CN110009132A - 一种基于lstm深度神经网络的短期电力负荷精细化预测方法 - Google Patents
一种基于lstm深度神经网络的短期电力负荷精细化预测方法 Download PDFInfo
- Publication number
- CN110009132A CN110009132A CN201910161661.5A CN201910161661A CN110009132A CN 110009132 A CN110009132 A CN 110009132A CN 201910161661 A CN201910161661 A CN 201910161661A CN 110009132 A CN110009132 A CN 110009132A
- Authority
- CN
- China
- Prior art keywords
- prediction
- day
- short
- electric load
- lstm
- 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 30
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 238000011017 operating method Methods 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 abstract 4
- 238000012544 monitoring process Methods 0.000 abstract 2
- 239000000523 sample Substances 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013277 forecasting method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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
- G06Q10/04—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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于LSTM深度神经网络的短期电力负荷精细化预测方法,它包括电气二次盘柜、传感器探头设置在电气二次盘柜内的温度传感器、信号集中处理中心、远程监视后台,温度传感器通过信号线与第一信号转换模块的输入端连接,第一信号转换模块的输出端与第二信号转换模块的输入端连接,第二信号转换模块的输出端与信号处理模块的信号输入端连接,信号处理模块的信号输出端与服务器连接。本发明的目的是为了精确、高效、很好的实现电气二次盘柜远距离温度监测而提出的基于LSTM深度神经网络的短期电力负荷精细化预测方法。
Description
技术领域
本发明属于电力***领域,具体涉及一种基于LSTM深度神经网络的短期电力负荷精细化预测方法。
背景技术
随着电力市场的发展以及用户需求的提升,电网的安全及经济运行变得至关重要。对电力负荷进行准确的短期预测,可以有效保障电网安全运行,降低发电成本,满足用户需求和提高社会经济效益。由于电力***负荷具有明显的周期特性,同时影响因素复杂,如气候、降雨量等,因此选择先进和准确的短期负荷预测方法十分必要。
现阶段不断涌现的现代智能方法:小波分析法,人工神经网络法,支持向量法等,相比于一些传统的短期负荷预测方法:如灰色预测法,卡尔曼滤波法,专家***法等,逐渐提高了负荷预测的速度和精度,但还存在着一定的弊端。如人工神经网络法,虽具有较强的记忆能力和非线性映射能力,但难以科学的确定其网络结构和适合的寻优参数,存在局部极小点问题。而建立在统计学理论基础上的支持向量法,其自选参数和核函数的确定需要依靠人工经验,也会影响预测效果。本方法建立LSTM深度学习神经网络模型,具有自主学习和泛化能力强的特点,同时引入含分时分区气温和降雨量在内的精细化气象数据,对15min时间粒度的日前96点地区用电负荷曲线进行精细化预测。
发明内容
本发明的目的是为了提供一种引入了含分时分区气温和降雨量在内的精细化气象数据的,且自主学习能力和泛化能力强的基于LSTM深度神经网络的短期电力负荷精细化预测方法。
为了实现上述的技术特征,本发明采用的技术方案是:
一种基于LSTM深度神经网络的短期电力负荷精细化预测方法,包括以下操作步骤:
1)采集预测输入数据,以0时~24时每隔15分钟的96点电力负荷功率数据组成表示每日电力负荷曲线的功率向量,选取预测日之前一段时间每天96点负荷功率与预测日的24时刻气温和分区降雨量组成多维特征输入变量向量,以预测日的96点负荷功率量作为输出变量向量;其中,预测前日所取的范围越大,相应建立的模型越精准。
2):数据归一化预处理,将作为输入变量和输出变量的各类数据统一归一化到一个区间;
3):将预测前日的96点负荷功率、预测日的24时刻气温和分区降雨量预测值归一化数据组成多维特征输入变量,以预测日的96点负荷功率值作为输出变量,建立LSTM短期电力负荷预测模型,根据输入变量的个数指定长短期记忆神经网络LSTM输入节点的个数,设定适合的隐藏层节点个数,以及代表预测日负荷功率向量的输出节点个数;
4):依据预测前日和当日的日类型转移一致为原则,按距离预测时间由近及远选择指定个数的训练样本;
5):基于步骤4选择的训练样本,对步骤3建立的LSTM短期电力负荷预测模型进行训练,获得使训练样本整体误差最小的最优模型参数;
6):获得最优参数的LSTM短期电力负荷预测模型后,将待预测前日的电力负荷功率和待预测日的气象等归一化数据作为模型输入,获得待预测日电力负荷功率曲线预测值。
在步骤1)中,获取预测日之前1年期间每天96点电力负荷Pd=[P1,P2,…,P96]d、24时刻气温Td=[T1,T2,…,T24]d、分区降雨量Hd=[H1,H2,…,HM]d和日期类型Sd(1为工作日,0为休息日)的历史数据,以及预测日当日24时刻气温Tf、分区降雨量Hf的预测数据和日期类型Sf,其中d∈{1,2,…,D},D为历史样本总天数,M为预测地区所包含的子区域数。
在步骤2)中,分别对步骤1采集的负荷功率数据、气温数据和降雨量数据归一化处理,将不同数据归一化到相同尺度[-1,1]里,设归一化之前的数据为xi,其最大、最小样本值分别为 x,归一化处理后的数据为xi',样本数为N,具体归一化公式如下:
在步骤3)中,建立短期电力负荷预测的LSTM深度学习神经网络模型,其中输入变量选取预测前日96点电力负荷归一化值P′d-1=[P′1,P′2,…,P′96]d-1、预测日24时刻气温归一化数据T′d=[T′1,T′2,…,T′24]d和各子区域的归一化降雨量H′d=[H′1,H′2,…,H′M]d,模型参数用θ向量统一表示,输出变量为预测日96点的负荷预测功率向量预测模型如下:
该LSTM神经网络包含120+M个输入层节点,20个隐含层节点和96个输出层节点:输入层中1~96节点为[P′1,P′2,…,P′96]d-1,97~120节点表示[T′1,T′2,…,T′24]d,121~120+M节点表示[H′1,H′2,…,H′M]d;隐藏层节点个数根据训练效果综合比较确定为20个;输出层的96点表示
在步骤4)中,依据与预测前日和当日的日类型转移对[Sf-1,Sf]一致为原则,从历史样本日中按距离预测时间由近及远选择30个训练样本组成训练样本集合TSf:
在步骤5)中,基于步骤4选择的训练样本和步骤3建立的LSTM短期电力负荷预测模型,对LSTM的参数向量θ进行训练,获取使得预测功率向量与实际功率向量Pd之间最小二乘误差E最小时的最优LSTM预测模型参数
在步骤6)中,获得最优参数的LSTM短期电力负荷预测模型,将待预测前日的电力负荷功率归一化向量P′f-1=[P′1,P′2,…,P′96]f-1、待预测日的气象归一化数据T′f=[T′1,T′2,…,T′24]f和H′f=[H′1,H′2,…,H′M]f作为模型输入,获得待预测日电力负荷功率曲线预测值
本发明具有如下技术效果:
本发明通过收集电力负荷、天气气象的历史数据和相应预测日的天气气象预测数据;并对收集的电力负荷、气象等数据先进行数据归一化处理;具体的,某一天从零点开始,每隔15分钟作为一个时刻,则每天的功率用这一天96点的负荷功率值表示,将预测前日的96点负荷功率值、预测日的24时刻气温和分区降雨量预测值归一化数据组成多维特征输入变量,以预测日的96点负荷功率作为输出变量,建立LSTM深度学习网络,并根据预测前日和当日的日类型转移一致为原则,按距离预测时间由近及远选择训练样本,对LSTM参数进行训练,获取最优的LSTM预测模型。通过对参数的不断训练与优化,使得模型更加精细化,预测的准确性相应的提高。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为基于LSTM深度神经网络的短期电力负荷精细化预测方法流程图;
图2为短期电力负荷预测的LSTM神经网络结构图;
图3为根据本发明一个实施例在2018年4月1日负荷真实值与LSTM模型预测值、RBF模型预测值、时间序列神经网络模型预测值的对比;
图4为根据本发明一个实施例在2018年4月间三种预测模型预测误差的对比图。
具体实施方式
如图1所示,步骤一:获取预测日之前1年期间每天96点电力负荷Pd=[P1,P2,…,P96]d、24时刻气温Td=[T1,T2,…,T24]d、分区降雨量Hd=[H1,H2,…,HM]d和日期类型Sd(1为工作日,0为休息日)的历史数据,以及预测日当日24时刻气温Tf、分区降雨量Hf的预测数据和日期类型Sf,其中d∈{1,2,…,D},D为历史样本总天数,M为预测地区所包含的子区域数。
步骤二:数据归一化,由于步骤1采集的负荷功率数据、气温数据和降雨量数据之间的数值差别比较大,需要将不同数据归一化到相同尺度[-1,1]里;经过预处理后的输入样本为xi';归一化处理前的样本数据为xi,其最大、最小样本值分别为 x,样本数为N,具体处理公式如下:
步骤三:建立短期电力负荷预测的LSTM深度学习神经网络模型,其中输入变量选取预测前日96点电力负荷归一化值P′d-1=[P′1,P′2,…,P′96]d-1、预测日24时刻气温归一化数据T′d=[T′1,T′2,…,T′24]d和各子区域的归一化降雨量H′d=[H′1,H′2,…,H′M]d,模型参数用θ向量统一表示,输出变量为预测日96点的负荷预测功率向量预测模型如下:
该LSTM神经网络包含120+M个输入层节点,20个隐含层节点和96个输出层节点:输入层中1~96节点为[P′1,P′2,…,P′96]d-1,97~120节点表示[T′1,T′2,…,T′24]d,121~120+M节点表示[H′1,H′2,…,H′M]d;隐藏层节点个数根据训练效果综合比较确定为20个;输出层的96点表示
根据图2,对短期电力负荷预测的LSTM神经网络结构进行解释:
(1)通过遗忘门的Sigmoid层决定将哪些状态信息删除,遗忘门对ht-1和xt进行观察,对状态Ct-1中的每个元素,输出一个0~1之间的值,以此来决定将哪些信息进行过滤。输入已知数据代入如下公式:
ft=σ(wf·[ht-1,xt]+bf)
(2)决定将哪些新信息更新到状态中。这一过程由两个部分组成。首先输入门中的Sigmoid层决定要更新的信息,然后通过tanh层计算出新的候选值而可能会被添加到状态中;其次,LSTM将把这两个部分进行组合用于更新状态信息;通过输入数据以及遗忘门中可获得的状态信息公式如下:
(3)将Ct-1更新到Ct中。具体步骤为:把Ct-1与ft相乘,去掉决定删除的信息,再加上it与的乘积,得到新的候选值Ct,它能根据更新每个状态的程度进行变化。公式如下:
(4)决定最后的输出内容。输出会基于当前状态,并且进行一部分的筛选。首先构造一个Sigmoid层的Output Gate(输出门)来决定最后输出状态信息的哪些成分,紧接着将状态通过tanh之后(让输出结果投映在-1~+1之间)与Ot相乘,得出想要的输出结果,从而得到模型中参数的值:
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot·tanh(Ct)
步骤四:依据与预测前日和当日的日类型转移对[Sf-1,Sf]一致为原则,从历史样本日中按距离预测时间由近及远选择30个训练样本组成训练样本集合TSf:
if[Sf-1-i,Sf-i]=[Sf-1,Sf]i=1,2,...,D
f-i∈TSf
步骤五:基于步骤4选择的训练样本和步骤3建立的LSTM短期电力负荷预测模型,对LSTM的参数向量θ进行训练,获取使得预测功率向量与实际功率向量Pd之间最小二乘误差E最小时的最优LSTM预测模型参数
步骤六:获得最优参数的LSTM短期电力负荷预测模型,将待预测前日的电力负荷功率归一化向量P′f-1=[P′1,P′2,…,P′96]f-1、待预测日的气象归一化数据T′f=[T′1,T′2,…,T′24]f和H′f=[H′1,H′2,…,H′M]f作为模型输入,获得待预测日电力负荷功率曲线预测值
在本实施例中,以某地区2018年4月1日至4月30日的实际负荷数据为测试对象,通过本发明所述方法,对负荷数据进行了预测,并与RBF、时间序列神经网络等方法预测值进行对比,从图3针对4月1日的预测结果对比图可以看出,使用LSTM方法预测负荷曲线与实际负荷曲线更加接近,无论从整体趋势还是局部细节都取得了较好的效果,平均相对预测误差为2.9143%,明显低于RBF模型预测结果的4.9596%和时间序列神经网络模型预测结果的4.0488%,预测准确性更高。从图4在整个2018年4月份测试期间的日负荷曲线预测误差对比图来看,绝大部分测试日LSTM模型的预测误差是三种预测模型误差中最小的,仍然是LSTM明显优于其它对比方法,测试期间LSTM模型的整体平均预测误差仅为3.8464%,低于RBF模型平均预测误差6.052%,也低于时间序列神经网络模型预测误差5.294%。由此可以验证,根据本发明实施例的具有深度学习能力的短期电力负荷精细化预测模型,能够提升预测的精度和精细化程度。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效功能变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于LSTM深度神经网络的短期电力负荷精细化预测方法,其特征在于,包括以下操作步骤:
1)采集预测输入数据,以0时~24时每隔15分钟的96点电力负荷功率数据组成表示每日电力负荷曲线的功率向量,选取预测日之前一段时间每天96点负荷功率与预测日的24时刻气温和分区降雨量组成多维特征输入变量向量,以预测日的96点负荷功率量作为输出变量向量;
2):数据归一化预处理,将作为输入变量和输出变量的各类数据统一归一化到一个区间;
3):将预测前日的96点负荷功率、预测日的24时刻气温和分区降雨量预测值归一化数据组成多维特征输入变量,以预测日的96点负荷功率值作为输出变量,建立LSTM短期电力负荷预测模型,根据输入变量的个数指定长短期记忆神经网络LSTM输入节点的个数,设定适合的隐藏层节点个数,以及代表预测日负荷功率向量的输出节点个数;
4):依据预测前日和当日的日类型转移一致为原则,按距离预测时间由近及远选择指定个数的训练样本;
5):基于步骤4选择的训练样本,对步骤3建立的LSTM短期电力负荷预测模型进行训练,获得使训练样本整体误差最小的最优模型参数;
6):获得最优参数的LSTM短期电力负荷预测模型后,将待预测前日的电力负荷功率和待预测日的气象等归一化数据作为模型输入,获得待预测日电力负荷功率曲线预测值。
2.根据权利要求1所述的一种基于LSTM深度神经网络的短期电力负荷精细化预测方法,其特征在于,在步骤1)中,获取预测日之前1年期间每天96点电力负荷Pd=[P1,P2,…,P96]d、24时刻气温Td=[T1,T2,…,T24]d、分区降雨量Hd=[H1,H2,…,HM]d和日期类型Sd(1为工作日,0为休息日)的历史数据,以及预测日当日24时刻气温Tf、分区降雨量Hf的预测数据和日期类型Sf,其中d∈{1,2,…,D},D为历史样本总天数,M为预测地区所包含的子区域数。
3.根据权利要求1或2所述的一种基于LSTM深度神经网络的短期电力负荷精细化预测方法,其特征在于,在步骤2)中,分别对步骤1采集的负荷功率数据、气温数据和降雨量数据归一化处理,将不同数据归一化到相同尺度[-1,1]里,设归一化之前的数据为xi,其最大、最小样本值分别为 x,归一化处理后的数据为x′i,样本数为N,具体归一化公式如下:
4.根据权利要求3所述的一种基于LSTM深度神经网络的短期电力负荷精细化预测方法,其特征在于:在步骤3)中,建立短期电力负荷预测的LSTM深度学习神经网络模型,其中输入变量选取预测前日96点电力负荷归一化值P′d-1=[P′1,P′2,…,P′96]d-1、预测日24时刻气温归一化数据T′d=[T′1,T′2,…,T′24]d和各子区域的归一化降雨量H′d=[H′1,H′2,…,H′M]d,模型参数用θ向量统一表示,输出变量为预测日96点的负荷预测功率向量预测模型如下:
5.根据权利要求4所述的一种基于LSTM深度神经网络的短期电力负荷精细化预测方法,其特征在于,在步骤4)中,依据与预测前日和当日的日类型转移对[Sf-1,Sf]一致为原则,从历史样本日中按距离预测时间由近及远选择若干个训练样本组成训练样本集合TSf:
6.根据权利要求1或2或4或5所述的一种基于LSTM深度神经网络的短期电力负荷精细化预测方法,其特征在于,在步骤5)中,基于步骤4选择的训练样本和步骤3建立的LSTM短期电力负荷预测模型,对LSTM的参数向量θ进行训练,获取使得预测功率向量与实际功率向量Pd之间最小二乘误差E最小时的最优LSTM预测模型参数
7.根据权利要求6所述的一种基于LSTM深度神经网络的短期电力负荷精细化预测方法,其特征在于,在步骤6)中,获得最优参数的LSTM短期电力负荷预测模型,将待预测前日的电力负荷功率归一化向量P′f-1=[P′1,P′2,…,P′96]f-1、待预测日的气象归一化数据T′f=[T′1,T′2,…,T′24]f和H′f=[H′1,H′2,…,H′M]f作为模型输入,获得待预测日电力负荷功率曲线预测值
8.根据权利要求4所述的一种基于LSTM深度神经网络的短期电力负荷精细化预测方法,其特征在于,在LSTM深度学习神经网络模型中,该LSTM神经网络包含120+M个输入层节点,20个隐含层节点和96个输出层节点:输入层中1~96节点为[P′1,P′2,…,P′96]d-1,97~120节点表示[T′1,T′2,…,T′24]d,121~120+M节点表示[H′1,H′2,…,H′M]d;隐藏层节点个数根据训练效果综合比较确定为20个;输出层的96点表示
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910161661.5A CN110009132A (zh) | 2019-03-04 | 2019-03-04 | 一种基于lstm深度神经网络的短期电力负荷精细化预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910161661.5A CN110009132A (zh) | 2019-03-04 | 2019-03-04 | 一种基于lstm深度神经网络的短期电力负荷精细化预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110009132A true CN110009132A (zh) | 2019-07-12 |
Family
ID=67166359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910161661.5A Pending CN110009132A (zh) | 2019-03-04 | 2019-03-04 | 一种基于lstm深度神经网络的短期电力负荷精细化预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009132A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113849052A (zh) * | 2021-08-20 | 2021-12-28 | 广州云硕科技发展有限公司 | 基于人工智能的机房温度预测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952181A (zh) * | 2017-03-08 | 2017-07-14 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测*** |
CN106971238A (zh) * | 2017-03-10 | 2017-07-21 | 东华大学 | 基于T‑S模糊Elman神经网络的短期电力负荷预测方法 |
CN109359786A (zh) * | 2018-12-05 | 2019-02-19 | 国网江苏省电力有限公司扬州供电分公司 | 一种电力台区短期负荷预测方法 |
-
2019
- 2019-03-04 CN CN201910161661.5A patent/CN110009132A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952181A (zh) * | 2017-03-08 | 2017-07-14 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测*** |
CN106971238A (zh) * | 2017-03-10 | 2017-07-21 | 东华大学 | 基于T‑S模糊Elman神经网络的短期电力负荷预测方法 |
CN109359786A (zh) * | 2018-12-05 | 2019-02-19 | 国网江苏省电力有限公司扬州供电分公司 | 一种电力台区短期负荷预测方法 |
Non-Patent Citations (4)
Title |
---|
吴润泽;包正睿;宋雪莹;邓伟;: "基于深度学习的电网短期负荷预测方法研究", 现代电力, no. 02 * |
彭文 等: "电力市场中基于 Attention-LSTM 的短期负荷预测模型", 《电网技术》, vol. 43, no. 5, pages 1745 - 1751 * |
徐立本,姜云飞,张世伟等主编: "《机器学习引论》", 吉林大学出版社, pages: 347 - 348 * |
杨金喜;高洁;孔伯骏;吴佳佳;薛晨;: "基于多模型长短时记忆神经网络的电力负荷预测方法研究", 机电信息, no. 30 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113849052A (zh) * | 2021-08-20 | 2021-12-28 | 广州云硕科技发展有限公司 | 基于人工智能的机房温度预测方法及*** |
CN113849052B (zh) * | 2021-08-20 | 2022-11-04 | 广州云硕科技发展有限公司 | 基于人工智能的机房温度预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084367B (zh) | 一种基于lstm深度学习模型的土壤墒情预测方法 | |
CN109272146B (zh) | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 | |
Wang et al. | Adaptive learning hybrid model for solar intensity forecasting | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN109299812B (zh) | 一种基于深度学习模型和knn实时校正的洪水预测方法 | |
CN109583565B (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及*** | |
CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、***及存储介质 | |
CN109886496B (zh) | 一种基于气象信息的农产量预测方法 | |
CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
CN115495991A (zh) | 一种基于时间卷积网络的降水区间预测方法 | |
CN117977568A (zh) | 基于嵌套lstm和分位数计算的电力负荷预测方法 | |
CN113033081A (zh) | 一种基于som-bpnn模型的径流模拟方法及*** | |
CN115115125A (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
CN110009132A (zh) | 一种基于lstm深度神经网络的短期电力负荷精细化预测方法 | |
CN112132334A (zh) | 一种用于城市生活垃圾产量的预测方法 | |
CN114897264A (zh) | 一种基于迁移学习的小样本场景下光伏出力区间预测方法 | |
CN115423146A (zh) | 一种基于多因子最近邻抽样回归和支持向量机的自适应径流预报方法 | |
CN115222138A (zh) | 一种基于eemd-lstm微网光伏短期功率区间预测方法 | |
CN113268929B (zh) | 短期负荷区间预测方法及装置 | |
CN115238948A (zh) | 小水电发电量预测方法及装置 |
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: 20190712 |