CN108960488B - 一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法 - Google Patents
一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法 Download PDFInfo
- Publication number
- CN108960488B CN108960488B CN201810609803.5A CN201810609803A CN108960488B CN 108960488 B CN108960488 B CN 108960488B CN 201810609803 A CN201810609803 A CN 201810609803A CN 108960488 B CN108960488 B CN 108960488B
- Authority
- CN
- China
- Prior art keywords
- load
- deep learning
- data
- source information
- attributes
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 230000004927 fusion Effects 0.000 title claims abstract description 14
- 229920006395 saturated elastomer Polymers 0.000 title claims abstract description 12
- 230000006870 function Effects 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 230000004913 activation Effects 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000001413 cellular effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 239000000969 carrier Substances 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 35
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001739 density measurement Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06Q10/04—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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
-
- 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
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法,包括步骤:获取已知饱和负荷密度的元胞特征与饱和负荷密度,得到负荷元胞样本库;分析空间负荷元胞多源信息的属性,进行待测元胞的数据预处理;将用地性质分别代入到负荷元胞样本库数据和待测元胞的数据中;采用深度学习算法中的基于栈式降噪的自编码器,选择适当的激活函数,对数据进行网络训练及多属性特征提取;输入到回归器内进行负荷的特征提取与负荷预测。本发明提出的基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法,具有一定的可行性与有效性,在进行空间负荷预测时较传统的算法提取性能更优。
Description
技术领域
本发明涉及电力***领域,特别是涉及一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法。
背景技术
负荷预测在电力***规划中属于基础性工作。负荷预测结果是进行电力平衡的依据和基础,对负荷的大小和位置分布进行较为精细的预测有利于配电网设备的合理优化配置,从而促进电力***的精益化规划。如何对负荷空间分布进行精准预测,是目前电力***负荷预测中需要解决的问题。
基于地块元胞进行供电区域内负荷大小与位置分布预测的空间负荷预测在配电网规划中得到了广泛应用,其中基于智能算法的负荷密度指标法基于实际的地块样本,克服了传统方法对于规划人员主观经验的依赖性,适合在用地规划明确、元胞地块样本充足的情况下使用,其预测精度取决于是否对元胞属性进行了充分挖掘和是否对元胞进行了正确分类。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测的方法。
本发明采用以下的技术方案:
一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测的方法,包括如下步骤:
获取已知饱和负荷密度的元胞特征与饱和负荷密度,得到负荷元胞样本库;
分析空间负荷元胞多源信息的属性,根据待测元胞的特征,进行待测元胞的数据预处理;
将用地性质分别代入到负荷元胞样本库数据和待测元胞的数据中;
采用深度学习算法中的基于栈式降噪的自编码器的网络,选择适当的激活函数,对数据进行网络训练及多属性特征提取;
输入到回归器内进行负荷的特征提取与负荷预测。
上述技术方案中,所述的元胞特征包括元胞所在地的气象特征、用地性质特征和区位特征。
所述的分析空间负荷元胞多源信息的属性并进行数据预处理,包括:
根据地块的不同用地性质,将样本库按用地性质分类分别开展预测,用地性质属性不作为模型输入,将其余属性进行数据处理,这些属性中包括结构化与非结构化的属性,对于结构化属性,以0-1二值逻辑、多值逻辑或数值表示,对于以文本为载体的非结构化属性进行结构化处理。
采用深度学习算法中的基于栈式降噪自编码器,选取ReLU函数作为SDAE网络的激活函数,对网络进行如下改造:
此外,在SDAE顶层叠加一个回归器,通过对SDAE进行训练,即可输出回归的结果,开展空间负荷预测。
本发明提供的技术方案的有益效果:
本发明提供的基于深度学习与多源信息融合的饱和负荷空间分布精准预测的方法,在传统空间负荷预测多利用结构化表示的特征的基础上,充分利用了信息量丰富的非结构化数据,进一步提升了预测精度。采用特征提取性能优越的深度学习算法,并选取了非线性与高维识别性能较好的SDAE算法,并采用ReLU作为SDAE算法的网络激活函数,避免了过拟合和梯度消失问题的发生。
附图说明
图1为基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法的流程图;
图2为负荷元胞样本的数据结构;
图3为采用非结构化信息与不采用非结构化信息的预测结果在各相对误差区间内的元胞比例;
图4为不同方法的预测结果对比图。
具体实施方式
为了更好地理解本发明的目的、技术方案以及技术效果,以下结合附图对本发明进行进一步的讲解说明。
本发明提出了一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法,其实施流程包括如下详细步骤:
步骤1、获取已知饱和负荷密度的元胞特征与饱和负荷密度,进行数据预处理,得到负荷元胞样本库:
在空间负荷预测过程中,通常将区域根据一定的规则划分为元胞,元胞的划分基于实际的地理位置,继承了所在地的地理属性,并与和用户相关的其他性质共同构成了元胞属性。从用地详规、地区统计年鉴和地理信息***等来源可以获得大量的元胞属性数据,如元胞所在地的地理位置信息、气温等。这些属性与元胞内用户的用电模式相关,从而影响元胞的负荷密度,将其添加到预测模型中有助于提高预测精度,但会导致模型输入维数的大大增加,此时浅层学习算法难以表征负荷密度与这些属性之间的关系。
步骤2、分析空间负荷元胞多源信息的属性,根据待测元胞的特征,进行待测元胞的数据预处理:
元胞属性主要可分为三类:区位属性、气象属性、用地性质属性。元胞样本数据结构如图2所示。因不同用地性质元胞负荷密度的可比性较小,空间负荷预测时通常根据地块的不同用地性质,将样本库按用地性质分类分别开展预测,故用地性质属性不作为模型输入,将其余属性输入模型,这些属性中包括结构化与非结构化的属性。
结构化属性以0-1二值逻辑、多值逻辑或数值表示,0-1二值逻辑表示的属性包括是否为省会、是否为计划单列市等,多值逻辑表示的属性包括社会区域分类等,数值属性包括人均GDP、城镇人口、年平均气温等。
非结构化属性,如建设情况、发展定位等以文本为载体的属性,需进行结构化处理。
步骤3、将用地性质分别代入到负荷元胞样本库数据和待测元胞的数据中。
步骤4、采用深度学习算法中的基于栈式降噪的自编码器,并选择适当的激活函数,对数据进行网络训练及多属性特征提取:
为使特征得到准确表征,采用深度学习相关算法进行特征提取与预测。基于栈式降噪自编码器(Stacked Denoising AutoEncoder,SDAE)在处理非线性与高维识别问题中的良好性能,提出一种基于SDAE的网络的空间负荷预测方法。
自动编码器(AutoEncoder,AE)是一种无监督深度学习算法,其在学习过程中通过反向传播算法,对输入值进行重构,得到输入值更为抽象化的表达,并通过调整重构时的参数使重构解码值与输入值相等。输入值经多层重构单元实现输入值的特征提取。对于一个仅含单隐含层的自动编码器结构,其中,隐含层输出hw,b(x)≈x。
降噪自编码器(Denoising AutoEncoder,DAE)在自动编码器基础上加入噪声,将输入向量部分元素置0,其余元素不变,通过网络模型训练重构出原始输入数据,从而提高网络鲁棒性。SDAE则是将多层DAE堆叠形成深度学习网络,以提升高维特征提取性能。
激活函数是网络的非线性函数部分,使模型满足表达能力的要求,其确定是构建网络模型的重要过程。传统的sigmoid系传递函数作为激活函数,反向传播求误差梯度时,求导涉及除法,计算量相对大,且容易就会出现梯度消失的情况,即当sigmoid接近饱和区时,导数趋于0,导致回归结果趋向于值域的两极。为克服上述缺陷,选取ReLU函数作为SDAE网络的激活函数,对网络进行如下改造:
式中:x为输入值,为第ly层的输出值,为第ly层中输出i对输入j的权值,为第ly层中输出i对输入j的权值变化量,LY为总层数,Esj为深度学习网络中的Sparse Error(损失函数),用以以保证网络稀疏性。
ReLU使部分神经元的输出为0,增加网络的稀疏性,并减少参数的相互依存关系,防止过拟合与梯度消失的出现。
在SDAE顶层叠加一个回归器,如神经网络的输出层,再通过标准的多层神经网络的监督训练方法对SDAE进行训练,即可输出回归的结果,开展空间负荷预测。
步骤5、输入到回归器内进行负荷的特征提取与负荷预测。
为了进一步理解本发明,以下以浙江省内某区域电网为例,来解释本发明的实际应用。
浙江省内某区域电网,区域总面积为834.64公顷,以样本库内样本较为丰富的居住、商业、行政办公、教育科研、医疗卫生五种用地类型的待测元胞样本为例开展算例分析。样本库由不同地区元胞样本构成,包含元胞特征信息与饱和负荷密度。五种用地类型的占地面积如表1所示。
表1 待预测的用地类型及占地面积
该区域以居住用地和商业用地为主,包含一定的教育科研、行政办公与医疗卫生用地。根据地块属性将待测区域划分为元胞,其中该地块可获取的负荷元胞属性信息如表2所示,属性共21种:
表2 该地块可获取的负荷元胞属性信息
其中用地性质特征不作为模型输入,且根据不同的细分用地类型分别建立样本库。可作为输入的属性中建设程度、发展目标为非结构化属性,分别转化为结构化表示的2维与13维的属性,与其余结构化属性合计共32维属性。其中表征建设程度的两维属性中一维代表文本中是否包含表征建设程度的内容,另一维则是表征建设程度的程度副词的标度。将获取的信息进行归一化与异常数据检测后,代入基于SDAE的负荷预测模型进行预测,以BP神经网络为顶层的回归器,并分别与不输入非结构化属性或不使用SDAE进行特征提取的预测结果进行比较。与不采用非结构化信息的预测结果作对比,结果如表3和图3示(负荷密度单位MW/km2)。
表3 不同用地类型下的预测结果
结果显示,模型中未加入非结构化信息时的负荷密度测算结果相较加入非结构化信息时后的测算结果误差较大,且各元胞预测的相对误差也明显大于加入非结构化信息后。实例说明了在模型中加入非结构化信息输入有助于提高预测精度。
考虑原始数据的多维属性,将预测结果与处理高维属性性能较好的LS-SVM算法预测结果进行比较,并采用基于主成分分析(Principal Component Analysis,PCA)降维的BP神经网络与无降维降维的BP神经网络的预测结果作为对照,结果如表4和图4所示(负荷密度单位MW/km2)。
表4 不同用地类型下的预测结果
结果显示,从预测总体情况而言,无降维处理的BP神经网络法预测精度明显低于其他组,说明元胞属性维度升高后进行特征提取可显著提高预测精度;采用基于SDAE法的空间负荷预测,各元胞、各用地类型的预测误差从总体上看小于基于LS-SVM与PCA降维后BP神经网络法的误差。说明SDAE法在进行空间负荷预测时相较上述算法特征提取性能更优,本发明提出的空间负荷预测方法较上述两种方法具有更高的预测精度。
通过以上分析,可见本发明提出的基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法,具有一定的可行性与有效性,在进行空间负荷预测时相较上述算法特征提取性能更优。
Claims (3)
1.一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法,其特征在于,包括步骤:
获取已知饱和负荷密度的元胞特征与饱和负荷密度,得到负荷元胞样本库;
分析空间负荷元胞多源信息的属性,根据待测元胞的特征,进行待测元胞的数据预处理;
将用地性质分别代入到负荷元胞样本库数据和待测元胞的数据中;
采用深度学习算法中的基于栈式降噪的自编码器的网络,选择适当的激活函数,对数据进行网络训练及多属性特征提取;具体是选取ReLU函数作为SDAE网络的激活函数,对网络进行如下改造:
在SDAE顶层叠加一个回归器,通过对SDAE进行训练,即可输出回归的结果,开展空间负荷预测;
将预处理后的待测元胞数据输入到回归器内进行负荷的特征提取与负荷预测。
2.根据权利要求1所述的基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法,其特征在于,所述的元胞特征包括元胞所在地的气象特征、用地性质特征和区位特征。
3.根据权利要求1所述的基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法,其特征在于,分析空间负荷元胞多源信息的属性并进行数据预处理,包括:
根据地块的不同用地性质,将样本库按用地性质分类分别开展预测,用地性质属性不作为模型输入,将其余属性进行数据处理,这些属性中包括结构化与非结构化的属性,对于结构化属性,以0-1二值逻辑、多值逻辑或数值表示,对于以文本为载体的非结构化属性进行结构化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810609803.5A CN108960488B (zh) | 2018-06-13 | 2018-06-13 | 一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810609803.5A CN108960488B (zh) | 2018-06-13 | 2018-06-13 | 一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108960488A CN108960488A (zh) | 2018-12-07 |
CN108960488B true CN108960488B (zh) | 2022-03-04 |
Family
ID=64488506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810609803.5A Active CN108960488B (zh) | 2018-06-13 | 2018-06-13 | 一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960488B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119816A (zh) * | 2019-04-15 | 2019-08-13 | 东南大学 | 一种适用于非侵入式电力监测的负荷特征自学习方法 |
CN110543942A (zh) * | 2019-08-28 | 2019-12-06 | 广西大学 | 一种多时空长短记忆深度网络精准预测方法 |
CN111126565A (zh) * | 2019-11-28 | 2020-05-08 | 广东电网有限责任公司 | 一种基于深度学习的地块负荷密度指标预测方法及装置 |
CN111950765B (zh) * | 2020-07-06 | 2024-04-19 | 四川大川云能科技有限公司 | 一种基于堆叠降噪自编码器的概率性暂态稳定预测方法 |
CN112560898B (zh) * | 2020-11-25 | 2023-04-28 | 国网浙江省电力有限公司台州供电公司 | 一种基于深度学习的负荷时空预测方法 |
CN113671421A (zh) * | 2021-08-24 | 2021-11-19 | 华北电力大学(保定) | 一种变压器状态评估与故障预警方法 |
CN113919544B (zh) * | 2021-08-30 | 2022-05-27 | 浙江警察学院 | 犯罪预警方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258246A (zh) * | 2013-05-16 | 2013-08-21 | 东北电力大学 | 一种基于元胞历史数据的负荷密度指标的求取方法 |
CN103544385A (zh) * | 2013-10-14 | 2014-01-29 | 华北电力大学 | 顾及空间异质性的多尺度空间负荷预测方法 |
CN106022509A (zh) * | 2016-05-07 | 2016-10-12 | 国网浙江省电力公司经济技术研究院 | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0421285D0 (en) * | 2004-09-24 | 2004-10-27 | Univ Nottingham | Improvements in high content screening |
-
2018
- 2018-06-13 CN CN201810609803.5A patent/CN108960488B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258246A (zh) * | 2013-05-16 | 2013-08-21 | 东北电力大学 | 一种基于元胞历史数据的负荷密度指标的求取方法 |
CN103544385A (zh) * | 2013-10-14 | 2014-01-29 | 华北电力大学 | 顾及空间异质性的多尺度空间负荷预测方法 |
CN106022509A (zh) * | 2016-05-07 | 2016-10-12 | 国网浙江省电力公司经济技术研究院 | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
基于云理论和元胞自动机理论的城市配电网空间负荷预测;刘自发等;《中国电机工程学报》;20130315;89-104 * |
Also Published As
Publication number | Publication date |
---|---|
CN108960488A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960488B (zh) | 一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法 | |
Yang et al. | A new air quality monitoring and early warning system: Air quality assessment and air pollutant concentration prediction | |
CN106485353B (zh) | 空气污染物浓度预报方法及*** | |
Li et al. | Calibrating cellular automata based on landscape metrics by using genetic algorithms | |
Holdo et al. | Predicted impact of barriers to migration on the Serengeti wildebeest population | |
May Petry et al. | MARC: a robust method for multiple-aspect trajectory classification via space, time, and semantic embeddings | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
Li et al. | A novel combined prediction model for monthly mean precipitation with error correction strategy | |
Al-Janabi et al. | Development of deep learning method for predicting DC power based on renewable solar energy and multi-parameters function | |
CN116644970A (zh) | 一种基于vmd分解和叠层深度学习的光伏功率预测方法 | |
Galván et al. | Average vs. extreme salinity conditions: Do they equally affect the distribution of macroinvertebrates in estuarine environments? | |
CN112330052A (zh) | 一种配变负荷预测方法 | |
CN111311001B (zh) | 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法 | |
CN106407379A (zh) | 一种基于Hadoop平台的电影推荐方法 | |
Guo et al. | A Short‐Term Load Forecasting Model of LSTM Neural Network considering Demand Response | |
Kisi et al. | Comparative evaluation of deep learning and machine learning in modelling pan evaporation using limited inputs | |
Hua et al. | Short-term power prediction of photovoltaic power station based on long short-term memory-back-propagation | |
CN117314266B (zh) | 一种基于超图注意力机制的新型科技人才智能评价方法 | |
Abdelaziz et al. | Convolutional neural network with genetic algorithm for predicting energy consumption in public buildings | |
Cao et al. | Short-term forecasting and uncertainty analysis of photovoltaic power based on the FCM-WOA-BILSTM model | |
Połap et al. | Energy consumption prediction model for smart homes via decentralized federated learning with LSTM | |
CN111552882B (zh) | 一种新闻影响力计算方法、装置、计算机设备及存储介质 | |
CN116662860A (zh) | 一种基于能源大数据的用户画像与分类方法 | |
Zhang | Remote sensing data processing of urban land using based on artificial neural network | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |