记忆(Long and short-term memory，LSTM)神经网络是一种特殊类型的循环神经网络。它可以学习时间序列数据中的长期模式，解决长期依赖问题，适合处理和预测时间序列中间隔和延迟相对较长的重要时间。长期保存信息是LSTM的一个优点。LSTM神经网络的核心是它的神经元状态，它具有删除或添加神经元状态信息的能力。在LSTM中，第一阶段是遗忘门，其中遗忘门决定需要从细胞状态中遗忘哪些信息。下一阶段是输入门，它决定哪些信息可以存储在单元状态中。最后阶段是输出门，它决定输出值。
图4为本申请一实施例提供的LSTM网络的内部结构示意图。参见图4，,ht-1和xt为遗忘门的输入数据，遗忘门的输出ft是通过激活sigmoid函数获得的。其中ft介于[0,1]之间，表示上一层神经元的状态被遗忘的概率。其公式如式(5)所示。输入门包含两部分，第一部分使用tanh激活函数，输出为Ct，表示本层的输出信息。另一部分使用激活函数sigmoid，输出为it，其取值范围为[0,1]，并且it表示Ct信息的被保留程度，Ct、it如方程(6)和(7)所示。输出门用于控制从该层的神经元状态中过滤掉的信息量，首先使用sigmoid激活函数来获取ot，其取值区间为[0,1]。接下来，细胞状态Ct通过tanh激活函数进行处理并乘以ot，得到输出层的输出ot。ot、ot如等式(8)和(9)所示。
ft＝σ(Wf·[ht-1,xt]+bf] (5)
Ct＝tanh(Wc·[ht-1,xt]+bc) (6)
it＝σ(Wi·[ht-1,xt]+bi) (7)
ot＝σ(Wo·[ht-1,xt]+bo) (8)
ht＝ot*tanh(Ct) (9)
双向长短期记忆(Bi-LSTM)神经网络也是循环神经网络的一种变体，它结合了移动序列起点的循环神经网络和从序列末端移动的循环神经网络。Bi-LSTM通过引入前向和后向隐藏层来捕获序列数据中的上下文信息。Bi-LSTM神经网络模型的结构分为两个独立的LSTM。首先将输入序列按正序和逆序输入到两个LSTM神经网络中进行特征提取，然后将两个输出向量(即提取的特征向量)输入到LSTM的最后一层，形成最终的特征表示。Bi-LSTM的模型设计理念是对t时刻获得的特征数据同时使用过去和未来的信息。在本申请实施例中，通过Bi-LSTM中的LSTM来提取光伏发电波动和用户负荷波动的序列特征。引入Bi LSTM来学习光伏发电数据和用户负荷数据的波动模式，可以高效、准确地提取趋势特征。对于时间t的输出，前向LSTM层具有有关时间t和输入序列中前一个时间的信息，而后向LSTM层具有有关时间t和输入序列中后续时间的信息。两个LSTM层输出的向量可以使用加法、平均或串联等方法进行处理。
在一些实施例中，在步骤S102之后，在步骤S103之前，本申请实施例中发方法还可包括：采用标准化均方根误差、平均绝对百分比误差、平均绝对误差和决定系数，对训练好的周期记忆神经网络模型进行评估。
各个评价指标的计算公式如式(10)-式(13)：
其中，为电量(电网负荷)预测值；/>为t时刻的实际电量值；/>为该时段内的电量最大值；/>为实际电量的平均值。
S103，基于目标电网的待预测时段的影响因素数据以及训练好的周期记忆神经网络模型，预测目标电网在待预测时段的电网负荷数据。
在一些实施例中，步骤S103的实现过程可以包括步骤S201至步骤S203。
S201，将待预测时段的影响因素数据输入至训练好的周期记忆神经网络模型。
S202，通过双重注意力机制对待预测时段的影响因素数据进行编码，得到待预测时段的影响因素数据的周期特征。
S203，通过Bi-LSTM神经网络和残差神经网络对周期特征进行解码，得到待预测时段的电网负荷数据。
在上述实施例中，周期特征可以包括第一输出特征和第二输出特征。空间注意力模块，可以用于通过三个卷积层从待预测时段的影响因素数据中获得三个第一特征图，对第一特征图进行矩阵转置和乘法运算，得到第一输出特征。通道注意力模块，可以用于对待预测时段的影响因素数据进行整形得到第二特征图，对待预测时段的影响因素数据进行变换得到第三特征图；将第二特征图与第三特征图相乘，并通过softmax算子对相乘的结果进行处理，得到通道注意力图；基于预设的尺度系数和通道注意力图，得到第二输出特征。
在一些实施例中，在上述步骤S103之前，上述基于Bi-LSTM和双重注意力机制的负荷预测方法，还可以包括：基于目标电网在待预测时段之前的时段的影响因素数据，获取目标电网的待预测段的影响因素数据。
在本申请实施例中，通过第一历史时段的影响因素数据和电网负荷数据对周期记忆神经网络模型进行训练后，在实际预测阶段，需要先获取到目标电网的待预测时段的影响因素数据。例如，如果当前无法获得待预测时段的影响因素数据的实测数据，则需要先利用过去时段的相关数据预测出待预测时段的影响因素数据。
在一些实施例中，上述影响因素数据还可以包括天气数据。参见图5，当考虑天气因素对电网负荷的影响时，上述基于Bi-LSTM和双重注意力机制的负荷预测方法，可以包括：
S501，获取目标电网的第一历史时段的影响因素数据和电网负荷数据，以及获取目标电网的第二历史时段的天气数据；其中，第二历史时段为第一历史时段的未来时段。
示例性的，第二历史时段可以是第一历史时段的未来3天。例如，第一历史时段为2023年1月1日至2023年5月31日，则第二历史时段为2023年6月1日至6月3日。
S502，将第一历史时段的影响因素数据、电网负荷数据和第二历史时段的天气数据输入至预先建立的周期记忆神经网络模型进行训练，得到训练好的周期记忆神经网络模型。
可以理解，在本实施中对模型进行训练时，输入的数据包括第一历史时段的光伏发电数据、用户负荷数据、电网负荷数据，以及第一历史时段和第二历史时段的天气数据。将未来时段的天气数据加入训练集，能够提高模型的预测效果。
S503，基于目标电网的待预测时段的影响因素数据、第二历史时段的天气数据以及训练好的周期记忆神经网络模型，预测目标电网在待预测时段的电网负荷数据。
相应的，上述实施例中的周期记忆神经网络模型结构示意图如图6所示。在对电网负荷进行预测时，模型的输入数据包括光伏发电数据的时间序列(第一时间序列)、用户负荷数据的时间序列(第二时间序列)和天气数据的时间序列(第三时间序列)。模型中的双重注意力机制分别对这三种时间序列进行处理，提取光伏发电、用户负荷和天气的周期特征。
在一些实施例中，在预测出待预测时段的电网负荷数据后，上述基于Bi-LSTM和双重注意力机制的负荷预测方法，还可以包括：基于预测出的待预测时段的电网负荷数据，对目标电网进行规划和调度。
以下提供一个具体实施例对上述基于Bi-LSTM和双重注意力机制的负荷预测方法的有效性进行说明：
首先，获取我国某分布式光伏区域2年的历史实测数据，包括光伏发电的实测数据、用户负荷的实测数据、电网负荷的实测数据、天气预报的数据，以及上述时间未来3天的天气预报数据。其中，实测数据的时间分辨率为15分钟。将这些实测数据进行异常数据识别和修正，然后再进行交叉。将全部数据划分为训练集、测试集和验证集。其中，75％的数据为训练集，15％的数据为验证集，10％的数据为测试集。训练集用于训练模型，验证集用于选择模型参数，测试集用于测试最终的模型性能。
为了更好获知本申请实施例提供的方法的预测效果，在本具体实施例中还引入了5种常用的模型作为对照组来对电网负荷进行预测。这5种常用模型分别为DNN(M1)、attention(M2)、LSTM(M3)、XGBoost(M4)和SVM(M5)。本实施例中，使用PyTorch框架构建PFABL、DNN、attention和LSTM模型，使用Keras框架构建XGBoost和SVM预测模型。各预测模型最终主要参数设置如表1所示。
表1模型主要参数
通过上述5种常用模型和本申请提供的模型对电网负荷进行预测，得到各种方法的预测结果曲线(灰度图无法分辨曲线色彩，此处不便展示)。根据预测结果曲线可以看出，本申请提供的方法的预测结果对实际功率波动具有较强拟合能力。
接下来，采用标准化均方根误差、平均绝对百分比误差、平均绝对误差和决定系数来评估每个预测模型。各种预测模型的各种精度指标值如表2所示。
表2各种模型预测方法的预测误差
根据表2中的数据可以看出，本申请提供方法对电网负荷的预测精度最高。经过计算，电网负荷的预测误差平均降低了4.68MW，其中，MAPE误差平均降低了1.84％。
为了进一步分析本申请所提供的方法中各模块的有效性，本具体实施例还设计了如表3所示的模块有效性测试计划。分别研究了注意力机制的类型(本申请提出的序列注意力机制/传统的点注意力机制)，输入特征的编码方式(NWP信息与历史负荷预测并行编码或统一编码)以及LSTM的形式(双向/传统单向)对精度的影响。参见表3，值为“1”的模块表示采用前一种形式，值为0表示采用后一种形式。
表3模块有效性测试计划
根据表7中的测试计划，设计了7个案例模型对电网负荷进行预测，对预测结果进行分析和评估。其中，案例1为本申请提供的方法的模块设计方案。1个案例的预测误差计算结果如表4所示。
表4各种案例的预测误差
根据表4可知，本申请提供的方法(案例1)的模块设置的预测精度相对更高。基于表4中误差数据，可以计算得到本申请提供的方法的RMSE误差平均降低了6.86MW，MAPE误差平均减少了3.81％，误差平均减少9.09MW。
图7为根据表4中的误差数据绘制的各案例在不同评估指标下的误差变化示意图。与本申请提供的方法相比，案例7的误差最大，其MAPE误差增加了5.65％，RMSE误差增加了13.8WM，MAE误差增加了12.12MW，R2预测精度下降了7.13％。接下来误差较大的是案例6，MAPE误差增加了5.03％，RMSE误差增加了11.44WM，MAE误差增加了10.79MW，R2预测精度下降了5.23％。误差相对较小的是案例2，其MAPE误差增加了0.47％，RMSE误差增加了1.69WM，MAE误差增加了1.65MW，R2预测精度下降了1.05％。
根据上述分析，可以得到各个模块的重要性为：Bi-LSTM模块的贡献相对最低，序列注意力机制贡献相对较高，并行编码机制贡献最高。
本申请实施例提供的基于Bi-LSTM和双重注意力机制的负荷预测方法，通过周期记忆神经网络模型学习时间序列的波动规律，利用双重注意力机制对光伏发电数据与用户负荷数据进行独立编码，提取光伏发电波动和用户负荷波动的周期性特征，最后利用残差连接机制和Bi-LSTM神经网络进行时间解码得到电网负荷的预测结果。这样，在进行电网负荷预测时，考虑了光伏发电和用户负荷双周期的波动特性，有效提高了电网负荷的预测精度，同时提高了负荷预测方法对用户侧光伏的适应性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的基于Bi-LSTM和双重注意力机制的负荷预测方法，图8示出了本申请实施例提供的基于Bi-LSTM和双重注意力机制的负荷预测装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图8，本申请实施例中的基于Bi-LSTM和双重注意力机制的负荷预测装置800可以包括获取模块810、训练模块820和预测模块830。
其中，获取模块810，用于获取目标电网的第一历史时段的影响因素数据和电网负荷数据；影响因素数据为影响电网负荷的因素数据；影响因素数据包括光伏发电数据和用户负荷数据。
训练模块820，用于将第一历史时段的影响因素数据和电网负荷数据输入至预先建立的周期记忆神经网络模型进行训练，得到训练好的周期记忆神经网络模型；周期记忆神经网络模型包括双重注意力机制、Bi-LSTM神经网络和残差神经网络。
预测模块830，用于基于目标电网的待预测时段的影响因素数据以及训练好的周期记忆神经网络模型，预测目标电网在待预测时段的电网负荷数据。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种电子设备，参见图9，该电子设备900可以包括：至少一个处理器910、存储器920以及存储在所述存储器920中并可在所述至少一个处理器910上运行的计算机程序，所述处理器910执行所述计算机程序时实现上述任意各个方法实施例中的步骤，例如图1所示实施例中的步骤S101至步骤S103，或者图5所示实施例中的步骤S501至步骤S503。或者，处理器910执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图8所示模块810至830的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器920中，并由处理器910执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在电子设备900中的执行过程。
本领域技术人员可以理解，图9仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器910可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器920可以是电子设备的内部存储单元，也可以是电子设备的外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。所述存储器920用于存储所述计算机程序以及电子设备所需的其他程序和数据。所述存储器920还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的基于Bi-LSTM和双重注意力机制的负荷预测方法可以应用于计算机、可穿戴设备、车载设备、平板电脑、笔记本电脑、上网本、个人数字助理(personaldigital assistant，PDA)、增强现实(augmented reality，AR)/虚拟现实(virtualreality，VR)设备、手机等电子设备上，本申请实施例对电子设备的具体类型不作任何限制。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述基于Bi-LSTM和双重注意力机制的负荷预测方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述基于Bi-LSTM和双重注意力机制的负荷预测方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/电子设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于Bi-LSTM和双重注意力机制的负荷预测方法，其特征在于，包括：
获取目标电网的第一历史时段的影响因素数据和电网负荷数据；所述影响因素数据为影响电网负荷的因素数据；所述影响因素数据包括光伏发电数据和用户负荷数据；
将所述第一历史时段的影响因素数据和所述电网负荷数据输入至预先建立的周期记忆神经网络模型进行训练，得到训练好的周期记忆神经网络模型；所述周期记忆神经网络模型包括双重注意力机制、Bi-LSTM神经网络和残差神经网络；
基于所述目标电网的待预测时段的影响因素数据以及所述训练好的周期记忆神经网络模型，预测所述目标电网在所述待预测时段的电网负荷数据。
2.如权利要求1所述的基于Bi-LSTM和双重注意力机制的负荷预测方法，其特征在于，所述基于所述目标电网的待预测时段的影响因素数据以及所述训练好的周期记忆神经网络模型，预测所述目标电网在所述待预测时段的电网负荷数据，包括：
将所述待预测时段的影响因素数据输入至所述训练好的周期记忆神经网络模型；
通过所述双重注意力机制对所述待预测时段的影响因素数据进行编码，得到所述待预测时段的影响因素数据的周期特征；
通过所述Bi-LSTM神经网络和残差神经网络对所述周期特征进行解码，得到所述待预测时段的电网负荷数据。
3.如权利要求2所述的基于Bi-LSTM和双重注意力机制的负荷预测方法，其特征在于，所述双重注意力机制包括空间注意力模块和通道注意力模块，所述周期特征包括第一输出特征和第二输出特征；
所述空间注意力模块，用于通过三个卷积层从所述待预测时段的影响因素数据中获得三个第一特征图，对所述第一特征图进行矩阵转置和乘法运算，得到第一输出特征；
所述通道注意力模块，用于对所述待预测时段的影响因素数据进行整形得到第二特征图，对所述待预测时段的影响因素数据进行变换得到第三特征图；将所述第二特征图与所述第三特征图相乘，并通过softmax算子对相乘的结果进行处理，得到通道注意力图；基于预设的尺度系数和所述通道注意力图，得到第二输出特征。
4.如权利要求1所述的基于Bi-LSTM和双重注意力机制的负荷预测方法，其特征在于，在所述预测所述目标电网在所述待预测时段的电网负荷数据之前，所述方法还包括：
基于所述目标电网在所述待预测时段之前的时段的影响因素数据，获取所述目标电网的所述待预测段的影响因素数据。
5.如权利要求1-4任一项所述的基于Bi-LSTM和双重注意力机制的负荷预测方法，其特征在于，所述第一历史时段的影响因素数据和电网负荷数据，以及所述待预测时段的影响因素数据均为时间序列。
6.如权利要求1所述的基于Bi-LSTM和双重注意力机制的负荷预测方法，其特征在于，所述影响因素数据还包括天气数据；所述方法还包括：
获取所述目标电网的第二历史时段的天气数据；其中，所述第二历史时段为所述第一历史时段的未来时段；
所述将所述第一历史时段的影响因素数据和所述电网负荷数据输入至预先建立的周期记忆神经网络模型进行训练，得到训练好的周期记忆神经网络模型，包括：
将所述第一历史时段的影响因素数据、所述电网负荷数据和所述第二历史时段的天气数据输入至所述预先建立的周期记忆神经网络模型进行训练，得到所述训练好的周期记忆神经网络模型；
所述基于所述目标电网的待预测时段的影响因素数据以及所述训练好的周期记忆神经网络模型，预测所述目标电网在所述待预测时段的电网负荷数据，包括：
基于所述目标电网的所述待预测时段的影响因素数据、所述第二历史时段的天气数据以及所述训练好的周期记忆神经网络模型，预测所述目标电网在所述待预测时段的电网负荷数据。
7.如权利要求1所述的基于Bi-LSTM和双重注意力机制的负荷预测方法，其特征在于，在所述获取目标电网的第一历史时段的影响因素数据和电网负荷数据之前，所述方法还包括：
获取数据集，所述数据集包括第三历史时段的影响因素数据和电网负荷数据；其中，所述第三历史时段包括所述第一历史时段；
按照预设比例对所述数据集进行划分，得到训练集、测试集和验证集；其中，所述训练集包括所述第一历史时段的影响因素数据和电网负荷数据。
8.如权利要求7所述的基于Bi-LSTM和双重注意力机制的负荷预测方法，其特征在于，所述按照预设比例对所述数据集进行划分，包括：
将所述数据集中75％的数据划分为所述训练集，将所述数据集中15％的数据划分为所述验证集，将所述数据集中10％的数据划分为所述测试集。
9.如权利要求1所述的基于Bi-LSTM和双重注意力机制的负荷预测方法，其特征在于，在所述预测所述目标电网在所述待预测时段的电网负荷数据之前，所述方法还包括：
采用标准化均方根误差、平均绝对百分比误差、平均绝对误差和决定系数，对所述训练好的周期记忆神经网络模型进行评估。
10.如权利要求1所述的基于Bi-LSTM和双重注意力机制的负荷预测方法，其特征在于，所述方法还包括：
基于预测出的所述待预测时段的电网负荷数据，对所述目标电网进行规划和调度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410015232.8A CN117833231A (zh) | 2024-01-04 | 2024-01-04 | 基于Bi-LSTM和双重注意力机制的负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410015232.8A CN117833231A (zh) | 2024-01-04 | 2024-01-04 | 基于Bi-LSTM和双重注意力机制的负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117833231A true CN117833231A (zh) | 2024-04-05 |
Family
ID=90505908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410015232.8A Pending CN117833231A (zh) | 2024-01-04 | 2024-01-04 | 基于Bi-LSTM和双重注意力机制的负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117833231A (zh) |
-
2024
- 2024-01-04 CN CN202410015232.8A patent/CN117833231A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112633604B (zh) | 一种基于i-lstm的短期用电量预测方法 | |
| CN108091166B (zh) | 可用停车位数目变化的预测方法、装置、设备及存储介质 | |
| CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
| CN111461445B (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
| CN116707331B (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
| CN113591368A (zh) | 一种综合能源系统多能负荷预测方法及系统 | |
| CN112653198A (zh) | 一种基于预测箱的风电出力场景生成方法及系统 | |
| CN114498619A (zh) | 一种风电功率预测方法及装置 | |
| Zhao et al. | Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression | |
| CN116599050A (zh) | 基于自注意力机制的光伏预测方法及相关装置 | |
| CN117613883A (zh) | 发电功率预测方法、装置、计算机设备及存储介质 | |
| Kim et al. | Tutorial on time series prediction using 1D-CNN and BiLSTM: A case example of peak electricity demand and system marginal price prediction | |
| CN114493006A (zh) | 电网运行风险预测方法、系统、计算机设备及存储介质 | |
| Jønler et al. | Probabilistic forecasts of global horizontal irradiance for solar systems | |
| CN117370937A (zh) | 计及时空相关性的架空线路载流量概率预测方法及系统 | |
| CN115952928A (zh) | 一种短期电力负荷预测方法、装置、设备及存储介质 | |
| CN116402194A (zh) | 一种基于混合神经网络的多时间尺度负荷预测方法 | |
| CN117833231A (zh) | 基于Bi-LSTM和双重注意力机制的负荷预测方法 | |
| CN113779861B (zh) | 光伏功率的预测方法及终端设备 | |
| CN113449968B (zh) | 一种基于深度学习的新能源电网频率风险评估方法及装置 | |
| CN111476408B (zh) | 一种电力通信设备状态预测方法及系统 | |
| Roh et al. | Tfe-net: time and feature focus embedding network for multivariate-to-multivariate time series forecasting | |
| CN118070134B (zh) | 一种园区内用户用电能耗预测方法及系统 | |
| CN118069717B (zh) | 基于循环神经网络的时序数据特征预测方法 | |
| CN116341759A (zh) | 一种预测短期电力负荷的方法、系统、设备及存储介质 |
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 |