CN111192158A - 一种基于深度学习的变电站日负荷曲线相似度匹配方法 - Google Patents

一种基于深度学习的变电站日负荷曲线相似度匹配方法 Download PDF

Info

Publication number
CN111192158A
CN111192158A CN201911265481.8A CN201911265481A CN111192158A CN 111192158 A CN111192158 A CN 111192158A CN 201911265481 A CN201911265481 A CN 201911265481A CN 111192158 A CN111192158 A CN 111192158A
Authority
CN
China
Prior art keywords
daily load
deep learning
image
transformer substation
data
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
Application number
CN201911265481.8A
Other languages
English (en)
Inventor
行舟
智勇
郑伟
刘文飞
郝如海
邢延东
祁莹
陈仕斌
何欣
史玉杰
张彦凯
张旭军
乾维江
牛浩明
常鸿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Gansu Electric Power Co Ltd
Electric Power Research Institute of State Grid Gansu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Gansu Electric Power Co Ltd
Electric Power Research Institute of State Grid Gansu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Gansu Electric Power Co Ltd, Electric Power Research Institute of State Grid Gansu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201911265481.8A priority Critical patent/CN111192158A/zh
Publication of CN111192158A publication Critical patent/CN111192158A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的变电站日负荷曲线相似度匹配方法，包括以下步骤：S1对变电站的日负荷数据进行聚类得到c个类别的代表性负荷数据；S2根据聚类结果生成负荷曲线图像，建立负荷图像数据集；S3搭建基于改进的VGG16深度学习模型并在数据集上充分训练；S4输入待测数据至训练好的模型进行日负荷曲线类别匹配，并生成可视化文档。本方法针对现有技术不足，引入基于改进的VGG16深度学习模型，从图像形态角度入手，可在保持精度的前提下实现快速训练与实时匹配；以单个变电站为研究对象，以日负荷数据为研究内容，深度挖掘变电站时间尺度的负荷特性；在完成匹配任务后生成文本文档与图像文档，双重可视化匹配结果。

Description

一种基于深度学习的变电站日负荷曲线相似度匹配方法
技术领域
本发明涉及电力***负荷建模领域，具体为一种基于深度学习的变电站日负荷曲线相似度匹配方法。
背景技术
负荷特性是电力***的重要组成部分，它作为电能的消耗者对电力***的分析、设计与控制有着重要影响。随着“能源互联网”战略的实施，负荷特性的地位更加突出，“能源互联网”要求能源的产生、传输、转换和使用都应该具备一定的智能化，而对负荷特性的研究正是促进决策智能化的关键。因此，利用先进的算法，挖掘负荷特性的深层次信息，对指导电网滚动规划、实时调度及运行规划可靠性评估具有现实意义。针对负荷特性分类的准确性与实用性，许多文献都进行了有益的探索。
曾博,张建华等“改进自适应模糊C均值算法在负荷特性分类的应用”(电力***自动化,2018)采用基于微分进化自适应优化改进模糊C均值算法，在不同聚类数目下进行了仿真实验，均有着较高的精度。公开号为CN102999876A的专利文献公开了一种典型负荷特性变电站的选取方法，以变电站为负荷特性为研究内容，通过灰色关联分析法计算各负荷类型中所有变电站的关联系数，确定10个典型站点。公开号为CN107194600A的专利文献公开一种电力负荷特性季节分类方法，按照季节划分法把数据打上标签，用随机森林算法构建分类模型，完成机械特性分类。
但是，目前以单个变电站为单位进行日负荷特性的研究不多，且上述算法均从数值相似度角度对日负荷曲线进行分类，利用深度学习从图像形态角度对日负荷曲线进行分类的研究较少，为了解决现有技术中存在的问题，本发明提出一种基于深度学习的变电站日负荷曲线相似度匹配方法。
发明内容
本发明的目的是为克服上述技术不足，本发明提供了一种基于深度学习的变电站日负荷曲线相似度匹配方法，旨在提供一种准确率高，实时性强的负荷特性匹配方法，引入基于改进VGG16的深度学习模型进行相似度匹配，可在保证精度的情况下实现实时匹配，以单个变电站为研究对象，以日负荷数据为研究内容，深度挖掘变电站时间尺度的负荷特性，在完成匹配任务后生成文本文档与图像文档，多角度可视化匹配结果。
为了实现所述目的，本发明采用的具体实施方案如下：
一种基于深度学习的变电站日负荷曲线相似度匹配方法，包括以下步骤：
S1、对变电站的日负荷数据进行聚类得到c个类别的代表性负荷数据；
S2、根据聚类结果生成负荷曲线图像，建立负荷图像数据集；
S3、搭建基于改进的VGG16深度学习模型并在数据集上充分训练；
S4、输入待测数据至训练好的模型进行日负荷曲线类别匹配，并生成可视化文档。
所述步骤S1包括以下子步骤：
S11、设定模糊c均值算法(FCM)的各项参数，包括类别数c，模糊权重指数f，初始聚类中心v，对变电站某年的n个日负荷数据进行聚类；
S12、计算模糊隶属度矩阵u和每个类别的中心v；
S13、计算模糊聚类目标值，判断是否满足条件，满足则终止，不满足则返回步骤S12，目标函数为：
Figure BDA0002312701660000021
其中，J为模糊聚类目标函数，至此可得到c个特征类别。
所述步骤S2包括以下子步骤：
S21、根据聚类结果得到c个类别的日负荷数据；
S22、对每个类别的日负荷数据进行可视化得到日负荷曲线图像，建立日负荷图像数据库，根据每张图像所属类别添加类别标签，所述曲线图像保留坐标轴信息，并采用较粗线条；
S23、对数据库的所有图像按照7:2:1的比例划分为训练集、验证集与测试，所述训练集用于深度学习模型的训练，验证集用于模型的调参，测试集用于验证模型可行性。
所述步骤S21中，日负荷数据以十五分钟为一个节点，共96个节点，每个节点包括330KV有功功率参数。
所述步骤S3包括以下子步骤：
S31、搭建基于改进VGG16的深度学习模型，所述模型包括十三个卷积层、三个全连接层及若干maxpool层，所述三个全连接层中的第一个和第二个全连接的激活函数使用tanh激活函数，公式如下：
Figure BDA0002312701660000031
S32、所述三个全连接层中的第三个全连接层采用softmax激活函数，损失函数采用Focal Loss，其中softmax激活函数如下：
Figure BDA0002312701660000032
Focal Loss损失函数如下：
Figure BDA0002312701660000033
其中：
Figure BDA0002312701660000041
γ＝2；
S33、输入根据聚类结果生成负荷曲线图像，建立负荷图像数据集后得到的训练集图像到基于改进的VGG16的深度学习模型，在冻结第一、第二和第三层卷积层参数的前提下，对整个模型进行迭代训练，并设置迭代次数；
S34、使用Adam优化算法对学习率进行自适应更新，公式如下：
Figure BDA0002312701660000042
Figure BDA0002312701660000043
Figure BDA0002312701660000044
其中，学习步长η为0.001，β1为0.9，β2为0.999，ε为10-8；
S35、在完成设置的迭代次数后，基于改进的VGG16模型训练完成。
所述步骤S4包括以下子步骤：
S41、输入新的日负荷数据至训练好的模型，模型对其进行实时计算并完成相似度匹配；
S42、生成可视化文档，所述可视化文档包括文本文档与图像文档，文本文档对本次负荷特性匹配过程与结果进行记录，图像文档对该日负荷数据与其匹配的特征类别进行曲线化对比。
本发明的有益效果在于：1)引入基于改进的VGG16深度学习模型，从图像形态角度入手，可在保持精度的前提下实现快速训练与实时匹配；
2)以单个变电站为研究对象，以日负荷数据为研究内容，深度挖掘变电站时间尺度的负荷特性；
3)在完成匹配任务后生成文本文档与图像文档，多角度可视化匹配结果。
附图说明
图1为本发明方法流程图。
图2为基于VGG16的日负荷曲线相似度匹配架构。
具体实施方式
以下结合附图对本发明的结构及其有益效果进一步说明。
如图1和图2所示，一种基于深度学习的变电站日负荷曲线相似度匹配方法，包括以下步骤：
步骤一、对变电站的日负荷数据进行聚类得到c个类别的代表性负荷数据；
具体步骤为：
第一步：设定模糊c均值算法(FCM)的各项参数，包括类别数c，模糊权重指数f，初始聚类中心v，对变电站某年的n个日负荷数据进行聚类；
第二步：计算模糊隶属度矩阵u和每个类别的中心v，计算公式如下：
Figure BDA0002312701660000051
第三步：计算模糊聚类目标值，判断是否满足条件，满足则终止，不满足则返回第二步，目标函数为：
Figure BDA0002312701660000052
其中，J为模糊聚类目标函数，至此可得到c个特征类别。
步骤二：根据聚类结果生成负荷曲线图像，建立负荷图像数据集。
步骤二的具体步骤为：
第一步：根据聚类结果得到c个类别的日负荷数据，所述日负荷数据以15分钟为一个节点，共96个节点，每个节点包括330KV有功功率参数。
第二步：对每个类别的日负荷数据进行可视化得到日负荷曲线图像，建立日负荷图像数据库，根据每张图像所属类别添加类别标签，所述曲线图像保留坐标轴信息，并采用较粗线条，统一曲线颜色为黑色。
第三步：对数据库的所有图像按照7:2:1的比例划分为训练集、验证集与测试，所述训练集用于深度学习模型的训练，验证集用于模型的调参，测试集用于验证模型可行性。
步骤三：搭建基于改进的VGG16深度学习模型并在数据集上充分训练。
步骤三的具体步骤为；
第一步：搭建基于改进VGG16的深度学习模型，所述模型包括13个卷积层、3个全连接层及若干maxpool层，所述前两个全连接的激活函数使用tanh激活函数，公式如下：
Figure BDA0002312701660000061
第二步：所述深度学习模型最后一层全连接层采用softmax激活函数，损失函数采用Focal Loss，其中softmax激活函数如下：
Figure BDA0002312701660000062
Focal Loss损失函数如下：
Figure BDA0002312701660000063
其中：
Figure BDA0002312701660000064
γ＝2。
第三步：输入S2步骤得到训练集图像到基于改进的VGG16的深度学习模型，在冻结前3层卷积层参数的前提下，对整个模型进行迭代训练，设置迭代次数为500次。
第四步：使用Adam优化算法对学习率进行自适应更新，公式如下：
Figure BDA0002312701660000071
Figure BDA0002312701660000072
Figure BDA0002312701660000073
其中，学习步长η为0.001，β1为0.9，β2为0.999，ε为10-8。
第五步：在训练VGG16网络时使用多阶段迁移学习策略，在前400次迭代冻结前5个卷积层参数进行训练，后100次迭代微调所有层参数。
第六步：在完成500次迭代或者损失值小于0.01后停止网络训练，基于改进的VGG16模型训练完成，至此，一种基于深度学习的日负荷曲线相似度匹配模型训练完毕。
步骤四：输入待测数据至训练好的模型进行日负荷曲线类别匹配，并生成可视化文档。
步骤4具体包括以下步骤：
第一步：输入新的日负荷数据至训练好的模型，模型对其进行实时计算并完成相似度匹配
第二步：生成可视化文档，所述可视化文档包括文本文档与图像文档，文本文档对本次负荷特性匹配过程与结果进行记录，图像文档对该日负荷数据与其匹配的特征类别进行曲线化对比。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (6)

1.一种基于深度学习的变电站日负荷曲线相似度匹配方法，其特征是包括以下步骤：
S1、对变电站的日负荷数据进行聚类得到c个类别的代表性负荷数据；
S2、根据聚类结果生成负荷曲线图像，建立负荷图像数据集；
S3、搭建基于改进的VGG16深度学习模型并在数据集上充分训练；
S4、输入待测数据至训练好的模型进行日负荷曲线类别匹配，并生成可视化文档。
2.根据权利要求1所述的一种基于深度学习的变电站日负荷曲线相似度匹配方法，其特征在于：所述步骤S1包括以下子步骤：
S11、设定模糊c均值算法(FCM)的各项参数，包括类别数c，模糊权重指数f，初始聚类中心v，对变电站某年的n个日负荷数据进行聚类；
S12、计算模糊隶属度矩阵u和每个类别的中心v；
S13、计算模糊聚类目标值，判断是否满足条件，满足则终止，不满足则返回步骤S12，目标函数为：
Figure FDA0002312701650000011
其中，J为模糊聚类目标函数，至此可得到c个特征类别。
3.根据权利要求1所述的一种基于深度学习的变电站日负荷曲线相似度匹配方法，其特征在于：所述步骤S2包括以下子步骤：
S21、根据聚类结果得到c个类别的日负荷数据；
S22、对每个类别的日负荷数据进行可视化得到日负荷曲线图像，建立日负荷图像数据库，根据每张图像所属类别添加类别标签，所述曲线图像保留坐标轴信息，并采用较粗线条；
S23、对数据库的所有图像按照7:2:1的比例划分为训练集、验证集与测试，所述训练集用于深度学习模型的训练，验证集用于模型的调参，测试集用于验证模型可行性。
4.根据权利要求1所述的一种基于深度学习的变电站日负荷曲线相似度匹配方法，其特征在于：所述步骤S21中，日负荷数据以十五分钟为一个节点，共96个节点，每个节点包括330KV有功功率参数。
5.根据权利要求1所述的一种基于深度学习的变电站日负荷曲线相似度匹配方法，其特征在于：所述步骤S3包括以下子步骤：
S31、搭建基于改进VGG16的深度学习模型，所述模型包括十三个卷积层、三个全连接层及若干maxpool层，所述三个全连接层中的第一个和第二个全连接的激活函数使用tanh激活函数，公式如下：
Figure FDA0002312701650000021
S32、所述三个全连接层中的第三个全连接层采用softmax激活函数，损失函数采用Focal Loss，其中softmax激活函数如下：
Figure FDA0002312701650000022
Focal Loss损失函数如下：
Figure FDA0002312701650000023
其中：
Figure FDA0002312701650000024
γ＝2；
S33、输入根据聚类结果生成负荷曲线图像，建立负荷图像数据集后得到的训练集图像到基于改进的VGG16的深度学习模型，在冻结第一、第二和第三层卷积层参数的前提下，对整个模型进行迭代训练，并设置迭代次数；
S34、使用Adam优化算法对学习率进行自适应更新，公式如下：
Figure FDA0002312701650000031
Figure FDA0002312701650000032
Figure FDA0002312701650000033
其中，学习步长η为0.001，β1为0.9，β2为0.999，ε为10-8；
S35、在完成设置的迭代次数后，基于改进的VGG16模型训练完成。
6.根据权利要求1所述的一种基于深度学习的变电站日负荷曲线相似度匹配方法，其特征在于：所述步骤S4包括以下子步骤：
S41、输入新的日负荷数据至训练好的模型，模型对其进行实时计算并完成相似度匹配；
S42、生成可视化文档，所述可视化文档包括文本文档与图像文档，文本文档对本次负荷特性匹配过程与结果进行记录，图像文档对该日负荷数据与其匹配的特征类别进行曲线化对比。
CN201911265481.8A 2019-12-11 2019-12-11 一种基于深度学习的变电站日负荷曲线相似度匹配方法 Pending CN111192158A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911265481.8A CN111192158A (zh) 2019-12-11 2019-12-11 一种基于深度学习的变电站日负荷曲线相似度匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911265481.8A CN111192158A (zh) 2019-12-11 2019-12-11 一种基于深度学习的变电站日负荷曲线相似度匹配方法

Publications (1)

Publication Number Publication Date
CN111192158A true CN111192158A (zh) 2020-05-22

Family

ID=70710971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911265481.8A Pending CN111192158A (zh) 2019-12-11 2019-12-11 一种基于深度学习的变电站日负荷曲线相似度匹配方法

Country Status (1)

Country Link
CN (1) CN111192158A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418331A (zh) * 2020-11-26 2021-02-26 国网甘肃省电力公司电力科学研究院 一种基于聚类融合的半监督学习伪标签赋值方法
CN114254146A (zh) * 2020-09-21 2022-03-29 京东方科技集团股份有限公司 图像数据的分类方法、装置和***
CN114612744A (zh) * 2022-03-10 2022-06-10 平安科技（深圳）有限公司 一种检测模型训练方法、车辆损伤检测方法及终端设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114254146A (zh) * 2020-09-21 2022-03-29 京东方科技集团股份有限公司 图像数据的分类方法、装置和***
CN112418331A (zh) * 2020-11-26 2021-02-26 国网甘肃省电力公司电力科学研究院 一种基于聚类融合的半监督学习伪标签赋值方法
CN114612744A (zh) * 2022-03-10 2022-06-10 平安科技（深圳）有限公司 一种检测模型训练方法、车辆损伤检测方法及终端设备

Similar Documents

Publication Publication Date Title
Wasanapradit et al. Solving mixed-integer nonlinear programming problems using improved genetic algorithms
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN110212528B (zh) 一种配电网量测数据缺失重构方法
CN109345027B (zh) 基于独立成分分析与支持向量机的微电网短期负荷预测方法
CN111192158A (zh) 一种基于深度学习的变电站日负荷曲线相似度匹配方法
CN112884236B (zh) 一种基于vdm分解与lstm改进的短期负荷预测方法及***
CN105335619A (zh) 适用于高计算代价数值计算模型参数反分析的协同优化法
CN114282646B (zh) 基于两阶段特征提取和改进BiLSTM的光功率预测方法及***
CN114021483A (zh) 基于时域特征与XGBoost的超短期风电功率预测方法
CN112163671A (zh) 一种新能源场景生成方法及***
Yan et al. Trustworthiness evaluation and retrieval-based revision method for case-based reasoning classifiers
CN115358437A (zh) 基于卷积神经网络的供电负荷预测方法
Wang et al. Short-term load forecasting with LSTM based ensemble learning
Zeng et al. Short-term load forecasting of smart grid systems by combination of general regression neural network and least squares-support vector machine algorithm optimized by harmony search algorithm method
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及***
CN112749517A (zh) 一种公差优化分配方法
CN117113086A (zh) 一种储能机组负荷预测方法、***、电子设备及介质
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
CN116523001A (zh) 电网薄弱线路识别模型构建方法、装置和计算机设备
CN111353525A (zh) 一种不均衡不完整数据集的建模及缺失值填补方法
CN116843057A (zh) 基于LSTM-ViT的风电功率超短期预测方法
CN116316629A (zh) 一种考虑拓扑特征学习的数据驱动最优潮流计算方法
CN116303386A (zh) 一种基于关系图谱的缺失数据智能插补方法和***
CN113642784A (zh) 一种计及风机状态的风电功率超短期预测的方法
CN114202106A (zh) 一种基于深度学习的空调***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