CN110880044A - 一种基于马尔科夫链的负荷预测方法 - Google Patents
一种基于马尔科夫链的负荷预测方法 Download PDFInfo
- Publication number
- CN110880044A CN110880044A CN201911013191.4A CN201911013191A CN110880044A CN 110880044 A CN110880044 A CN 110880044A CN 201911013191 A CN201911013191 A CN 201911013191A CN 110880044 A CN110880044 A CN 110880044A
- Authority
- CN
- China
- Prior art keywords
- neural network
- state
- calculation error
- value
- error
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 claims abstract description 47
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 230000007704 transition Effects 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 210000002569 neuron Anatomy 0.000 claims description 18
- 230000005611 electricity Effects 0.000 description 8
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004044 response Effects 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Primary Health Care (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力负荷预测的技术领域,更具体地,涉及一种基于马尔科夫链的负荷预测方法,包括:S10.获取负荷电流数据并形成第一训练样本;S20.构建第一神经网络模型,并计算得到负荷电流的初步计算值;S30.计算得到每组第一训练样本对应的网络输出值,求取每组第一训练样本对应的实际值和网络输出值的差,构建计算误差序列状态转移概率矩阵;S40.构建第二神经网络模型,以计算误差序列中计算误差的绝对值为第二训练样本,得到第二计算误差绝对值;S50.计算网络计算的最终误差值;S60.计算神经网络的最终计算值。本发明将马尔科夫链模型与神经网络模型结合进行负荷预测,只需要少量的样本就可以进行预测,运行速度快、运算时间短,并且可以得出概率预测的结果。
Description
技术领域
本发明涉及电力负荷预测的技术领域,更具体地,涉及一种基于马尔科夫链的负荷预测方法。
背景技术
在配网规划相关技术中,负荷预测是极其关键的一个环节,其直接对规划质量和投资效率产生影响。在配网规划相关技术中,负荷预测是极其关键的一个环节,其直接对规划质量和投资效率产生影响。
目前,求取负荷系数的方法为按负荷性质粗略分为工业用电、商业用电、居民用电、农业用电和其他用电几类,对每一类负荷,选取几个典型用户,根据报装容量和年最大用电负荷求取相关实用系数;传统的电力负荷特征分析方法主要有两类:一是按影响因素分析,即在其余变量保持不变的前提下逐个提取因变量,定性或者定量描述其对自变量的影响程度;二是按行业分类分析,即先对各行业或者细化到某类型用户的用电特征进行分析,定性或者定量得到各类型用户对区域电网用电特征的影响。但是,由于负荷种类繁多,特征差异大,负荷变化随机性强,准确计算需求响应的基线负荷难度大,特别是单一考虑某一因素的基线负荷预测准确度非常低。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于马尔科夫链的负荷预测方法,将马尔科夫链模型与神经网络模型结合进行负荷预测,只需要少量的样本就可以进行预测,运行速度快、运算时间短,并且可以得出概率预测的结果。
为解决上述技术问题,本发明采用的技术方案是:
提供一种基于马尔科夫链的负荷预测方法,包括以下步骤:
S10.获取负荷电流数据并形成第一训练样本;
S20.构建第一神经网络模型,基于步骤S10中所述的第一训练样本,对所述第一神经网络模型进行训练,得到训练好的第一神经网络模型;利用训练好的第一神经网络模型,得到负荷电流的初步计算值;
S30.将每组第一训练样本输入到训练好的第一神经网络模型,得到每组第一训练样本对应的网络输出值,求取每组第一训练样本对应的实际值和网络输出值的差,得到计算误差序列,并构建计算误差序列状态转移概率矩阵;
S40.构建第二神经网络模型,以步骤S30中计算误差序列中计算误差的绝对值为第二训练样本,得到第二神经网络模型输出的第二计算误差绝对值;
S50.利用步骤S30所述的计算误差序列状态转移概率矩阵和步骤S40所述的第二计算误差绝对值,得到网络计算的最终误差值;
S60.利用步骤S20的初步计算值和步骤S50的最终误差值,得到神经网络的最终计算值。
本发明的基于马尔科夫链的负荷预测方法,将马尔科夫链模型与神经网络模型结合进行负荷预测,只需要少量的样本就可以进行预测,运行速度快、运算时间短,并且可以得出概率预测的结果,有效提高负荷预测的准确性。
优选地,步骤S10按以下步骤进行:
S11.记时刻t对应的负荷电流为It,则负荷电流数据序列为I=(I1,I2,I3,....It....IT),T为数据个数;
S12.以It-4、It-3、It-2、It-1为输入,It为输出,构建第一训练样本,则每组第一训练样本表示为Xt=(It-4,It-3,It-2,It-1,It)(5≤t≤T)。
优选地,步骤S20按以下步骤进行:
S21.以It-4、It-3、It-2、It-1为输入,It为输出,构建第一BP神经网络;
S22.利用第一训练样本对第一BP神经网络进行训练,得到训练好的第一BP神经网络;
S23.将IT-3、IT-2、IT-1、IT输入到训练好的第一BP神经网络,得到T+1时刻的负荷电流初步计算值IT+1(1)。
优选地,步骤S21中所述第一BP神经网络为4层BP神经网络,包括第一输入层、第一隐含层、第二隐含层以及第一输出层,第一输入层神经元的个数为4,第一隐含层、第二隐含层的神经元个数为10,第一输出层的神经元个数为1。
优选地,步骤S30按以下步骤进行:
S33.确定计算误差的三种状态,计算误差为0时状态取为1,计算误差大于0时状态取为2,计算误差小于0时状态取为3,然后构建状态转移概率矩阵P:
式中,pij(i=1,2,3;j=1,2,3)表示从状态i转移到状态j的概率。
优选地,步骤S40按以下步骤进行:
S41.求取计算误差绝对值序列|ΔI|=(|ΔI5|,|ΔI6|,|ΔI7|,....|ΔIt|....|ΔIT|),并形成第二训练样本,每组第二训练样本为(|ΔIt-4|,|ΔIt-3|,|ΔIt-2|,|ΔIt-1|,|ΔIt|)(5≤t≤T);
S42.以|ΔIt-4|、|ΔIt-3|、|ΔIt-2|、|ΔIt-1|为输入,|ΔIt|为输出,建立第二BP神经网络;
S43.利用第二训练样本对第二BP神经网络进行训练,得到训练好的第二BP神经网络;
S44.将|ΔIT-3|、|ΔIT-2|、|ΔIT-1|、|ΔIT|输入到训练好的第二BP神经网络,得到T+1时刻第二BP神经网络输出的第二计算误差绝对值|ΔIT+1|。
优选地,所述第二BP神经网络为3层BP神经网络,包括第二输入层、第三隐含层和第二输出层,所述第二输入层神经元个数为4,第三隐含层的神经元个数为9,第二输出层的神经元个数为1。
优选地,步骤S50按以下步骤进行:
S51.根据T时刻计算误差ΔIT的符号,即可得到计算误差的状态,记为p(T);根据状态转移概率矩阵,得到计算误差从状态p(T)转移到各状态的概率,分别记为p1(T)、p2(T)、p3(T),其中,p1(T)表示从状态p(T)转移状态1的概率,p2(T)表示从状态p(T)转移状态2的概率,p3(T)表示从状态p(T)转移状态3的概率;
S52.比较概率值p1(T)、p2(T)、p3(T)的大小,记三者中最大值为p(T+1),根据p(T+1)确定T+1时刻计算误差的状态,即可确定T+1时刻计算误差的符号;
S53.利用第二计算误差绝对值|ΔIT+1|和计算误差的符号,即可得到最终误差值ΔIT+1(1)。
优选地,步骤S60中所述最终计算值IT+1按下式表示:
IT+1=IT+1(1)+ΔIT+1(1)。
与现有技术相比,本发明的有益效果是:
本发明的基于马尔科夫链的负荷预测方法,将马尔科夫链模型与神经网络模型结合进行负荷预测,只需要少量的样本就可以进行预测,运行速度快、运算时间短,并且可以得出概率预测的结果。
附图说明
图1为本发明的基于马尔科夫链的负荷预测方法的流程图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。
实施例一
如图1所示为本发明的基于马尔科夫链的负荷预测方法的实施例,包括以下步骤:
S10.获取负荷电流数据并形成第一训练样本;
S20.构建第一神经网络模型,基于步骤S10中所述的第一训练样本,对所述第一神经网络模型进行训练,得到训练好的第一神经网络模型;利用训练好的第一神经网络模型,得到负荷电流的初步计算值;
S30.将每组第一训练样本输入到训练好的第一神经网络模型,得到每组第一训练样本对应的网络输出值,求取每组第一训练样本对应的实际值和网络输出值的差,得到计算误差序列,并构建计算误差序列状态转移概率矩阵;
S40.构建第二神经网络模型,以步骤S30中计算误差序列中计算误差的绝对值为第二训练样本,得到第二神经网络模型输出的第二计算误差绝对值;
S50.利用步骤S30所述的计算误差序列状态转移概率矩阵和步骤S40所述的第二计算误差绝对值,得到网络计算的最终误差值;
S60.利用步骤S20的初步计算值和步骤S50的最终误差值,得到神经网络的最终计算值。
步骤S10按以下步骤进行:
S11.记时刻t对应的负荷电流为It,则负荷电流数据序列为I=(I1,I2,I3,....It....IT),T为数据个数;
S12.以It-4、It-3、It-2、It-1为输入,It为输出,构建第一训练样本,则每组第一训练样本表示为Xt=(It-4,It-3,It-2,It-1,It)(5≤t≤T)。
步骤S20按以下步骤进行:
S21.以It-4、It-3、It-2、It-1为输入,It为输出,构建第一BP神经网络;
S22.利用第一训练样本对第一BP神经网络进行训练,得到训练好的第一BP神经网络;
S23.将IT-3、IT-2、IT-1、IT输入到训练好的第一BP神经网络,得到T+1时刻的负荷电流初步计算值IT+1(1)。
其中,步骤S21中所述第一BP神经网络为4层BP神经网络,包括第一输入层、第一隐含层、第二隐含层以及第一输出层,第一输入层神经元的个数为4,第一隐含层、第二隐含层的神经元个数为10,第一输出层的神经元个数为1。
步骤S30按以下步骤进行:
S33.确定计算误差的三种状态,计算误差为0时状态取为1,计算误差大于0时状态取为2,计算误差小于0时状态取为3,然后构建状态转移概率矩阵P:
式中,pij(i=1,2,3;j=1,2,3)表示从状态i转移到状态j的概率。
步骤S40按以下步骤进行:
S41.求取计算误差绝对值序列|ΔI|=(|ΔI5|,|ΔI6|,|ΔI7|,....|ΔIt|....|ΔIT|),并形成第二训练样本,每组第二训练样本为(|ΔIt-4|,|ΔIt-3|,|ΔIt-2|,|ΔIt-1|,|ΔIt|)(5≤t≤T);
S42.以|ΔIt-4|、|ΔIt-3|、|ΔIt-2|、|ΔIt-1|为输入,|ΔIt|为输出,建立第二BP神经网络;
S43.利用第二训练样本对第二BP神经网络进行训练,得到训练好的第二BP神经网络;
S44.将|ΔIT-3|、|ΔIT-2|、|ΔIT-1|、|ΔIT|输入到训练好的第二BP神经网络,得到T+1时刻第二BP神经网络输出的第二计算误差绝对值|ΔIT+1|。
其中,所述第二BP神经网络为3层BP神经网络,包括第二输入层、第三隐含层和第二输出层,所述第二输入层神经元个数为4,第三隐含层的神经元个数为9,第二输出层的神经元个数为1。
步骤S50按以下步骤进行:
S51.根据T时刻计算误差ΔIT的符号,即可得到计算误差的状态,记为p(T);根据状态转移概率矩阵,得到计算误差从状态p(T)转移到各状态的概率,分别记为p1(T)、p2(T)、p3(T),其中,p1(T)表示从状态p(T)转移状态1的概率,p2(T)表示从状态p(T)转移状态2的概率,p3(T)表示从状态p(T)转移状态3的概率;
S52.比较概率值p1(T)、p2(T)、p3(T)的大小,记三者中最大值为p(T+1),根据p(T+1)确定T+1时刻计算误差的状态,即可确定T+1时刻计算误差的符号;
S53.利用第二计算误差绝对值|ΔIT+1|和计算误差的符号,即可得到最终误差值ΔIT+1(1)。
步骤S60中所述最终计算值IT+1按下式表示:
IT+1=IT+1(1)+ΔIT+1(1)。
经过以上步骤,只需要少量的样本就可以进行预测,运行速度快、运算时间短,并且可以得出概率预测的结果。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.一种基于马尔科夫链的负荷预测方法,其特征在于,包括以下步骤:
S10.获取负荷电流数据并形成第一训练样本;
S20.构建第一神经网络模型,基于步骤S10中所述的第一训练样本,对所述第一神经网络模型进行训练,得到训练好的第一神经网络模型;利用训练好的第一神经网络模型,得到负荷电流的初步计算值;
S30.将每组第一训练样本输入到训练好的第一神经网络模型,得到每组第一训练样本对应的网络输出值,求取每组第一训练样本对应的实际值和网络输出值的差,得到计算误差序列,并构建计算误差序列状态转移概率矩阵;
S40.构建第二神经网络模型,以步骤S30中计算误差序列中计算误差的绝对值为第二训练样本,得到第二神经网络模型输出的第二计算误差绝对值;
S50.利用步骤S30所述的计算误差序列状态转移概率矩阵和步骤S40所述的第二计算误差绝对值,得到网络计算的最终误差值;
S60.利用步骤S20的初步计算值和步骤S50的最终误差值,得到神经网络的最终计算值。
2.根据权利要求1所述的基于马尔科夫链的负荷预测方法,其特征在于,步骤S10按以下步骤进行:
S11.记时刻t对应的负荷电流为It,则负荷电流数据序列为I=(I1,I2,I3,....It....IT),T为数据个数;
S12.以It-4、It-3、It-2、It-1为输入,It为输出,构建第一训练样本,则每组第一训练样本表示为Xt=(It-4,It-3,It-2,It-1,It)(5≤t≤T)。
3.根据权利要求1所述的基于马尔科夫链的负荷预测方法,其特征在于,步骤S20按以下步骤进行:
S21.以It-4、It-3、It-2、It-1为输入,It为输出,构建第一BP神经网络;
S22.利用第一训练样本对第一BP神经网络进行训练,得到训练好的第一BP神经网络;
S23.将IT-3、IT-2、IT-1、IT输入到训练好的第一BP神经网络,得到T+1时刻的负荷电流初步计算值IT+1(1)。
4.根据权利要求3所述的基于马尔科夫链的负荷预测方法,其特征在于,步骤S21中所述第一BP神经网络为4层BP神经网络,包括第一输入层、第一
隐含层、第二隐含层以及第一输出层,第一输入层神经元的个数为4,第一隐含层、第二隐含层的神经元个数为10,第一输出层的神经元个数为1。
6.根据权利要求1至5任一项所述的基于马尔科夫链的负荷预测方法,其特征在于,步骤S40按以下步骤进行:
S41.求取计算误差绝对值序列|ΔI|=(|ΔI5|,|ΔI6|,|ΔI7|,....|ΔIt|....|ΔIT|),并形成第二训练样本,每组第二训练样本为(|ΔIt-4|,|ΔIt-3|,|ΔIt-2|,|ΔIt-1|,|ΔIt|)(5≤t≤T);
S42.以|ΔIt-4|、|ΔIt-3|、|ΔIt-2|、|ΔIt-1|为输入,|ΔIt|为输出,建立第二BP神经网络;
S43.利用第二训练样本对第二BP神经网络进行训练,得到训练好的第二BP神经网络;
S44.将|ΔIT-3|、|ΔIT-2|、|ΔIT-1|、|ΔIT|输入到训练好的第二BP神经网络,得到T+1时刻第二BP神经网络输出的第二计算误差绝对值|ΔIT+1|。
7.根据权利要求6所述的基于马尔科夫链的负荷预测方法,其特征在于,所述第二BP神经网络为3层BP神经网络,包括第二输入层、第三隐含层和第二输出层,所述第二输入层神经元个数为4,第三隐含层的神经元个数为9,第二输出层的神经元个数为1。
8.根据权利要求1所述的基于马尔科夫链的负荷预测方法,其特征在于,步骤S50按以下步骤进行:
S51.根据T时刻计算误差ΔIT的符号,即可得到计算误差的状态,记为p(T);根据状态转移概率矩阵,得到计算误差从状态p(T)转移到各状态的概率,分别记为p1(T)、p2(T)、p3(T),其中,p1(T)表示从状态p(T)转移状态1的概率,p2(T)表示从状态p(T)转移状态2的概率,p3(T)表示从状态p(T)转移状态3的概率;
S52.比较概率值p1(T)、p2(T)、p3(T)的大小,记三者中最大值为p(T+1),根据p(T+1)确定T+1时刻计算误差的状态,即可确定T+1时刻计算误差的符号;
S53.利用第二计算误差绝对值|ΔIT+1|和计算误差的符号,即可得到最终误差值ΔIT+1(1)。
9.根据权利要求1所述的基于马尔科夫链的负荷预测方法,其特征在于,步骤S60中所述最终计算值IT+1按下式表示:
IT+1=IT+1(1)+ΔIT+1(1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911013191.4A CN110880044B (zh) | 2019-10-23 | 2019-10-23 | 一种基于马尔科夫链的负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911013191.4A CN110880044B (zh) | 2019-10-23 | 2019-10-23 | 一种基于马尔科夫链的负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110880044A true CN110880044A (zh) | 2020-03-13 |
CN110880044B CN110880044B (zh) | 2023-01-24 |
Family
ID=69728167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911013191.4A Active CN110880044B (zh) | 2019-10-23 | 2019-10-23 | 一种基于马尔科夫链的负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110880044B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112162164A (zh) * | 2020-09-24 | 2021-01-01 | 安徽德尔电气集团有限公司 | 一种基于神经网络的电缆寿命预测*** |
CN112182253A (zh) * | 2020-11-26 | 2021-01-05 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、设备以及计算机可读存储介质 |
CN113516279A (zh) * | 2021-04-27 | 2021-10-19 | 贵州电网有限责任公司 | 一种基于能源用量状态转移的综合能源负荷预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301478A (zh) * | 2017-06-26 | 2017-10-27 | 广东电网有限责任公司珠海供电局 | 一种电缆线路短时负荷预测方法 |
CN109376950A (zh) * | 2018-11-19 | 2019-02-22 | 国网陕西省电力公司电力科学研究院 | 一种基于bp神经网络的多元电网负荷预测方法 |
-
2019
- 2019-10-23 CN CN201911013191.4A patent/CN110880044B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301478A (zh) * | 2017-06-26 | 2017-10-27 | 广东电网有限责任公司珠海供电局 | 一种电缆线路短时负荷预测方法 |
CN109376950A (zh) * | 2018-11-19 | 2019-02-22 | 国网陕西省电力公司电力科学研究院 | 一种基于bp神经网络的多元电网负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
陈娟等: "基于马尔科夫链对BP神经网络法残差修正模型的短期风电功率预测", 《电力与能源》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112162164A (zh) * | 2020-09-24 | 2021-01-01 | 安徽德尔电气集团有限公司 | 一种基于神经网络的电缆寿命预测*** |
CN112182253A (zh) * | 2020-11-26 | 2021-01-05 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、设备以及计算机可读存储介质 |
CN112182253B (zh) * | 2020-11-26 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、设备以及计算机可读存储介质 |
CN113516279A (zh) * | 2021-04-27 | 2021-10-19 | 贵州电网有限责任公司 | 一种基于能源用量状态转移的综合能源负荷预测方法 |
CN113516279B (zh) * | 2021-04-27 | 2022-08-30 | 贵州电网有限责任公司 | 一种基于能源用量状态转移的综合能源负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110880044B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103730006B (zh) | 一种短时交通流量的组合预测方法 | |
CN110880044B (zh) | 一种基于马尔科夫链的负荷预测方法 | |
CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及*** | |
CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN107644297B (zh) | 一种电机***节能量计算和验证方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法 | |
CN113033780A (zh) | 一种基于双层注意力机制的云平台资源预测方法 | |
CN112633556A (zh) | 一种基于混合模型的短期电力负荷预测方法 | |
CN106650959A (zh) | 一种基于改进灰色聚类的配电网抢修能力评估方法 | |
CN111985845B (zh) | 一种异构Spark集群的节点优先级调优方法 | |
CN111723982A (zh) | 基于灰色-马尔可夫链的中长期电力负荷组合预测方法 | |
CN110796293A (zh) | 一种电力负荷预测方法 | |
CN110766190A (zh) | 一种配电网负荷预测方法 | |
CN113065715A (zh) | 一种综合能源***多元负荷超短期预测方法 | |
CN114819395A (zh) | 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法 | |
CN101206727B (zh) | 数据处理装置和数据处理方法 | |
CN113988358A (zh) | 基于迁移强化学习的碳排放指数预测与治理方法 | |
Ballı et al. | An application of artificial neural networks for prediction and comparison with statistical methods | |
CN117150409A (zh) | 一种用电异常检测方法 | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
CN115511230A (zh) | 一种电能替代潜力分析预测方法 | |
CN116911419A (zh) | 一种基于趋势相关性特征学习的长时序预测方法 | |
CN115186584A (zh) | 一种融合注意力机制和自适应构图的宽度学习半监督软测量建模方法 | |
CN114943328A (zh) | 基于bp神经网络非线性组合的sarima-gru时序预测模型 | |
CN114510872A (zh) | 基于自注意力机制dlstm的云服务器老化预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |