CN107766995A - 基于深度递归神经网络的电力***短期负荷预测方法 - Google Patents
基于深度递归神经网络的电力***短期负荷预测方法 Download PDFInfo
- Publication number
- CN107766995A CN107766995A CN201711293583.1A CN201711293583A CN107766995A CN 107766995 A CN107766995 A CN 107766995A CN 201711293583 A CN201711293583 A CN 201711293583A CN 107766995 A CN107766995 A CN 107766995A
- Authority
- CN
- China
- Prior art keywords
- neural network
- recurrent neural
- data
- load
- layer
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 29
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 21
- 238000013277 forecasting method Methods 0.000 title claims abstract description 12
- 230000006870 function Effects 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract 3
- 238000000034 method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims 2
- 238000000151 deposition Methods 0.000 claims 1
- 239000002245 particle Substances 0.000 abstract description 41
- 238000005457 optimization Methods 0.000 abstract description 7
- 238000012549 training Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 230000007087 memory ability Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003471 mutagenic agent Substances 0.000 description 1
- 231100000707 mutagenic chemical Toxicity 0.000 description 1
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"
-
- 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
- G06N3/045—Combinations of 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
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电力***短期负荷预测技术领域,公开了基于深度递归神经网络的电力***短期负荷预测方法,步骤为:(1)收集汇总历史电网负荷和气象数据,建库备用;(2)去除步骤(1)所得异常数据,对剩余数据归一化处理;(3)确定具有前馈和反馈功能的模型结构;(4)采用历史数据对基于IPSO算法的DRNN预测模型进行训练;(5)将基于IPSO算法的DRNN预测模型用于实际负荷的预测中。本技术方案深度递归神经网络短期负荷预测方法在深度神经网络多隐层结构的基础上增设关联层,并以改进粒子群算法作为网络的优化学习算法,对模型权值空间进行深度优化。误差有效降低,能够融合前馈与反馈连接,提高网络泛化能力,有效提高负荷预测精度。
Description
技术领域
本发明涉及电力***短期负荷预测技术领域,尤其涉及基于深度递归神经网络的电力***短期负荷预测方法。
背景技术
随着电力***规模和复杂性不断提高,电力***短期负荷预测的准确与否对有效降低发电资费、实施各地区电力***优化控制具有关键作用。与长期负荷预测相比,短期负荷预测主要用于安排发电计划,时效性最高。其负荷变动速度快,受温差、湿度等突变因素影响大,属于动态非线性时间序列。由于短期负荷的此类特征,若想达到精准预测较为困难。随着新电改的实施,售电市场竞争不断深化,对预测精度提出新的要求。因此,提供一种精确度高的电力***短期负荷预测方法是很有必要的。
DNN——深度神经网络;
DRNN——深度递归神经网络;
PSO(Particle Swarm Optimization)——粒子群算法;
IPSO——改进粒子群算法。
发明内容
本发明的目的在于针对上述技术问题,提供一种基于深度递归神经网络的电力***短期负荷预测方法。
步骤一:收集汇总历史地区电网负荷数据、气象数据等数据的采集与汇总,并导入Excel数据库中。
步骤二:数据预处理,为避免神经元饱和情况的发生,需要对原始负荷数据进行预处理,这样做将有利于训练过程的收敛,提高预测精度。主要的预处理方式是,对训练样本集中的历史负荷数据,统计其最大值和最小值,将负荷数据归一到[-1,1]区间,可使数据处于同一数量级别,加快神经网络收敛。
步骤三:确定模型结构。
DNN(深度神经网络)具有多隐层结构,对网络的输入向量进行反复多重训练以提升分类或预测的准确性。DNN预测模型由输入层、多隐含层和输出层构成。与传统前馈神经网络相比,DNN具有多隐层结构。X为网络输入,是包含m维的列向量;(W,B)为各个隐含层之间的权重矩阵和阈值矩阵。DNN的每个隐含层从它的前一层获取输入向量,利用该隐含层的激活函数进行非线性变换,再把得到的向量作为输入传给下一层神经元,逐层往复迭代,最终传递给网络输出y。与BP网络相比,有多个隐层的DNN训练深度明显增加,学习能力显著增强,可克服传统BP神经网络的缺陷。
DNN虽学习能力较强,但其本质仍然是静态网络,无法全面刻画与表征负荷动态序列的规律。构造具有反馈机制的DRNN预测模型。DRNN由输入层、n层隐含层、关联层和输出层等构成。DRNN的关联层含有用于存储历史信息的存储单元,存储单元将存储的当前时刻的历史信息作为反馈用于下一时刻第一层隐含层的输入。DRNN重构了网络内部结构和状态,使网络最终的输出不仅与当前时刻信息有关,与每一时刻的历史信息也密切相关,使其具有较好的动态记忆能力。
X=[x1,x2,…xm]为DRNN的输入向量。在DRNN的n个隐含层中,每层的节点个数分别用l1,l2,…,ln表示,输出层节点个数为1。DRNN的第一层隐含层在t时刻的输出向量可描述为
R1(t)=f(W1·[X(t),z(t)]+B1) (1)
式中:R1(t)表示第一层隐含层输出;W1、B1表示输入层与第一层隐含层之间的权矩阵;z(t)表示在t时刻关联层到第一层隐含层之间的反馈输入。
延迟量z作为反馈项,在t(t>0,t∈Z)时刻的输入应是输出层t-1时刻对应的历史信息。z存储了上一时刻的历史信息,并且作为隐含层的输入量用于当前时刻的预测。因此,反馈项z(t)应满足
DRNN在t时刻除第一层外的其它隐含层的各层输出可描述为
RL(t)=f(WL·RL-1(t)+BL)
(3)式中:RL(t)表示第L层隐含层的输出向量;WL、BL表示第L-1层隐含层与第L层隐含层之间的权重矩阵;f为DRNN隐含层的非线性激活函数。
DRNN在t时刻输出层的输出y(t)可描述为
y(t)=g(Wn+1·Rn(t)+Bn+1)
(4)式中:Wn+1、Bn+1为第n层隐含层与输出层之间的权矩阵;g为DRNN输出层的非线性激活函数。
激活函数f、g统一采用sigmoid函数。该函数的优点在于可将输出范围限制到合理区间,数据在传递的过程中不容易发散,能较好平衡线性和非线性之间的行为。sigmoid函数表示为
DRNN融合了前馈与反馈连接,使网络具备动态性能,可有效表征负荷动态序列的内在规律,挖掘负荷动态特性。
步骤四:采用历史数据对基于IPSO算法的DRNN预测模型进行训练,确定模型参数及权值。
粒子群算法(Particle Swarm Optimization,PSO)缺乏速度动态调节,使粒子在更新自身状态过程中容易陷入局部极值。为克服PSO的缺陷,对其做如下改进,并采用改进后的IPSO对DRNN进行训练。IPSO的改进主要为:
A:在d维解空间中,第i个粒子的速度和位置分别用vid和xid表示;其个体极值和种群全局极值为pid、sd。将各个粒子按适应度从大到小进行排序,借助前n个粒子的状态信息对当前粒子状态进行修正。修正后的速度公式为
式中:为第i个粒子在第k代和K+1代的速度;在第K代中,第i个粒子的位置和个体最优值分别用和表示;ω为惯性权重;c1、c2的为学习因子;r1、r2j为(0,1)之间随机数;在第k代选定的粒子中第j个粒子的位置用表示。
B:若粒子个体极值经过多次迭代不再发生改变,则引入随机算子来改变当前粒子状态,避免粒子陷入局部极值,可描述为
式中:为第i个粒子在第k+1代的位置;为在第k代选定粒子中排名最后的粒子位置;r3为(0,1)之间随机数。
将DRNN中的各层次结构之间的权重和阈值与IPSO粒子状态相对应,利用IPSO优化DRNN权阈值。粒子的适应度函数为式(8)
式中:N表示测试样本大小;y(i)分别表示负荷的预测值和实际值。
上述过程中式(4)为深度递归神经网络模型,式(5)、(6)、(7)和(8)是确定权值的过程。
步骤五:将基于IPSO算法的DRNN预测模型用于实际负荷的预测中,得出预测负荷值。
本技术方案深度递归神经网络短期负荷预测方法在深度神经网络多隐层结构的基础上增设关联层,并以改进粒子群算法作为网络的优化学习算法,对模型权值空间进行深度优化。误差有效降低,能够融合前馈与反馈连接,提高网络泛化能力,有效提高负荷预测精度。
附图说明
图1:本发明中的DNN结构图;
图2:本发明中的DRNN结构图;
图3:本发明IPSO优化DRNN预测模型中权值算法流程图。
具体实施方式
结合附图1-3,对本技术方案做进一步说明。
步骤一:收集汇总历史地区电网负荷数据、气象数据等数据的采集与汇总,并导入Excel数据库中。
步骤二:数据预处理,为避免神经元饱和情况的发生,需要对原始负荷数据进行预处理,这样做将有利于训练过程的收敛,提高预测精度。主要的预处理方式是,对训练样本集中的历史负荷数据,统计其最大值和最小值,将负荷数据归一到[-1,1]区间,可使数据处于同一数量级别,加快神经网络收敛。
步骤三:确定模型结构。
DNN(深度神经网络)具有多隐层结构,对网络的输入向量进行反复多重训练以提升分类或预测的准确性。DNN预测模型由输入层、多隐含层和输出层构成。与传统前馈神经网络相比,DNN具有多隐层结构。X为网络输入,是包含m维的列向量;(W,B)为各个隐含层之间的权重矩阵和阈值矩阵。DNN的每个隐含层从它的前一层获取输入向量,利用该隐含层的激活函数进行非线性变换,再把得到的向量作为输入传给下一层神经元,逐层往复迭代,最终传递给网络输出y。与BP网络相比,有多个隐层的DNN训练深度明显增加,学习能力显著增强,可克服传统BP神经网络的缺陷。
DNN虽学习能力较强,但其本质仍然是静态网络,无法全面刻画与表征负荷动态序列的规律。构造具有反馈机制的DRNN预测模型。DRNN由输入层、n层隐含层、关联层和输出层等构成。DRNN的关联层含有用于存储历史信息的存储单元,存储单元将存储的当前时刻的历史信息作为反馈用于下一时刻第一层隐含层的输入。DRNN重构了网络内部结构和状态,使网络最终的输出不仅与当前时刻信息有关,与每一时刻的历史信息也密切相关,使其具有较好的动态记忆能力。
X=[x1,x2,…xm]为DRNN的输入向量。在DRNN的n个隐含层中,每层的节点个数分别用l1,l2,…,ln表示,输出层节点个数为1。DRNN的第一层隐含层在t时刻的输出向量可描述为
R1(t)=f(W1·[X(t),z(t)]+B1) (1)
式中:R1(t)表示第一层隐含层输出;W1、B1表示输入层与第一层隐含层之间的权矩阵;z(t)表示在t时刻关联层到第一层隐含层之间的反馈输入。
延迟量z作为反馈项,在t(t>0,t∈Z)时刻的输入应是输出层t-1时刻对应的历史信息。z存储了上一时刻的历史信息,并且作为隐含层的输入量用于当前时刻的预测。因此,反馈项z(t)应满足
DRNN在t时刻除第一层外的其它隐含层的各层输出可描述为
RL(t)=f(WL·RL-1(t)+BL)
(3)式中:RL(t)表示第L层隐含层的输出向量;WL、BL表示第L-1层隐含层与第L层隐含层之间的权重矩阵;f为DRNN隐含层的非线性激活函数。
DRNN在t时刻输出层的输出y(t)可描述为
y(t)=g(Wn+1·Rn(t)+Bn+1)
(4)式中:Wn+1、Bn+1为第n层隐含层与输出层之间的权矩阵;g为DRNN输出层的非线性激活函数。
激活函数f、g统一采用sigmoid函数。该函数的优点在于可将输出范围限制到合理区间,数据在传递的过程中不容易发散,能较好平衡线性和非线性之间的行为。sigmoid函数表示为
DRNN融合了前馈与反馈连接,使网络具备动态性能,可有效表征负荷动态序列的内在规律,挖掘负荷动态特性。
步骤四:采用历史数据对基于IPSO算法的DRNN预测模型进行训练,确定模型参数及权值。
粒子群算法(Particle Swarm Optimization,PSO)缺乏速度动态调节,使粒子在更新自身状态过程中容易陷入局部极值。为克服PSO的缺陷,对其做如下改进,并采用改进后的IPSO对DRNN进行训练。IPSO的改进主要为:
A:在d维解空间中,第i个粒子的速度和位置分别用vid和xid表示;其个体极值和种群全局极值为pid、sd。将各个粒子按适应度从大到小进行排序,借助前n个粒子的状态信息对当前粒子状态进行修正。修正后的速度公式为
式中:为第i个粒子在第k代和K+1代的速度;在第K代中,第i个粒子的位置和个体最优值分别用和表示;ω为惯性权重;c1、c2的为学习因子;r1、r2j为(0,1)之间随机数;在第k代选定的粒子中第j个粒子的位置用表示。
B:若粒子个体极值经过多次迭代不再发生改变,则引入随机算子来改变当前粒子状态,避免粒子陷入局部极值,可描述为
式中:为第i个粒子在第k+1代的位置;为在第k代选定粒子中排名最后的粒
子位置;r3为(0,1)之间随机数。
将DRNN中的各层次结构之间的权重和阈值与IPSO粒子状态相对应,利用IPSO优化DRNN权阈值。粒子的适应度函数为式(8)
式中:N表示测试样本大小;y(i)分别表示负荷的预测值和实际值。
上述过程中式(4)为深度递归神经网络模型,式(5)、(6)、(7)和(8)是确定权值的过程。
步骤五:将基于IPSO算法的DRNN预测模型用于实际负荷的预测中,得出预测负荷值。
构造模型1(采用传统BP算法的BP-NN预测模型)、模型2(IPSO-DNN预测模型)和模型3(IPSO-DRNN预测模型),对其进行对比研究。
用模型1、模型2、模型3对某地区电网一周的实际负荷进行预测,误差如表1所示。
表1三种预测模型预测误差比较
对表1中数据进行比较,BP-NN构造的模型1误差最大,效果最差;DNN构造的模型2由于训练深度明显增加,学***均绝对误差和最大相对误差均有所降低,预测效果优于BP-NN;DRNN构造的模型3增设反馈关联层,使网络具备了良好的动态性能,能够表征负荷动态序列的内在规律,与模型2相比平均绝对误差和最大相对误差均有所降低,预测效果优于DNN。DRNN融合了前馈与反馈连接,增强了其动态性能,提高了模型的预测精度。
通过对某地区电网实际负荷进行预测仿真,结果表明:与BP网络、深度神经网络相比,深度递归神经网络的预测误差分别有效降低,深度递归神经网络能够融合前馈与反馈连接,提高网络泛化能力,有效提高负荷预测精度。
实施例仅说明本发明的技术方案,而非对其进行任何限制;尽管参照前述实施例对本发明进行了详细的说明,对于本领域的普通技术人员来说,依然可以对前述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;而这些修改或替换,并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
Claims (9)
1.基于深度递归神经网络的电力***短期负荷预测方法,其特征在于,包括以下步骤:
(1)收集汇总历史电网负荷和气象数据,建库备用;
(2)去除步骤(1)所得异常数据,对剩余数据归一化处理;
(3)确定具有前馈和反馈功能的模型结构;
(4)采用历史数据对基于IPSO算法的DRNN预测模型进行训练,确定模型参数及权值;
(5)将基于IPSO算法的DRNN预测模型用于实际负荷的预测中,得出预测负荷值。
2.根据权利要求1所述的基于深度递归神经网络的电力***短期负荷预测方法,其特征在于:步骤(3)确定的模型包括输入层、多个隐含层、关联层和输出层,关联层含有用于存储历史信息的存储单元,存储单元将存储的当前时刻的历史信息作为反馈用于下一时刻第一层隐含层的输入。
3.根据权利要求2所述的基于深度递归神经网络的电力***短期负荷预测方法,其特征在于:步骤(3)确定的模型为y(t)=g(Wn+1·Rn(t)+Bn+1)
式中:Wn+1、Bn+1为第n层隐含层与输出层之间的权矩阵;g为DRNN输出层的非线性激活函数;激活函数f、g为sigmoid函数,
4.根据权利要求1-3任一所述的基于深度递归神经网络的电力***短期负荷预测方法,其特征在于:步骤(2)归一化处理后,对数据进行负荷特性分析。
5.根据权利要求4所述的基于深度递归神经网络的电力***短期负荷预测方法,其特征在于:负荷特性分析是采用统计技术分析负荷数据特性,确定负荷数据相关特点。
6.根据权利要求1-3任一所述的基于深度递归神经网络的电力***短期负荷预测方法,其特征在于:步骤(1)中的历史电网负荷和气象数据是前3年的。
7.根据权利要求1-3任一所述的基于深度递归神经网络的电力***短期负荷预测方法,其特征在于:步骤(2)中的异常数据是零数据或最大值或最小值。
8.根据权利要求1-3任一所述的基于深度递归神经网络的电力***短期负荷预测方法,其特征在于:步骤(2)中的归一化是将数据归一化到[-1,1]区间。
9.根据权利要求1-3任一所述的基于深度递归神经网络的电力***短期负荷预测方法,其特征在于:由步骤(5)中预测模型得到的值,反归一化,即可得到实际数量级的预测负荷值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711293583.1A CN107766995A (zh) | 2017-12-08 | 2017-12-08 | 基于深度递归神经网络的电力***短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711293583.1A CN107766995A (zh) | 2017-12-08 | 2017-12-08 | 基于深度递归神经网络的电力***短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107766995A true CN107766995A (zh) | 2018-03-06 |
Family
ID=61278006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711293583.1A Pending CN107766995A (zh) | 2017-12-08 | 2017-12-08 | 基于深度递归神经网络的电力***短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107766995A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108459933A (zh) * | 2018-03-21 | 2018-08-28 | 哈工大大数据(哈尔滨)智能科技有限公司 | 一种基于深度递归网络的大数据计算机***故障检测方法 |
CN109062962A (zh) * | 2018-06-27 | 2018-12-21 | 华南理工大学 | 一种融合天气信息的门控循环神经网络兴趣点推荐方法 |
CN109615124A (zh) * | 2018-11-29 | 2019-04-12 | 中国铁路总公司 | 一种基于深度学习的scada主站负荷预测方法 |
CN110110930A (zh) * | 2019-05-08 | 2019-08-09 | 西南交通大学 | 一种改进鲸鱼算法的循环神经网络短期电力负荷预测方法 |
CN110222727A (zh) * | 2019-05-15 | 2019-09-10 | 广东电网有限责任公司电力调度控制中心 | 一种基于深度神经网络的短期负荷预测方法及装置 |
CN110222887A (zh) * | 2019-05-27 | 2019-09-10 | 国网安徽省电力有限公司 | 基于vmd和dnn的预测方法及在短期负荷预测的应用 |
CN110245786A (zh) * | 2019-05-23 | 2019-09-17 | 上海交通大学 | 基于神经网络模型的住宅电力负荷预测方法 |
CN110516736A (zh) * | 2019-06-04 | 2019-11-29 | 沈阳瑞初科技有限公司 | 多维可视化的多源异构数据多层drnn深度融合方法 |
CN110751318A (zh) * | 2019-09-26 | 2020-02-04 | 上海电力大学 | 一种基于ipso-lstm的超短期电力负荷预测方法 |
CN111931973A (zh) * | 2020-06-16 | 2020-11-13 | 广东电网有限责任公司 | 一种提高电缆线路短时负荷预测精度的方法 |
CN112308342A (zh) * | 2020-11-25 | 2021-02-02 | 广西电网有限责任公司北海供电局 | 一种基于深度时间解耦的日负荷预测方法及应用 |
CN113169579A (zh) * | 2018-06-22 | 2021-07-23 | 莫伊沙能源控股有限公司 | 用于分布式储能资源的机器学习、本地多资产灵活性优化和管理的*** |
CN113205207A (zh) * | 2021-04-19 | 2021-08-03 | 深圳供电局有限公司 | 一种基于XGBoost算法的用电短期负荷波动预测方法及*** |
CN113759225A (zh) * | 2020-06-01 | 2021-12-07 | 上海交通大学 | Igbt剩余寿命预测和状态评估实现方法 |
CN114715331A (zh) * | 2022-06-02 | 2022-07-08 | 中国海洋大学 | 一种浮式海洋平台动力定位控制方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729695A (zh) * | 2014-01-06 | 2014-04-16 | 国家电网公司 | 基于粒子群和bp神经网络的短期电力负荷预测方法 |
CN105631517A (zh) * | 2015-12-17 | 2016-06-01 | 河海大学 | 基于思维进化Elman神经网络的光伏发电功率短期预测方法 |
WO2016106373A1 (en) * | 2014-12-22 | 2016-06-30 | Robert Bosch Gmbh | Method for adaptive demand charge reduction |
CN106022549A (zh) * | 2016-07-28 | 2016-10-12 | 兰州理工大学 | 基于神经网络和思维演化搜索的短期负荷预测方法 |
CN107423839A (zh) * | 2017-04-17 | 2017-12-01 | 湘潭大学 | 一种基于深度学习的智能楼宇微网负荷预测的方法 |
-
2017
- 2017-12-08 CN CN201711293583.1A patent/CN107766995A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729695A (zh) * | 2014-01-06 | 2014-04-16 | 国家电网公司 | 基于粒子群和bp神经网络的短期电力负荷预测方法 |
WO2016106373A1 (en) * | 2014-12-22 | 2016-06-30 | Robert Bosch Gmbh | Method for adaptive demand charge reduction |
CN105631517A (zh) * | 2015-12-17 | 2016-06-01 | 河海大学 | 基于思维进化Elman神经网络的光伏发电功率短期预测方法 |
CN106022549A (zh) * | 2016-07-28 | 2016-10-12 | 兰州理工大学 | 基于神经网络和思维演化搜索的短期负荷预测方法 |
CN107423839A (zh) * | 2017-04-17 | 2017-12-01 | 湘潭大学 | 一种基于深度学习的智能楼宇微网负荷预测的方法 |
Non-Patent Citations (2)
Title |
---|
刘荣: "基于Elman神经网络的短期负荷预测", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
王晓霞,等: "基于改进粒子群优化的神经网络及应用", 《华北电力大学学报》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108459933B (zh) * | 2018-03-21 | 2021-10-22 | 哈工大大数据(哈尔滨)智能科技有限公司 | 一种基于深度递归网络的大数据计算机***故障检测方法 |
CN108459933A (zh) * | 2018-03-21 | 2018-08-28 | 哈工大大数据(哈尔滨)智能科技有限公司 | 一种基于深度递归网络的大数据计算机***故障检测方法 |
CN113169579A (zh) * | 2018-06-22 | 2021-07-23 | 莫伊沙能源控股有限公司 | 用于分布式储能资源的机器学习、本地多资产灵活性优化和管理的*** |
CN109062962A (zh) * | 2018-06-27 | 2018-12-21 | 华南理工大学 | 一种融合天气信息的门控循环神经网络兴趣点推荐方法 |
CN109062962B (zh) * | 2018-06-27 | 2022-03-29 | 华南理工大学 | 一种融合天气信息的门控循环神经网络兴趣点推荐方法 |
CN109615124A (zh) * | 2018-11-29 | 2019-04-12 | 中国铁路总公司 | 一种基于深度学习的scada主站负荷预测方法 |
CN109615124B (zh) * | 2018-11-29 | 2022-12-30 | 中国铁路总公司 | 一种基于深度学习的scada主站负荷预测方法 |
CN110110930A (zh) * | 2019-05-08 | 2019-08-09 | 西南交通大学 | 一种改进鲸鱼算法的循环神经网络短期电力负荷预测方法 |
CN110110930B (zh) * | 2019-05-08 | 2022-03-25 | 西南交通大学 | 一种改进鲸鱼算法的循环神经网络短期电力负荷预测方法 |
CN110222727A (zh) * | 2019-05-15 | 2019-09-10 | 广东电网有限责任公司电力调度控制中心 | 一种基于深度神经网络的短期负荷预测方法及装置 |
CN110245786A (zh) * | 2019-05-23 | 2019-09-17 | 上海交通大学 | 基于神经网络模型的住宅电力负荷预测方法 |
CN110222887A (zh) * | 2019-05-27 | 2019-09-10 | 国网安徽省电力有限公司 | 基于vmd和dnn的预测方法及在短期负荷预测的应用 |
CN110516736B (zh) * | 2019-06-04 | 2022-02-22 | 沈阳瑞初科技有限公司 | 多维可视化的多源异构数据多层drnn深度融合方法 |
CN110516736A (zh) * | 2019-06-04 | 2019-11-29 | 沈阳瑞初科技有限公司 | 多维可视化的多源异构数据多层drnn深度融合方法 |
CN110751318A (zh) * | 2019-09-26 | 2020-02-04 | 上海电力大学 | 一种基于ipso-lstm的超短期电力负荷预测方法 |
CN110751318B (zh) * | 2019-09-26 | 2024-01-30 | 上海电力大学 | 一种基于ipso-lstm的超短期电力负荷预测方法 |
CN113759225A (zh) * | 2020-06-01 | 2021-12-07 | 上海交通大学 | Igbt剩余寿命预测和状态评估实现方法 |
CN113759225B (zh) * | 2020-06-01 | 2022-07-19 | 上海交通大学 | Igbt剩余寿命预测和状态评估实现方法 |
CN111931973A (zh) * | 2020-06-16 | 2020-11-13 | 广东电网有限责任公司 | 一种提高电缆线路短时负荷预测精度的方法 |
CN112308342A (zh) * | 2020-11-25 | 2021-02-02 | 广西电网有限责任公司北海供电局 | 一种基于深度时间解耦的日负荷预测方法及应用 |
CN113205207A (zh) * | 2021-04-19 | 2021-08-03 | 深圳供电局有限公司 | 一种基于XGBoost算法的用电短期负荷波动预测方法及*** |
CN114715331A (zh) * | 2022-06-02 | 2022-07-08 | 中国海洋大学 | 一种浮式海洋平台动力定位控制方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766995A (zh) | 基于深度递归神经网络的电力***短期负荷预测方法 | |
Li et al. | A hybrid model based on synchronous optimisation for multi-step short-term wind speed forecasting | |
CN108510074A (zh) | 一种改进gwo算法的实现方法 | |
Gill et al. | Training back propagation neural networks with genetic algorithm for weather forecasting | |
CN109978283B (zh) | 一种基于分支进化神经网络的光伏发电功率预测方法 | |
CN110517482B (zh) | 一种基于3d卷积神经网络的短时交通流预测方法 | |
CN105844371A (zh) | 一种用电客户短期负荷需求预测方法及装置 | |
CN111861013B (zh) | 一种电力负荷预测方法及装置 | |
CN102831489B (zh) | 电力配网建设物资需求预测方法及装置 | |
CN105303262A (zh) | 一种基于核主成分分析和随机森林的短期负荷预测方法 | |
CN106296044B (zh) | 电力***风险调度方法和*** | |
CN105930916A (zh) | 一种基于并行模块化神经网络的副产煤气实时预测方法 | |
CN111710376B (zh) | 大分子及团簇体系分块计算负载均衡方法及*** | |
CN106779219A (zh) | 一种用电量预测方法及*** | |
CN107909221A (zh) | 基于组合神经网络的电力***短期负荷预测方法 | |
CN113887858A (zh) | 一种基于cnn-lstm负荷预测的充电站微电网***优化调度方法 | |
CN109214565A (zh) | 一种适用于大电网分区调度的子区域***负荷预测方法 | |
Fan et al. | Multi-objective LSTM ensemble model for household short-term load forecasting | |
Aishwarya et al. | Prediction of time series data using GA-BPNN based hybrid ANN model | |
Al-Hajj et al. | Multi-level stacking of long short term memory recurrent models for time series forecasting of solar radiation | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力***短期负荷预测方法 | |
CN112288187A (zh) | 一种基于大数据的售电量预测方法 | |
CN115528750A (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 | |
CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及*** | |
Iizaka et al. | A novel daily peak load forecasting method using analyzable structured neural network |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180306 |