RU169425U1 - Устройство прогнозирования электропотребления на основе многослойной нейронной сети - Google Patents

Устройство прогнозирования электропотребления на основе многослойной нейронной сети Download PDF

Info

Publication number
RU169425U1
RU169425U1 RU2016145339U RU2016145339U RU169425U1 RU 169425 U1 RU169425 U1 RU 169425U1 RU 2016145339 U RU2016145339 U RU 2016145339U RU 2016145339 U RU2016145339 U RU 2016145339U RU 169425 U1 RU169425 U1 RU 169425U1
Authority
RU
Russia
Prior art keywords
power consumption
neural network
neurons
layer
input
Prior art date
Application number
RU2016145339U
Other languages
English (en)
Inventor
Рустам Нуриманович Хамитов
Александр Сергеевич Грицай
Original Assignee
Федеральное государственное бюджетное образовательное учреждение высшего образования "Омский государственный технический университет"
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Федеральное государственное бюджетное образовательное учреждение высшего образования "Омский государственный технический университет" filed Critical Федеральное государственное бюджетное образовательное учреждение высшего образования "Омский государственный технический университет"
Priority to RU2016145339U priority Critical patent/RU169425U1/ru
Application granted granted Critical
Publication of RU169425U1 publication Critical patent/RU169425U1/ru

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

Полезная модель относится к устройствам для прогнозирования объемов энергопотребления/электропотребления физического объекта на основе многослойной нейронной сети. Устройство содержит многослойную нейронную сеть, включающую первый входной слой, количество нейронов которого определяется количеством входных данных, второй скрытый слой, количество нейронов которого подбирается экспериментально, третий выходной слой, содержащий один нейрон. Блок аппроксимации имеет один вход и один выход, который соединен с одним из нейронов входного слоя многослойной нейронной сети для учета динамики роста/снижения энергопотребления/электропотребления потребителя. Выход нейрона третьего слоя соединен с одним из входов сумматора, второй вход сумматора соединен с выходом блока аппроксимации. Выход сумматора не имеет соединений с входами первого и второго слоев нейронов. Полезная модель относится к интеллектуальным устройствам прогнозирования энергопотребления/электропотребления и может быть использована для определения краткосрочных и среднесрочных объемов энергопотребления/электропотребления. Аппроксимирующий блок в составе многослойной нейронной сети обеспечивает аппроксимацию входных данных об энергопотреблении/электропотреблении и формирует значения, полученные разностью фактических и аппроксимированных значений энергопотребления/электропотребления, что позволяет значительно сузить интервал нормализации данных, увеличив точность прогноза энергопотребления/электропотребления. Блок аппроксимации и нейронная сеть могут быть реализованы на современной элементной базе - блок аппроксимации на

Description

Полезная модель относится к интеллектуальным устройствам прогнозирования энергопотребления/электропотребления и может быть использована для определения краткосрочных и среднесрочных объемов энергопотребления/электропотребления.
Известна модель нейронной сети (патент RU 2309457, МПК G06N 3/06, G06N 7/70, опубл. 27.10.2010), содержащая искусственную нейронную сеть из аналоговых нейронов, на вход которой поступает информация, предназначенная для обработки, по меньшей мере один блок регулируемых напряжений, группу аксоноподобных узлов нелинейной связи. Каждый из аксоноподобных узлов нелинейной связи содержит последовательно соединенные схему согласования и выделения огибающей радиоимпульса, автогенератор со схемой самогашения и отрезок коаксиальной линии, выполняющий функции антенны, схема самогашения соединена с блоком регулируемых напряжений для осуществления саморегуляции активности нейронов в зависимости от характера вычислительных процессов, дополнительная схема согласования и выделения огибающей радиоимпульса включена на выходе каждого аксоноподобного узла, выход которой соединен с входами следующих нейронов, выходы нейронов, на которых формируется импульс активации, соединены с входами схем согласования и выделения огибающей радиоимпульса на входах соответствующих аксоноподобных узлов.
Однако известная модель не имеет возможности произвести аппроксимацию входных данных, что позволяет повысить точность прогнозирования объемов энергопотребления/электропотребления.
Известна многослойная нейронная сеть, наиболее близкая к предлагаемому устройству (патент RU 115098, МПК G06N 5/00, опубл. 20.04.2012), включающая первый скрытый слой нейронов с логистическими функциями активации, второй скрытый слой нейронов с сигмоидальными функциями активации и выходной слой с линейной функцией активации, причем первый скрытый слой нейронов содержит 11-12 нейронов, второй скрытый слой нейронов содержит 9-10 нейронов с сигмоидальными функциями активации, третий слой содержит один нейрон, выходы первого слоя нейронов соединены только со входами второго слоя нейронов, выходы второго слоя нейронов соединены только со входами третьего слоя нейронов, а выход третьего слоя нейронов не имеет соединения со входами нейронов первого и второго слоев нейронов.
Однако известная многослойная нейронная сеть обладает следующими недостатками: количество входных признаков не может превышать 12, чего может быть недостаточно в случае, если имеющихся ретроспективных признаков в выборке данных может быть больше заданного количества. Кроме того, данная модель, не осуществляет предварительную аппроксимацию ретроспективных данных об энергопотреблении/электропотреблении, что снижает точность модели при нормализации/денормализации входных данных из-за большого порядка разности между максимальным и минимальным значениями выборки данных.
Задачей заявляемого технического решения является повышение точности краткосрочного прогнозирования объемов энергопотребления/электропотребления.
Данный технический результат достигается тем, что в устройство прогнозирования объемов энергопотребления/электропотребления физического объекта на основе многослойной нейронной сети, содержащее многослойную нейронную сеть, включающую первый входной слой, количество нейронов которого прямо пропорционально количеству входных данных, второй скрытый слой, количество нейронов которого подбирается экспериментально, согласно публикации: Материалы XIV Международной конференции по нейрокибернетике, Ростов-на-Дону: "Определение оптимального размера нейросети обратного распространения через сопоставление средних значений модулей весов синапсов" 2005. Т. 2 - С. 60-64, третий выходной слой, содержащий один нейрон, дополнительно введен блок аппроксимации, который имеет один вход, и один выход, соединенный с одним из нейронов входного слоя многослойной нейронной сети для учета динамики роста/снижения энергопотребления/электропотребления потребителя. Выход нейрона третьего слоя соединен с одним из входов сумматора, второй вход сумматора соединен с выходом Блока аппроксимации.
Для работы многослойной нейронной сети был разработан блок аппроксимации, который предназначен для определения разности между фактическим и аппроксимированным значением энергопотребления/электропотребления. Разность между фактическим и аппроксимированным значениями определяется по формулам [1-2].
Блок аппроксимации реализует синусоидальную функцию, представленную в виде
Figure 00000001
A, D, k, b - коэффициенты аппроксимирующей функции, которые задаются значениями-константами пред началом работы устройства.
Блок аппроксимации формирует разность фактических и аппроксимированных значений, представленную в виде
Figure 00000002
D - остаток, полученный разностью фактического и аппроксимированного значений, МВт;
F - фактические значения, МВт;
у - аппроксимированное значение, полученное по формуле [1], МВт.
На фиг. 1 изображена структурная схема предлагаемого устройства
прогнозирования электропотребления на основе многослойной нейронной
сети.
На фиг. 2 - графики фактического и прогнозного объемов электропотребления, и ошибка прогнозирования, полученные предлагаемым устройством прогнозирования электропотребления на основе многослойной нейронной сети.
Устройство прогнозирования объемов энергопотребления/электропотребления физического объекта на основе многослойной нейронной сети содержит многослойную нейронную сеть 1, включающую первый входной слой 2, количество нейронов которого определяется количеством входных данных, второй скрытый слой 3, количество нейронов которого подбирается экспериментально, третий выходной слой 4, содержащий один нейрон. Блок аппроксимации 5 имеет один вход и один выход, который соединен с одним из нейронов входного слоя 2 многослойной нейронной сети 1 для учета динамики роста/снижения энергопотребления/электропотребления потребителя. Выход нейрона третьего слоя 4 соединен с одним из входов сумматора 6, второй вход сумматора 6 соединен с выходом блока аппроксимации 5. Выход сумматора 6 не имеет соединений со входами первого 2 и второго 3 слоев нейронов.
Устройство прогнозирования энергопотребления/электропотребления на основе многослойной нейронной сети работает следующим образом.
Для нейронной сети 1 формируется обучающая выборка, раскрытая в публикации: Известия ТПУ. Инжиниринг георесурсов: "Использование нейронной сети для построения краткосрочного прогноза электропотребления ООО «Омская энергосбытовая компания»", Т. 327. - №8. - С. 44-51, 2016. На входы первого слоя 2 нейронной сети 1 подают характеристические ретроспективные данные об энергопотреблении/электропотреблении, такие как дата, день недели, день месяца, тип дня (выходной/рабочий), средняя температура окружающей среды, временной интервал, скорость ветра и другие значимые параметры.
На блок аппроксимации 5 подают значение объема фактического электропотребления за предыдущий период, аналогичный периоду, на который осуществляется прогноз энергопотребления/электропотребления.
На вход аппроксимирующего блока 5 подают значение объема электропотребления/энергопотребления, соответствующее характеристическим параметрам.
Блоком аппроксимации 5 формируют аппроксимированное значение с использованием функции аппроксимации и значение разности между фактическим и аппроксимированным значениями, которое и поступает на вход многослойной нейронной сети 1. Многослойная нейронная сеть обучается на основе представленных данных. Для обучения нейронной сети используется метод Левенберга-Марквардта. После завершения обучения, на входы многослойной нейронной сети 1 подают прогнозные характеристические признаки, а блок аппроксимации 5 формирует разность между фактическим и аппроксимированным значениями, с использованием функции аппроксимации [1-2]. С одного из его выходов на вход одного из нейронов входного слоя 2 многослойной нейронной сети 1 подаются значения, полученные за текущий временной период. С третьего слоя 4 многослойной нейронной сети 1 полученные прогнозные значения остатков подаются на один из входов сумматора 6. С другого выхода блока аппроксимации 5 на другой из входов сумматора 6 подаются аппроксимированные значения, продленные на интервал 24 часа функции. Сумматор 6 осуществляет сложение полученных значений аппроксимирующей функции со значениями, полученными с выхода третьего слоя 4 многослойной нейронной сети 1. Полученное значение с сумматора 6 выступает в качестве прогнозного объема энергопотребления/электропотребления. График фактических и прогнозных значений, полученных при помощи устройства прогнозирования электропотребления на основе многослойной нейронной сети, представлен на Фиг. 2.
Блок аппроксимации 6 обеспечивает аппроксимацию входных данных об энергопотреблении/электропотреблении и формирует разность фактических и аппроксимированных значений, что позволяет значительно сузить интервал нормализации данных об энергопотреблении/электропотреблении, увеличить точность прогноза энергопотребления/электропотребления. Блок аппроксимации и нейронная сеть могут быть реализованы на современной элементной базе - блок аппроксимации на микроконтроллере ATtiny 12, нейронная сеть на микроконтроллере ATMega32.
Были проведены натурные испытания на основе ретроспективных данных об электропотреблении ООО «Омская энергосбытовая компания».
В таблице №1 представлен протокол измерений за 1 февраля 2016 года ООО «Омская энергосбытовая компания»
Figure 00000003
В таблице 1 представлены следующие параметры:
- дата, за которую осуществлялся прогноз электропотребления, час суток (от 0 до 23, 0 соответствует интервалу времени с 24:00 до 1:00),
- фактическое электропотребление, характеризующее фактическое электропотребление физического объекта/объектов, МВт;
- средняя температура окружающего воздуха, °С;
- предсказанное электропотребление, полученное с использованием устройства прогнозирования электропотребления на основе многослойной нейронной сети, МВт;
- средняя ошибка прогноза, МВт. Средняя ошибка прогноза, %.
Табличные данные подтверждают целесообразность использования данного устройства для повышения точности краткосрочного прогнозирования электропотребления физического объекта.

Claims (1)

  1. Устройство для прогнозирования энергопотребления/электропотребления физического объекта на основе многослойной нейронной сети, содержащее многослойную нейронную сеть, включающую первый входной слой нейронов, второй скрытый слой нейронов, третий выходной слой нейронов, выходы первого слоя нейронов соединены только со входами второго слоя нейронов, выходы второго слоя нейронов соединены только со входами третьего слоя нейронов, отличающееся тем, что устройство содержит блок аппроксимации с одним входом, предназначенным для входной информации, и одним выходом, выход блока аппроксимации соединен с одним из входов многослойной нейронной сети, выход нейрона третьего слоя соединен с одним из входов сумматора, со вторым входом сумматора соединен один из выходов блока аппроксимации.
RU2016145339U 2016-11-18 2016-11-18 Устройство прогнозирования электропотребления на основе многослойной нейронной сети RU169425U1 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2016145339U RU169425U1 (ru) 2016-11-18 2016-11-18 Устройство прогнозирования электропотребления на основе многослойной нейронной сети

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2016145339U RU169425U1 (ru) 2016-11-18 2016-11-18 Устройство прогнозирования электропотребления на основе многослойной нейронной сети

Publications (1)

Publication Number Publication Date
RU169425U1 true RU169425U1 (ru) 2017-03-16

Family

ID=58450087

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2016145339U RU169425U1 (ru) 2016-11-18 2016-11-18 Устройство прогнозирования электропотребления на основе многослойной нейронной сети

Country Status (1)

Country Link
RU (1) RU169425U1 (ru)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726599A (zh) * 2018-12-29 2019-05-07 济南浪潮高新科技投资发展有限公司 基于神经网络的芯片密钥保护模块和方法
CN110516837A (zh) * 2019-07-10 2019-11-29 马欣 一种基于ai的智能化诊断方法、系统及装置
RU194498U1 (ru) * 2019-07-12 2019-12-12 Федеральное государственное казенное военное образовательное учреждение высшего образования "Военная академия воздушно-космической обороны имени Маршала Советского Союза Г.К. Жукова" Министерства обороны Российской Федерации Искусственная нейронная сеть для идентификации технического состояния радиотехнических средств
RU2752779C1 (ru) * 2020-12-25 2021-08-03 Общество с ограниченной ответственностью «Тюменский институт нефти и газа» Способ управления режимами работы добывающих и нагнетательных скважин нефтяного месторождения и многослойная циклическая нейронная сеть
RU2772079C2 (ru) * 2020-10-26 2022-05-16 Российская Федерация, от имени которой выступает Министерство обороны Российской Федерации Устройство автоматического оценивания проходимости местности военной техникой

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU115098U1 (ru) * 2011-09-29 2012-04-20 Константин Дмитриевич Белов Многослойная нейронная сеть
RU2480825C2 (ru) * 2010-10-04 2013-04-27 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Адыгейский государственный университет" (ФГБОУ ВПО "АГУ") Способ прогнозирования времени наступления и уровня паводков
RU151549U1 (ru) * 2014-07-08 2015-04-10 Дмитрий Маркович Шпрехер Искусственная нейронная сеть
RU151431U1 (ru) * 2014-04-02 2015-04-10 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования Омский государственный университет путей сообщения (ОмГУПС (ОмИИТ)) Автоматизированная система контроля и управления электропотреблением предприятий
US20150317589A1 (en) * 2012-11-09 2015-11-05 The Trustees Of Columbia University In The City Of New York Forecasting system using machine learning and ensemble methods
US20160247065A1 (en) * 2006-02-14 2016-08-25 Power Analytics Corporation Systems and Methods for Real-Time Forecasting and Predicting of Electrical Peaks and Managing the Energy, Health, Reliability, and Performance of Electrical Power Systems Based on an Artificial Adaptive Neural Network

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160247065A1 (en) * 2006-02-14 2016-08-25 Power Analytics Corporation Systems and Methods for Real-Time Forecasting and Predicting of Electrical Peaks and Managing the Energy, Health, Reliability, and Performance of Electrical Power Systems Based on an Artificial Adaptive Neural Network
RU2480825C2 (ru) * 2010-10-04 2013-04-27 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Адыгейский государственный университет" (ФГБОУ ВПО "АГУ") Способ прогнозирования времени наступления и уровня паводков
RU115098U1 (ru) * 2011-09-29 2012-04-20 Константин Дмитриевич Белов Многослойная нейронная сеть
US20150317589A1 (en) * 2012-11-09 2015-11-05 The Trustees Of Columbia University In The City Of New York Forecasting system using machine learning and ensemble methods
RU151431U1 (ru) * 2014-04-02 2015-04-10 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования Омский государственный университет путей сообщения (ОмГУПС (ОмИИТ)) Автоматизированная система контроля и управления электропотреблением предприятий
RU151549U1 (ru) * 2014-07-08 2015-04-10 Дмитрий Маркович Шпрехер Искусственная нейронная сеть

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726599A (zh) * 2018-12-29 2019-05-07 济南浪潮高新科技投资发展有限公司 基于神经网络的芯片密钥保护模块和方法
CN110516837A (zh) * 2019-07-10 2019-11-29 马欣 一种基于ai的智能化诊断方法、系统及装置
RU194498U1 (ru) * 2019-07-12 2019-12-12 Федеральное государственное казенное военное образовательное учреждение высшего образования "Военная академия воздушно-космической обороны имени Маршала Советского Союза Г.К. Жукова" Министерства обороны Российской Федерации Искусственная нейронная сеть для идентификации технического состояния радиотехнических средств
RU2772079C2 (ru) * 2020-10-26 2022-05-16 Российская Федерация, от имени которой выступает Министерство обороны Российской Федерации Устройство автоматического оценивания проходимости местности военной техникой
RU2752779C1 (ru) * 2020-12-25 2021-08-03 Общество с ограниченной ответственностью «Тюменский институт нефти и газа» Способ управления режимами работы добывающих и нагнетательных скважин нефтяного месторождения и многослойная циклическая нейронная сеть
RU2784191C1 (ru) * 2021-12-27 2022-11-23 Андрей Павлович Катанский Способ и устройство адаптивного автоматизированного управления системой отопления, вентиляции и кондиционирования
RU222420U1 (ru) * 2023-10-12 2023-12-25 федеральное государственное автономное образовательное учреждение высшего образования "Южный федеральный университет" Устройство мониторинга и прогнозирования электропотребления в электро-энергетических системах на основе нейронных структур

Similar Documents

Publication Publication Date Title
RU169425U1 (ru) Устройство прогнозирования электропотребления на основе многослойной нейронной сети
CN105631483B (zh) 一种短期用电负荷预测方法及装置
CN111260030B (zh) 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质
Liu et al. Ensemble learning via negative correlation
CN109146156A (zh) 一种用于预测充电桩系统充电量的方法
Chitsazan et al. Wind speed forecasting using an echo state network with nonlinear output functions
Yongchun Application of Elman neural network in short-term load forecasting
Khan et al. Short-term daily peak load forecasting using fast learning neural network
Mellios et al. A multivariate analysis of the daily water demand of Skiathos Island, Greece, implementing the artificial neuro-fuzzy inference system (ANFIS)
Sun et al. Short-term load forecasting model based on multi-label and BPNN
Guo et al. Wind speed forecasting of genetic neural model based on rough set theory
Tsado et al. Short-term electrical energy consumption forecasting using GMDH-type neural network
JPH0830581A (ja) 需要量予測方法
Selvi et al. Investigation of Weather Influence in Day-Ahead Hourly Electric Load Power Forecasting with New Architecture Realized in Multivariate Linear Regression & Artificial Neural Network Techniques
CN111539573B (zh) 一种风光互补离网系统的功率预测方法及系统
Souzanchi-K et al. A multi adaptive neuro fuzzy inference system for short term load forecasting by using previous day features
CN109034453A (zh) 一种基于多标记神经网络的短期电力负荷预测方法
Ming-guang et al. Short-term load combined forecasting method based on BPNN and LS-SVM
Rafik et al. Learning and Predictive Energy Consumption Model based on LSTM recursive neural networks
Lalis et al. Dynamic forecasting of electric load consumption using adaptive multilayer perceptron (AMLP)
CN113112085A (zh) 一种基于bp神经网络的新能源场站发电负荷预测方法
Mittal et al. Layer recurrent neural network based power system load forecasting
Ulagammai Short Term Load Forecasting Using ANN and WNN
Kumari et al. Effect of different activation function on short term load forecasting using neural network-a comparative study
Chang et al. A weighted evolving fuzzy neural network for electricity demand forecasting

Legal Events

Date Code Title Description
MM9K Utility model has become invalid (non-payment of fees)

Effective date: 20191119