CN107704966A - 一种基于天气大数据的能源负荷预测***及方法 - Google Patents
一种基于天气大数据的能源负荷预测***及方法 Download PDFInfo
- Publication number
- CN107704966A CN107704966A CN201710964258.7A CN201710964258A CN107704966A CN 107704966 A CN107704966 A CN 107704966A CN 201710964258 A CN201710964258 A CN 201710964258A CN 107704966 A CN107704966 A CN 107704966A
- Authority
- CN
- China
- Prior art keywords
- data
- weather
- energy load
- temperature
- load
- 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
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于天气大数据的能源负荷预测***及方法，***包括数据采集、模型学习和负荷预测三个模块，方法主要步骤包括：首先，根据能源负荷所在地区，获取天气观测数据、温度传感器测温值和本地用户的智能手机的感温值，其中天气观测数据包括气温、湿度、风力、降雨量和光照强度等特征数据；其次，对获取的天气数据进行归一化处理，形成天气大数据训练集；接着，运用XGBoost梯度提升算法提取天气数据对能源负荷数据的影响权重值，然后采用基于LSTM神经网络模型构建能源负荷的预测模型；最后，结合本区域的天气预报数据，运用能源负荷的预测模型对待预测地区的能源负荷进行预测。本发明有效地改善了传统的能源负荷单一时间序列分析方法，提高了能源负荷预测精度。
Description
技术领域
本发明涉及能源负荷预测的技术领域，具体涉及一种基于天气大数据的能源负荷预测***及方法。
背景技术
随着经济的发展，各行业对电力等能源的需求越来越大。对电力等能源负荷进行有效的分析和精准预测，将有助于能源的生产和合理的配置。
目前，关于能源负荷预测的方法大多基于时间序列的经典处理方法，即通过分析能源负荷的历史数据建立预测模型，常见的技术有ARMA模型、小波分析、BP神经网络等。虽然这些方法对数据的拟合效果越来越好，但在实际中能源负荷的预测受很多包括环境因素在内的不确定性因素的影响，因此预测精度上还存在较大误差。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于天气大数据的能源负荷预测方法，将天气历史数据(如温度、湿度、风力、降雨量、光照强度等)和历史能源负荷数据结合起来建立模型，在预测时利用天气预报信息和模型自身进行预测，进而提高能源负荷预测的效果。
为了达到上述目的，本发明采用以下技术方案：
本发明公开了一种基于天气大数据的能源负荷预测***，包括数据采集模块、模型学习模块和负荷预测模块；所述数据采集模块，用于天气历史数据的采集和历史能源负荷数据的采集，所述天气历史数据包括气温、湿度、风力、降雨量和光照强度，所述能源负荷历史数据包括气象局对本地区的历史观测数据、本地区温度传感器装置的测量值以及本地用户智能手机的温度感知值；此外，所述数据采集模块还需采集按照时间序列的历史能源负荷数据；
所述模型学习模块，用于将采集的数据作为训练数据集，进而学习出能源负荷预测的模型；所述能源负荷预测的模型用于对获取的天气数据进行归一化处理，形成以温度、湿度、风力、降雨量和光照强度为特征并以时间为序列的天气大数据训练集；获取历史能源负荷数据，运用梯度提升算法分析历史能源负荷数据和历史天气数据的相关性，提取影响不同能源负荷的天气特征权重值；基于提取的天气特征，建立能源负荷的预测模型；
所述负荷预测模块，用于根据能源负荷的预测模型，结合所要预测地区的天气预报数据，给出预测的能源负荷结果。
作为优选的技术方案，所述负荷预测模块中，将待预测日期的时间序列数据和待预测日期的天气预报数据作为负荷预测模型的输入，由模型经过计算得到预测的能源负荷结果。
本发明还公开了一种基于天气大数据的能源负荷预测***的预测方法，包括下述步骤：
步骤1：根据能源负荷所在地区，获取气象局关于本地气温、湿度、风力、降雨量和光照强度的天气观测数据；其次获取能源负荷所在地的温度传感器的温度测量值；此外，获取本区域用户的智能手机的温度感知值；
步骤2：对获取的天气数据进行归一化处理，形成以温度、湿度、风力、降雨量和光照强度为特征并以时间为序列的天气大数据训练集；
步骤3：获取历史能源负荷数据，提取影响不同能源负荷的天气特征权重值，进而形成完整的特征数据集；
步骤4：基于提取的天气特征，建立能源负荷的预测模型；
步骤5：结合天气预报信息，对待预测地区的能源负荷进行预测。
作为优选的技术方案，为将不同来源的天气数据进行统一，气温、湿度、风力、降雨量和光照强度特征数据均按照一定时间间隔进行采集；其中气象局观测数据通过应用程序接口API获取，能源负荷所在地的温度传感器数据通过仪器装置获取，而用户智能手机的温度感知值则是将测量的手机电池温度或温度传感器数据转换为环境温度，其转换方法采用下述模型：
式中为一定时间间隔的平均环境温度，为在空间区域A和时间间隔h上的平均手机电池温度或手机温度传感器的温度，T0是固定的平衡温度常数，mj为估计系数，εj,h为随机扰动项，j为样本序号。
作为优选的技术方案，所述步骤2中，对包含温度、湿度、风力、降雨量和光照强度五个特征的天气数据进行归一化处理，归一化处理的方法采用下述计算公式：
xi＝(xi-μ)/(max-min) (2)
式中xi为第i个样本数据，μ为该特征下所有样本数据的均值，max、min分别代表该特征下样本数据的最大值和最小值。
作为优选的技术方案，所述步骤3中，提取影响不同能源负荷的天气特征权重值，进而为预测模型的建立提供参考；采用XGBoost即极限梯度提升算法进行特征提取，参照梯度提升决策树的思想，XGBoost算法的目标函数为：
其中，T代表叶子节点数，wj代表每个叶子节点的权重，而γ和λ则为模型中控制不同部分比重的参数；通过对wj求导数并令其等于0，可以解得：
当把原始的训练数据作为XGBoost算法的输入时，有3部分数据作为特征：历史能源负荷序列数据、时间序列数据和天气序列数据，而历史能源负荷序列数据和时间序列数据是必不可少的特征，故根据XGBoost算法得到天气序列数据中不同天气特征的特征重要性权重；所述不同天气特征包括温度、湿度、风力、降雨量和光照强度；
作为优选的技术方案，所述步骤4中，运用基于LSTM神经网络模型构建负荷预测模型，并以组成的矩阵作为输入，通过调节并设置合适的LSTM神经网络参数，训练得到能源负荷的预测模型。
作为优选的技术方案，所述步骤5中，首先获取预测地区的天气预报信息，在进行能源负荷预测时，将待预测日期的天气预报数据和待预测日期的时间序列数据作为输入变量，运用步骤4中的负荷预测模型进行计算，输出为预测的能源负荷结果。
本发明相对于现有技术具有如下的优点和效果：
本发明通过多种来源获取能源负荷所在区域的历史天气数据，包括但不限于气象局观测数据、温度传感器数据和区域用户智能手机数据，进而采用了XGBoost梯度提升算法提取与能源负荷数据相关的天气特征权重值，并将能源负荷数据和天气特征及其权重数据结合，运用LSTM神经网络构建负荷预测模型，克服了传统的能源负荷单一时间序列分析方法在预测效果上的不足，有效地提高了能源负荷预测精度，尤其在能源负荷受天气环境因素影响而有较大波动时体现出更好的鲁棒性。
附图说明
图1为本发明的主要原理图；
图2为本发明的能源负荷预测实施流程图；
图3是本发明运用基于LSTM神经网络模型构建负荷预测模型图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细描述。
如图1所示，本实施例基于天气大数据的能源负荷预测***，包括数据采集模块、模型学习模块和负荷预测模块；
所述数据采集模块，用于天气历史数据的采集和能源负荷历史数据的采集，所述天气历史数据的包括气温、湿度、风力、降雨量和光照强度，所述能源负荷历史数据包括气象局对本地区的历史观测数据、本地区温度传感器装置的测量值以及本地用户智能手机的温度感知值；此外，所述数据采集模块还需采集按照时间序列的历史能源负荷数据；
所述模型学习模块，用于将采集的数据作为训练数据集，进而学习出能源负荷预测的模型；所述能源负荷预测的模型用于对获取的天气数据进行归一化处理，形成以温度、湿度、风力、降雨量和光照强度为特征并以时间为序列的天气大数据训练集；获取历史能源负荷数据，运用XGBoost梯度提升算法分析历史能源负荷数据和历史天气数据的相关性，提取影响不同能源负荷的天气特征权重值；基于提取的天气特征，运用LSTM神经网络建立能源负荷的预测模型；
所述负荷预测模块，用于根据能源负荷的预测模型，结合所要预测地区的天气预报数据，给出预测的能源负荷结果。
如图2所示，基于天气大数据的能源负荷预测方法包括如下步骤：
步骤1：根据能源负荷所在地区，获取气象局关于本地气温、湿度、风力、降雨量和光照强度的天气观测数据；其次获取能源负荷所在地的温度传感器的温度测量值；此外，获取本区域用户的智能手机的温度感知值；
步骤2：对获取的天气数据进行归一化处理，形成以温度、湿度、风力、降雨量和光照强度为特征并以时间为序列的天气大数据训练集；
步骤3：获取历史能源负荷数据，提取影响不同能源负荷的天气特征权重值，进而形成完整的特征数据集；
步骤4：基于提取的天气特征，建立能源负荷的预测模型；
步骤5：结合天气预报信息，对待预测地区的能源负荷进行预测。
所述步骤1中，为将不同来源的天气数据进行统一，气温、湿度、风力、降雨量和光照强度等数据均按照一定时间间隔进行采集。其中气象局观测数据可以通过应用程序接口(API)获取，能源负荷所在地的温度传感器数据可以通过仪器装置获取，而用户智能手机的温度感知值则是将测量的手机电池温度或温度传感器数据转换为环境温度，其转换方法包括但不限于如下模型：
式中为一定时间间隔的平均环境温度，为一定时间间隔的平均手机电池温度或手机温度传感器的温度(在空间区域A和时间间隔h上)，T0是固定的平衡温度常数，mj为估计系数，εj,h为随机扰动项，j为样本序号。
所述步骤2中，对包含温度、湿度、风力、降雨量和光照强度等特征的天气数据进行归一化处理，归一化处理的方法包括但不限于如下计算公式：
xi＝(xi-μ)/(max-min) (2)
式中xi为第i个样本数据，μ为该特征下所有样本数据的均值，max、min分别代表该特征下样本数据的最大值和最小值。
所述步骤3中，提取影响不同能源负荷的天气特征权重值，进而为预测模型的建立提供参考。采用XGBoost(eXtreme Gradient Boosting，极限梯度提升)算法进行特征提取，参照梯度提升决策树的思想，XGBoost算法的目标函数为：
其中，T代表叶子节点数，wj代表每个叶子节点的权重，而γ和λ则为模型中控制不同部分比重的参数。通过对wj求导数并令其等于0，可以解得：
当把原始的训练数据作为XGBoost算法的输入时，主要有3部分数据可以作为特征：历史能源负荷序列数据、时间序列数据和天气序列数据，而历史能源负荷序列数据和时间序列数据是必不可少的特征，故根据XGBoost算法主要得到天气序列数据中不同天气特征(温度、湿度、风力、降雨量和光照强度)的特征重要性权重。
所述步骤4中，运用基于LSTM神经网络模型构建负荷预测模型，如图3所示，图3中，将时间序列、历史能源负荷序列和天气特征序列及权重组成的矩阵作为输入，通过调节并设置合适的LSTM神经网络参数，可以训练得到能源负荷的预测模型。在LSTM神经网络参数设定过程中，重要的参数设定及说明如下表：
所述步骤5中，首先获取预测地区的天气预报信息，在进行能源负荷预测时，将待预测日期的天气预报数据和待预测日期的时间序列数据作为输入变量，运用步骤4中的负荷预测模型进行计算，输出为预测的能源负荷结果。
上述实施方法为本发明较佳的实施方式，但本发明的具体实施方式并不受上述实施方法的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都应包含在本发明的保护范围之内。
Claims (8)
1.一种基于天气大数据的能源负荷预测***，其特征在于，包括数据采集模块、模型学习模块和负荷预测模块；所述数据采集模块，用于天气历史数据的采集和历史能源负荷数据的采集，所述天气历史数据包括气温、湿度、风力、降雨量和光照强度，所述能源负荷历史数据包括气象局对本地区的历史观测数据、本地区温度传感器装置的测量值以及本地用户智能手机的温度感知值；此外，所述数据采集模块还需采集按照时间序列的历史能源负荷数据；
所述模型学习模块，用于将采集的数据作为训练数据集，进而学习出能源负荷预测的模型；所述能源负荷预测的模型用于对获取的天气数据进行归一化处理，形成以温度、湿度、风力、降雨量和光照强度为特征并以时间为序列的天气大数据训练集；获取历史能源负荷数据，运用梯度提升算法分析历史能源负荷数据和历史天气数据的相关性，提取影响不同能源负荷的天气特征权重值；基于提取的天气特征，建立能源负荷的预测模型；
所述负荷预测模块，用于根据能源负荷的预测模型，结合所要预测地区的天气预报数据，给出预测的能源负荷结果。
2.根据权利要求1所述基于天气大数据的能源负荷预测***，其特征在于，所述负荷预测模块中，将待预测日期的时间序列数据和待预测日期的天气预报数据作为负荷预测模型的输入，由模型经过计算得到预测的能源负荷结果。
3.根据权利要求1所述一种基于天气大数据的能源负荷预测***的预测方法，其特征在于，包括下述步骤：
步骤1：根据能源负荷所在地区，获取气象局关于本地气温、湿度、风力、降雨量和光照强度的天气观测数据；其次获取能源负荷所在地的温度传感器的温度测量值；此外，获取本区域用户的智能手机的温度感知值；
步骤2：对获取的天气数据进行归一化处理，形成以温度、湿度、风力、降雨量和光照强度为特征并以时间为序列的天气大数据训练集；
步骤3：获取历史能源负荷数据，提取影响不同能源负荷的天气特征权重值，进而形成完整的特征数据集；
步骤4：基于提取的天气特征，建立能源负荷的预测模型；
步骤5：结合天气预报信息，对待预测地区的能源负荷进行预测。
4.根据权利要求3所述基于天气大数据的能源负荷预测方法，其特征在于，所述步骤1中，为将不同来源的天气数据进行统一，气温、湿度、风力、降雨量和光照强度特征数据均按照一定时间间隔进行采集；其中气象局观测数据通过应用程序接口API获取，能源负荷所在地的温度传感器数据通过仪器装置获取，而用户智能手机的温度感知值则是将测量的手机电池温度或温度传感器数据转换为环境温度，其转换方法采用下述模型：
式中为一定时间间隔的平均环境温度，为在空间区域A和时间间隔h上的平均手机电池温度或手机温度传感器的温度，T0是固定的平衡温度常数，mj为估计系数，εj,h为随机扰动项，j为样本序号。
5.根据权利要3所述的基于天气大数据的能源负荷预测方法，其特征在于，所述步骤2中，对包含温度、湿度、风力、降雨量和光照强度五个特征的天气数据进行归一化处理，归一化处理的方法采用下述计算公式：
xi＝(xi-μ)/(max-min) (2)
式中xi为第i个样本数据，μ为该特征下所有样本数据的均值，max、min分别代表该特征下样本数据的最大值和最小值。
6.根据权利要求3所述的基于天气大数据的能源负荷预测方法，其特征在于，所述步骤3中，提取影响不同能源负荷的天气特征权重值，进而为预测模型的建立提供参考；采用XGBoost即极限梯度提升算法进行特征提取，参照梯度提升决策树的思想，XGBoost算法的目标函数为：
其中，T代表叶子节点数，wj代表每个叶子节点的权重，而γ和λ则为模型中控制不同部分比重的参数；通过对wj求导数并令其等于0，可以解得：
当把原始的训练数据作为XGBoost算法的输入时，有3部分数据作为特征：历史能源负荷序列数据、时间序列数据和天气序列数据，而历史能源负荷序列数据和时间序列数据是必不可少的特征，故根据XGBoost算法得到天气序列数据中不同天气特征的特征重要性权重；所述不同天气特征包括温度、湿度、风力、降雨量和光照强度。
7.根据权利要求3所述的基于天气大数据的能源负荷预测方法，其特征在于，所述步骤4中，运用基于LSTM神经网络模型构建负荷预测模型，并以组成的矩阵作为输入，通过调节并设置合适的LSTM神经网络参数，训练得到能源负荷的预测模型。
8.根据权利要求3所述的基于天气大数据的能源负荷预测方法，其特征在于，所述步骤5中，首先获取预测地区的天气预报信息，在进行能源负荷预测时，将待预测日期的天气预报数据和待预测日期的时间序列数据作为输入变量，运用步骤4中的负荷预测模型进行计算，输出为预测的能源负荷结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710964258.7A CN107704966A (zh) | 2017-10-17 | 2017-10-17 | 一种基于天气大数据的能源负荷预测***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710964258.7A CN107704966A (zh) | 2017-10-17 | 2017-10-17 | 一种基于天气大数据的能源负荷预测***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107704966A true CN107704966A (zh) | 2018-02-16 |
Family
ID=61184413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710964258.7A Pending CN107704966A (zh) | 2017-10-17 | 2017-10-17 | 一种基于天气大数据的能源负荷预测***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107704966A (zh) |
Cited By (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764517A (zh) * | 2018-04-08 | 2018-11-06 | 中南大学 | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 |
| CN108876019A (zh) * | 2018-05-31 | 2018-11-23 | 中国电力科学研究院有限公司 | 一种基于大数据的用电负荷预测方法及*** |
| CN108921279A (zh) * | 2018-03-26 | 2018-11-30 | 西安电子科技大学 | 水库日入水量预测方法 |
| CN109034398A (zh) * | 2018-08-10 | 2018-12-18 | 深圳前海微众银行股份有限公司 | 基于联邦训练的特征选择方法、装置及存储介质 |
| CN109165683A (zh) * | 2018-08-10 | 2019-01-08 | 深圳前海微众银行股份有限公司 | 基于联邦训练的样本预测方法、装置及存储介质 |
| CN109285589A (zh) * | 2018-10-31 | 2019-01-29 | 重庆邮电大学 | 一种基于Spark大数据平台的铝电解过热度预测方法 |
| CN109444232A (zh) * | 2018-12-26 | 2019-03-08 | 苏州同阳科技发展有限公司 | 一种多通道智能化污染气体监测装置与扩散溯源方法 |
| CN109615226A (zh) * | 2018-12-12 | 2019-04-12 | 焦点科技股份有限公司 | 一种运营指标异常监测方法 |
| CN110084424A (zh) * | 2019-04-25 | 2019-08-02 | 国网浙江省电力有限公司 | 一种基于lstm与lgbm的电力负荷预测方法 |
| CN110443460A (zh) * | 2019-07-08 | 2019-11-12 | 北京市天元网络技术股份有限公司 | 一种基于天气和小区热量损耗的换热站换热量人工智能分析方法以及装置 |
| CN110472778A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种基于Blending集成学习的短期负荷预测方法 |
| CN110543987A (zh) * | 2019-08-28 | 2019-12-06 | 向波 | 一种智能气候预测*** |
| CN110601193A (zh) * | 2019-10-09 | 2019-12-20 | 中电科新型智慧城市研究院有限公司 | 一种基于环境变量感知及滞后的电力负荷预测***及方法 |
| CN110998648A (zh) * | 2018-08-09 | 2020-04-10 | 北京嘀嘀无限科技发展有限公司 | 一种分配订单的***和方法 |
| CN111008661A (zh) * | 2019-12-04 | 2020-04-14 | 哈尔滨工业大学 | 航空发动机备发需求量的Croston-XGBoost预测方法 |
| CN111161178A (zh) * | 2019-12-25 | 2020-05-15 | 湖南大学 | 基于生成式对抗网络的单幅低光图像增强方法 |
| CN111561734A (zh) * | 2020-05-18 | 2020-08-21 | 瑞纳智能设备股份有限公司 | 基于人工智能的供暖户阀调节方法、***及设备 |
| CN111667187A (zh) * | 2020-06-10 | 2020-09-15 | 中交第二公路勘察设计研究院有限公司 | 基于多源遥感数据的公路滑坡危险性评价方法 |
| CN112116153A (zh) * | 2020-09-18 | 2020-12-22 | 上海电力大学 | 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 |
| CN112381266A (zh) * | 2020-10-22 | 2021-02-19 | 国网湖北省电力有限公司武汉供电公司 | 基于历史供电及天气数据预测未来供电量的***及其方法 |
| CN112529298A (zh) * | 2020-12-11 | 2021-03-19 | 北京邮电大学 | 用于预测电力负荷的方法、装置、电子设备及介质 |
| CN112531683A (zh) * | 2020-11-19 | 2021-03-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于奥恩斯坦-乌伦贝克过程求解的配网线路负荷预测方法 |
| CN112734096A (zh) * | 2020-12-31 | 2021-04-30 | 国网山东省电力公司青岛供电公司 | 一种城市饱和负荷预测方法及*** |
| CN113793052A (zh) * | 2021-09-23 | 2021-12-14 | 长沙理工大学 | 一种区域综合能源***鲁棒优化调度方法 |
| CN113961620A (zh) * | 2021-10-19 | 2022-01-21 | 阳光电源股份有限公司 | 数值天气预报结果的确定方法及装置 |
| CN114091361A (zh) * | 2022-01-24 | 2022-02-25 | 中汽数据(天津)有限公司 | 基于气象事件的transformer模型构建方法 |
| CN114442704A (zh) * | 2021-12-31 | 2022-05-06 | 华能山东发电有限公司 | 一种基于大数据的智能电力生产监控方法及*** |
| CN114626640A (zh) * | 2022-04-27 | 2022-06-14 | 西安建筑科技大学 | 基于特征工程和lstm神经网络的天然气负荷预测方法及*** |
| CN110826795B (zh) * | 2019-10-31 | 2023-06-09 | 国网辽宁省电力有限公司经济技术研究院 | 极端温度气象日母线日前负荷预测方法 |
| CN116565865A (zh) * | 2023-07-11 | 2023-08-08 | 湖南大学 | 一种基于深度误差反馈学习的风电功率预测方法 |
-
2017
- 2017-10-17 CN CN201710964258.7A patent/CN107704966A/zh active Pending
Cited By (40)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108921279A (zh) * | 2018-03-26 | 2018-11-30 | 西安电子科技大学 | 水库日入水量预测方法 |
| CN108764517A (zh) * | 2018-04-08 | 2018-11-06 | 中南大学 | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 |
| CN108764517B (zh) * | 2018-04-08 | 2020-12-04 | 中南大学 | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 |
| CN108876019A (zh) * | 2018-05-31 | 2018-11-23 | 中国电力科学研究院有限公司 | 一种基于大数据的用电负荷预测方法及*** |
| CN110998648A (zh) * | 2018-08-09 | 2020-04-10 | 北京嘀嘀无限科技发展有限公司 | 一种分配订单的***和方法 |
| CN109165683B (zh) * | 2018-08-10 | 2023-09-12 | 深圳前海微众银行股份有限公司 | 基于联邦训练的样本预测方法、装置及存储介质 |
| CN109165683A (zh) * | 2018-08-10 | 2019-01-08 | 深圳前海微众银行股份有限公司 | 基于联邦训练的样本预测方法、装置及存储介质 |
| CN109034398A (zh) * | 2018-08-10 | 2018-12-18 | 深圳前海微众银行股份有限公司 | 基于联邦训练的特征选择方法、装置及存储介质 |
| CN109034398B (zh) * | 2018-08-10 | 2023-09-12 | 深圳前海微众银行股份有限公司 | 基于联邦训练的梯度提升树模型构建方法、装置及存储介质 |
| CN109285589A (zh) * | 2018-10-31 | 2019-01-29 | 重庆邮电大学 | 一种基于Spark大数据平台的铝电解过热度预测方法 |
| CN109615226A (zh) * | 2018-12-12 | 2019-04-12 | 焦点科技股份有限公司 | 一种运营指标异常监测方法 |
| CN109444232A (zh) * | 2018-12-26 | 2019-03-08 | 苏州同阳科技发展有限公司 | 一种多通道智能化污染气体监测装置与扩散溯源方法 |
| CN109444232B (zh) * | 2018-12-26 | 2024-03-12 | 苏州同阳科技发展有限公司 | 一种多通道智能化污染气体监测装置与扩散溯源方法 |
| CN110084424A (zh) * | 2019-04-25 | 2019-08-02 | 国网浙江省电力有限公司 | 一种基于lstm与lgbm的电力负荷预测方法 |
| CN110443460A (zh) * | 2019-07-08 | 2019-11-12 | 北京市天元网络技术股份有限公司 | 一种基于天气和小区热量损耗的换热站换热量人工智能分析方法以及装置 |
| CN110443460B (zh) * | 2019-07-08 | 2022-08-23 | 北京市天元网络技术股份有限公司 | 一种基于天气和小区热量损耗的换热站换热量人工智能分析方法以及装置 |
| CN110472778A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种基于Blending集成学习的短期负荷预测方法 |
| CN110543987A (zh) * | 2019-08-28 | 2019-12-06 | 向波 | 一种智能气候预测*** |
| CN110601193A (zh) * | 2019-10-09 | 2019-12-20 | 中电科新型智慧城市研究院有限公司 | 一种基于环境变量感知及滞后的电力负荷预测***及方法 |
| CN110826795B (zh) * | 2019-10-31 | 2023-06-09 | 国网辽宁省电力有限公司经济技术研究院 | 极端温度气象日母线日前负荷预测方法 |
| CN111008661A (zh) * | 2019-12-04 | 2020-04-14 | 哈尔滨工业大学 | 航空发动机备发需求量的Croston-XGBoost预测方法 |
| CN111161178A (zh) * | 2019-12-25 | 2020-05-15 | 湖南大学 | 基于生成式对抗网络的单幅低光图像增强方法 |
| CN111561734A (zh) * | 2020-05-18 | 2020-08-21 | 瑞纳智能设备股份有限公司 | 基于人工智能的供暖户阀调节方法、***及设备 |
| CN111667187A (zh) * | 2020-06-10 | 2020-09-15 | 中交第二公路勘察设计研究院有限公司 | 基于多源遥感数据的公路滑坡危险性评价方法 |
| CN111667187B (zh) * | 2020-06-10 | 2023-09-15 | 中交第二公路勘察设计研究院有限公司 | 基于多源遥感数据的公路滑坡危险性评价方法 |
| CN112116153A (zh) * | 2020-09-18 | 2020-12-22 | 上海电力大学 | 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 |
| CN112116153B (zh) * | 2020-09-18 | 2022-10-04 | 上海电力大学 | 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 |
| CN112381266A (zh) * | 2020-10-22 | 2021-02-19 | 国网湖北省电力有限公司武汉供电公司 | 基于历史供电及天气数据预测未来供电量的***及其方法 |
| CN112381266B (zh) * | 2020-10-22 | 2024-01-09 | 国网湖北省电力有限公司武汉供电公司 | 基于历史供电及天气数据预测未来供电量的***及其方法 |
| CN112531683A (zh) * | 2020-11-19 | 2021-03-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于奥恩斯坦-乌伦贝克过程求解的配网线路负荷预测方法 |
| CN112529298A (zh) * | 2020-12-11 | 2021-03-19 | 北京邮电大学 | 用于预测电力负荷的方法、装置、电子设备及介质 |
| CN112734096A (zh) * | 2020-12-31 | 2021-04-30 | 国网山东省电力公司青岛供电公司 | 一种城市饱和负荷预测方法及*** |
| CN113793052A (zh) * | 2021-09-23 | 2021-12-14 | 长沙理工大学 | 一种区域综合能源***鲁棒优化调度方法 |
| CN113961620A (zh) * | 2021-10-19 | 2022-01-21 | 阳光电源股份有限公司 | 数值天气预报结果的确定方法及装置 |
| CN114442704A (zh) * | 2021-12-31 | 2022-05-06 | 华能山东发电有限公司 | 一种基于大数据的智能电力生产监控方法及*** |
| CN114091361B (zh) * | 2022-01-24 | 2022-05-17 | 中汽数据(天津)有限公司 | 基于气象事件的transformer模型构建方法 |
| CN114091361A (zh) * | 2022-01-24 | 2022-02-25 | 中汽数据(天津)有限公司 | 基于气象事件的transformer模型构建方法 |
| CN114626640A (zh) * | 2022-04-27 | 2022-06-14 | 西安建筑科技大学 | 基于特征工程和lstm神经网络的天然气负荷预测方法及*** |
| CN116565865A (zh) * | 2023-07-11 | 2023-08-08 | 湖南大学 | 一种基于深度误差反馈学习的风电功率预测方法 |
| CN116565865B (zh) * | 2023-07-11 | 2023-09-26 | 湖南大学 | 一种基于深度误差反馈学习的风电功率预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107704966A (zh) | 一种基于天气大数据的能源负荷预测***及方法 | |
| CN108280552B (zh) | 基于深度学习的电力负荷预测方法和***、存储介质 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN110017901A (zh) | 一种电力***中电气设备运行状态的红外图谱诊断方法 | |
| CN110007613B (zh) | 用于储热式电暖器的用暖预测方法、***及存储介质 | |
| CN102183621A (zh) | 水产养殖溶解氧浓度在线预测方法及*** | |
| CN107992968A (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
| CN104915537B (zh) | 基于神经网络的行为预测方法 | |
| CN105005711B (zh) | 获取统计线损的方法及装置 | |
| CN109214437A (zh) | 一种基于机器学习的ivf-et早孕胚胎发育预测*** | |
| Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
| Sülo et al. | Energy efficient smart buildings: LSTM neural networks for time series prediction | |
| CN106447085A (zh) | 一种短期电力负荷预测方法、装置及计算设备 | |
| CN113837499A (zh) | 一种超短期风电功率预测方法及*** | |
| CN107516168A (zh) | 一种生态环境质量综合评价方法 | |
| CN114492922A (zh) | 一种中长期发电量预测方法 | |
| CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
| CN106499656A (zh) | 一种风扇风速智能控制方法 | |
| CN108053066A (zh) | 工业生产用户能源管理***中可调电力负荷的预测方法 | |
| CN111428419A (zh) | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 | |
| CN104915727B (zh) | 多维度同构异质bp神经网络光功率超短期预测方法 | |
| Qiao et al. | Predicting building energy consumption based on meteorological data | |
| CN104751253B (zh) | 基于ｂ－样条基底展开曲线聚类的配电网潮流预测方法 | |
| CN109934396A (zh) | 一种基于两阶段还原的地区网供负荷精细化预测方法 | |
| Huang et al. | Towards better environmental software for spatio-temporal ecological models: lessons from developing an intelligent system supporting phytoplankton prediction in lakes |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180216 |
|
| RJ01 | Rejection of invention patent application after publication |