CN111783953A - 一种基于优化lstm网络的24点电力负荷值7日预测方法 - Google Patents

一种基于优化lstm网络的24点电力负荷值7日预测方法 Download PDF

Info

Publication number
CN111783953A
CN111783953A CN202010616978.6A CN202010616978A CN111783953A CN 111783953 A CN111783953 A CN 111783953A CN 202010616978 A CN202010616978 A CN 202010616978A CN 111783953 A CN111783953 A CN 111783953A
Authority
CN
China
Prior art keywords
data
value
power load
particle
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.)
Granted
Application number
CN202010616978.6A
Other languages
English (en)
Other versions
CN111783953B (zh
Inventor
张程
黄嘉豪
曹宇佳
陈自郁
古平
毛昕儒
徐郁
杨理
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202010616978.6A priority Critical patent/CN111783953B/zh
Publication of CN111783953A publication Critical patent/CN111783953A/zh
Application granted granted Critical
Publication of CN111783953B publication Critical patent/CN111783953B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/045—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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于优化LSTM网络的24点电力负荷值7日预测方法，包含数据采集、数据分析及数据预处理；划分数据集为训练集和验证集；基于训练集，利用粒子群优化算法PSO对长短期记忆神经网络LSTM进行参数优化，确定适用在本发明的24点电力负荷预测中LSTM网络的隐含层节点数、学***均绝对误差MAE和均方根误差RMSE两个指标，得到模型的预测准确度。通过本发明的预测方法，提高了预测准确性和时效性，预测效果较现有电力负荷预测方法更好。

Description

一种基于优化LSTM网络的24点电力负荷值7日预测方法
技术领域
本发明涉及电力***规划和调度等领域，具体涉及一种基于优化LSTM网络的24点电力负荷值7日预测方法。
背景技术
伴随着电力设备的各方面影响，使得电力负荷预测有着极高的商业和研究价值。准确地预测短期的电力负荷，能够使电力公司及时调整负荷设备，减少资源浪费，提高性能和电力网络的稳定性。电力负荷预测其本质是寻找负荷数据集之间的隐含关系，利用已知的离散数据建立拟合模型，推测未来某一时刻或某一时间段内的数据值。短期电力负荷预测技术一般主要用来预测未来1天至1周的电力负荷，其预测的精度直接影响到电力市场下各运营商的经济成本,因而在现代电力需求侧管理当中占有重要地位。
目前有关短期电力负荷预测的研究已经小有建树，但所用方法针对性较强，普适性较差。因此短期电力负荷研究仍然面临部分问题：(1)数据源异构且维度差异较大，在采集数据时，数据结构不同，数据精度也存在差异；此外，负载数据的维度可能会包含风力、湿度、温度等其他可能影响负荷的因素，导致各地区之间的数据维度差异较大；(2)时序性的负荷数据之间的关系复杂，预测难度较大。电力负荷数据为时序性的数据流，由于影响负荷数据的因素较多，因此数据之间的关系较难模拟；电力负荷数据呈动态变化，也是因为颇多的不确定因素影响，给电力负荷预测带来困难；(3)短期电力负荷预测对时效性要求更高，短期电力负荷预测需要测量未来一周乃至一天的负荷数据，不仅对硬件方面有要求，也对模型的收敛时间和计算速度都有较高的要求。
现有的短期电力负荷预测技术一般主要用来预测未来1天至1周的电力负荷，且数据源异构且维度差异较大、时序性的负荷数据之间的关系复杂，预测难度较大；其次，传统的电力负荷预测方法，例如回归分析、灰色模型、支持向量机、神经网络、时间序列等，但其预测精度和预测时效性无法满足要求；另外，国内外专家将具有快速计算能力、自学习能力的神经网络用于电力负荷预测研究，但神经网络算法的训练模型受参数影响，其训练速度、收敛结果带有不确定性，且容易陷入局部最优结果，预测准确性和时效性不足。
发明内容
针对现有技术中所存在的不足，本发明提出一种基于优化LSTM网络的24点电力负荷值7日预测方法，仅以电力负荷时序数据作为输入，减少其他因素的影响比重，克服了现有短期电力负荷预测方法中数据源异构且维度差异较大的缺陷；并通过粒子群优化算法PSO来优化LSTM网络，确定适用在本发明的24点电力负荷预测中LSTM网络的参数，并基于优化的LSTM网络来预测7日24点的电力负荷值，提高了电力负荷预测方法的准确性和时效性，解决了现有技术中短期电力负荷预测技术中存在的数据源异构且维度差异较大、时序性的负荷数据之间的关系复杂，预测难度较大、预测准确性和时效性不足的技术问题。
为实现上述目的，本发明用了如下的技术方案：
一种基于优化LSTM网络的24点电力负荷值7日预测方法，其特征在于，包括如下步骤：
步骤S1、获取历史电力负荷数据集，数据集采样间隔为60分钟，即每日24点负荷值；
步骤S2、数据分析：获取的电力负荷数据间具有很强的时间相关性，呈现出平稳的周期性变化，通过绘制电力负荷曲线图，得到电力负荷数据的一些普适特性，包括波动性，连续性，周期性，掌握电力负荷的周周期性和日周期性规律，为短期电力负荷预测的研究提供更准确的数据支撑；
步骤S3、数据预处理：
步骤S31、补齐缺失数据：负荷值应该为正整数，若为负数或“0”，则视为数据丢失，利用前一天当前时刻的负荷值与当天前一时刻的负荷值组合的方式处理缺失数据，具体公式如下：
X(d,t)＝aX(d-1,t)+a′X(d,t-1) (1.1)
其中，X(d,t)表示d日期t时刻的电力负荷数据值，a、a′分别表示对应的数据的权重；
步骤S32、处理异常数据：利用电力负荷数据的周期性特性进行垂直和水平两个方面上的异常数据的排查与修正，其中，
垂直处理方法：利用负荷数据与前一天同一时刻的历史数据有较强的关联性，根据当前数据与前一天同一时刻的历史数据进行误差计算，若超过阈值，则根据当天负荷平均值与前一天当前历史数据值按比例计算后进行替换；具体计算过程如下：
首先判断当前数据是否是异常数据，计算：
|(X(d,t)-X(d-1,t))/X(d,t)|＝θ1(t) (1.2)
θ1(t)＞ρ1 (1.3)
其中X(d,t)表示d日期t时刻的电力负荷数据值，θ1(t)为数据间的绝对变化率，ρ1为阈值，若θ1(t)超过阈值ρ1，表示当前为异常数据；否则表示为正常数据；对异常数进行垂直处理按照式1.4和式1.5进行：
X(d,t)＝b1X(d-1,t)+b2X(d+1,t)+b3K(d-1)+b4K(d+1) (1.4)
Figure BDA0002563343590000031
其中为b1、b2、b3、b4为权重，K(d)为日期d的平均负荷值，n为[0,24]的正整数；对电力负荷数据集中相邻两天同一时刻的数据按照式1.2计算θ1(t)，得到θ1(t)取值范围，θ1(t)大于1时则表示负荷数据较上一天同一时刻增长或减少逾1倍，根据θ1(t)的取值分布和电力负荷数据特征，确定ρ1的值；
水平处理方法：根据相邻两个时刻的负荷值进行误差判定，若相差超过一定阈值，则判定为误差数据，根据负荷曲线的连续性，将其替换为相邻数据的平均值，具体计算过程如下：
若d日期t时刻的电力负荷数据值与相邻负荷值计算绝对误差：
Figure BDA0002563343590000032
判断绝对误差是否在阈值范围内：
Figure BDA0002563343590000033
若式1.7中任意一个判断成立，则该点为异常点，需要按照式1.8进行水平平滑处理；若式1.7中皆不成立，则为正常数据；
Figure BDA0002563343590000041
其中，X(d,t)表示d日期t时刻的电力负荷数据值，θ2(t)、θ3(t)为当前时刻分别与前、后时刻的误差变化率，ρ2为阈值；根据式1.6对原始电力负荷数据进行前后时刻误差变化率计算，根据θ2(t)、θ3(t)的取值范围和分布情况，得到阈值ρ2；
步骤S33、数据标准化：对完成缺失、异常处理后的数据集进行z-score标准化处理；
步骤S4、划分数据集为训练集和验证集；
步骤S5、优化长短期记忆神经网络LSTM模型：利用粒子群优化算法PSO对长短期记忆神经网络LSTM进行参数优化，得到优化LSTM模型；
PSO算法使用速度和位置搜索模型，包括一定数量的粒子、用于表示空间候选解的每个粒子的位置以及用于更新粒子位置的每个粒子的速度；在D维空间中进行搜索时，第i个粒子的位置矢量和速度矢量表示为xi＝(xi1,xi2,...,xiD)和vi＝(vi1,vi2,...viD)，其中D维即优化参数的总数；每个粒子的适应度值由要优化的目标函数确定；且每个粒子都保持其自己的历史最佳位置(pi)和迄今为止发现的全局最佳位置(pg)，即记忆能力；开始时，粒子的位置和速度在建议的范围内任意分配；然后，利用以下公式通过迭代来改善其下一步操作：
Figure BDA0002563343590000042
Figure BDA0002563343590000043
其中，k是迭代次数，i是粒子数，d是搜索方向，d的取值范围为[1,D]，w是惯性权重，pid是单个粒子的最佳位置，pgd是所有粒子的全局最佳位置，vid表示d维中第i个粒子的速度，xid表示d维中第i个粒子的位置；c1、c2是两个正常数，表示学习因子，r1和r2分别是[0，1]范围内的两个随机数；
利用PSO算法对LSTM网络在训练前需要输入的隐含层节点数、学习率和迭代次数这三个参数进行优化，具体步骤如下：
步骤S51、对PSO参数进行初始化，设置粒子数i、迭代次数k、学习因子c1和c2、惯性权重w以及粒子速度和位置vid和xid的取值范围；
步骤S52、对粒子的位置和速度进行初始化，初始化种群粒子xi(h,ε,n)，其中h、ε、n分别隐含层节点数、学习率和迭代次数；
步骤S53、确定粒子的适应度值，取LSTM模型在测试数据集上的均方根误差作为粒子的适应度值；适应度函数定义为：
Figure BDA0002563343590000051
′
其中，测试数据集为训练集的部分或全部；N为预测数据集大小，xi为预测数据，yi为验证数据；
步骤S54、计算每个粒子位置xi其对应的适应度值，初始化粒子个体最佳位置pi和全局最佳位置pg，将每个粒子的最佳位置记录为其自己的历史最佳位置pi；
步骤S55、迭代计算式1.9和式1.10更新粒子的自身速度和位置，计算式1.11更新适应度值、粒子个体最佳位置pi和全局最佳位置pg；
步骤S56、判断终止条件，满足最大迭代次数时输出当前计算所得的全局最佳位置作为LSTM网络的初始参数；
步骤S6、利用上述分割好的训练集作为输入，模型预测输出为7天，每天24条的电力负荷数据；再根据模型输出的电力负荷数据与验证集做比较，结合平均绝对误差MAE和均方根误差RMSE两个指标，计算得到模型的预测准确度。
相比于现有技术，本发明具有如下有益效果：
1.本发明仅以电力负荷时序数据作为输入，减少其他因素的影响比重，克服了现有短期电力负荷预测方法中数据源异构且维度差异较大的缺陷。
2.本发明通过对负荷数据进行分析，获取的电力负荷数据间具有很强的时间相关性，呈现出平稳的周期性变化，通过绘制电力负荷曲线图，得到电力负荷数据的一些普适特性，包括波动性，连续性，周期性，掌握电力负荷的周周期性和日周期性规律，为短期电力负荷预测的研究提供更准确的数据支撑。另外，对历史负荷数据进行数据预处理操作，包括缺失数据补齐、异常数据排查与修正、数据标准化，获得了有效的数据，消除了误差或缺失数据对预测结果的影响，此外，对历史负荷数据进行标准化处理克服了电力负荷数据波动性较大的缺陷，使得神经网络在训练过程中，保证节点的输出值在激活函数的适合范围内。
3.本发明利用粒子群优化算法PSO对长短期记忆神经网络LSTM进行参数优化，确定适用在本发明的24点电力负荷预测中LSTM网络的隐含层节点数、学习率和迭代次数这三个参数的最优值，并基于优化的LSTM网络来预测未来7日24点的电力负荷值，相对于现有的基于LSTM以及基于RNN的电力负荷预测方法，大大提高了预测精准性和时效性。
附图说明
图1为本发明的基于优化LSTM网络的24点电力负荷值7日预测方法的流程示意图；
图2为2017年6月14日-16日电力负荷缺失数据处理前后对比图；
图3为PSO-LSTM与LSTM网络预测2017年5月22日-5月29日的电力负荷数据预测曲线图；
图4为PSO-LSTM与LSTM网络预测2017年5月22日-5月29日的电力负荷数据误差率对比图；
图5为PSO-LSTM模型与RNN预测2017年5月22日-5月29日的电力负荷预测数据对比图。
具体实施方式
下面结合附图及实施例对本发明中的技术方案进一步说明。
如图1所示，本发明提出了一种基于优化LSTM网络的24点电力负荷值7日预测方法，包含以下步骤；
步骤S1、获取历史电力负荷数据集，实验数据来源于重庆电网敖山变电站1#主变压器的电力负荷数据，数据集采样间隔为60分钟，即每日24点负荷值。数据集包含了从2014年11月27日至2017年12月31日3年多的负荷数据，共计27144条。
步骤S2、数据分析：获取的电力负荷数据间具有很强的时间相关性，呈现出平稳的周期性变化，通过绘制电力负荷曲线图，得到电力负荷数据的一些普适特性，包括波动性，连续性，周期性，掌握电力负荷的周周期性和日周期性规律，为短期电力负荷预测的研究提供更准确的数据支撑。
步骤S3、数据预处理：
步骤S31、补齐缺失数据：负荷值应该为正整数，若为负数或“0”，则视为数据丢失，利用前一天当前时刻的负荷值与当天前一时刻的负荷值组合的方式处理缺失数据，具体公式如下：
X(d,t)＝aX(d-1,t)+a′X(d,t-1) (1.1)
其中，X(d,t)表示d日期t时刻的电力负荷数据值，a、a′分别表示对应的数据的权重，本实施例中都取0.5。
将缺失数据补齐，以2017年6月14日、6月15日和6月16日的数据作为实例分析，在进行缺失数据处理前，负荷曲线如图2(a)所示，由图可以看出，6月15日数据在9点之后出现了缺失，6月16日数据也在0点到3点出现了缺失。处理后数据如图2(b)所示，可见经过缺失数据补齐后，负荷曲线基本符合上述的电力负荷数据特征。
步骤S32、处理异常数据：利用电力负荷数据的周期性特性进行垂直和水平两个方面上的异常数据的排查与修正，其中，
垂直处理方法：利用负荷数据与前一天同一时刻的历史数据有较强的关联性，根据当前数据与前一天同一时刻的历史数据进行误差计算，若超过阈值，则根据当天负荷平均值与前一天当前历史数据值按比例计算后进行替换；具体计算过程如下：
首先判断当前数据是否是异常数据，计算：
|(X(d,t)-X(d-1,t))/X(d,t)|＝θ1(t) (1.2)
θ1(t)＞ρ1 (1.3)
其中X(d,t)表示d日期t时刻的电力负荷数据值，θ1(t)为数据间的绝对变化率，ρ1为阈值，若θ1(t)超过阈值ρ1，表示当前为异常数据；否则表示为正常数据；对异常数进行垂直处理按照式1.4和式1.5进行：
X(d,t)＝b1X(d-1,t)+b2X(d+1,t)+b3K(d-1)+b4K(d+1) (1.4)
Figure BDA0002563343590000071
其中为b1、b2、b3、b4为权重，取0.25，K(d)为日期d的平均负荷值，n为[0,24]的正整数，本实施例n取24；对电力负荷数据集中相邻两天同一时刻的数据按照式1.2计算θ1(t)，得到θ1(t)取值范围，θ1(t)大于1时则表示负荷数据较上一天同一时刻增长或减少逾1倍，根据θ1(t)的取值分布和电力负荷数据特征，确定ρ1的值；
水平处理方法：根据相邻两个时刻的负荷值进行误差判定，若相差超过一定阈值，则判定为误差数据，根据负荷曲线的连续性，将其替换为相邻数据的平均值，具体计算过程如下：
若d日期t时刻的电力负荷数据值与相邻负荷值计算绝对误差：
Figure BDA0002563343590000081
判断绝对误差是否在阈值范围内：
Figure BDA0002563343590000082
若式1.7中任意一个判断成立，则该点为异常点，需要按照式1.8进行水平平滑处理；若式1.7中皆不成立，则为正常数据；
Figure BDA0002563343590000083
其中，X(d,t)表示d日期t时刻的电力负荷数据值，θ2(t)、θ3(t)为当前时刻分别与前、后时刻的误差变化率，ρ2为阈值；根据式1.6对原始电力负荷数据进行前后时刻误差变化率计算，根据θ2(t)、θ3(t)的取值范围和分布情况，得到阈值ρ2；
经过对原始数据进行缺失和异常数据处理之后，能够替换掉由于人工计算失误、设备故障或线路检修等原因造成的“毛刺”数据，得到更为科学的历史数据样本。利用上述方法对原始电力负荷数据集进行处理后，异常和缺失数据经过处理后已基本符合电力负荷数据曲线的特性。
步骤S33、数据标准化：对完成缺失、异常处理后的数据集进行z-score标准化处理；
步骤S4、划分数据集为训练集和验证集。
步骤S5、优化长短期记忆神经网络LSTM模型：利用粒子群优化算法PSO对长短期记忆神经网络LSTM进行参数优化，得到优化LSTM模型；
PSO算法使用速度和位置搜索模型，包括一定数量的粒子、用于表示空间候选解的每个粒子的位置以及用于更新粒子位置的每个粒子的速度；在D维空间中进行搜索时，第i个粒子的位置矢量和速度矢量表示为xi＝(xi1,xi2,...,xiD)和vi＝(vi1,vi2,...viD)，其中D维即优化参数的总数；每个粒子的适应度值由要优化的目标函数确定；且每个粒子都保持其自己的历史最佳位置(pi)和迄今为止发现的全局最佳位置(pg)，即记忆能力；开始时，粒子的位置和速度在建议的范围内任意分配；然后，利用以下公式通过迭代来改善其下一步操作：
Figure BDA0002563343590000091
Figure BDA0002563343590000092
其中，k是迭代次数，i是粒子数，d是搜索方向，d的取值范围为[1,D]，w是惯性权重，pid是单个粒子的最佳位置，pgd是所有粒子的全局最佳位置，vid表示d维中第i个粒子的速度，xid表示d维中第i个粒子的位置；c1、c2是两个正常数，表示学习因子，r1和r2分别是[0，1]范围内的两个随机数。
利用PSO算法对LSTM网络在训练前需要输入的隐含层节点数、学习率和迭代次数这三个参数进行优化，具体步骤如下：
步骤S51、对PSO参数进行初始化，设置粒子数i、迭代次数k、学习因子c1和c2、惯性权重w以及粒子速度和位置vid和xid的取值范围；
步骤S52、对粒子的位置和速度进行初始化，初始化种群粒子xi(h,ε,n)，其中h、ε、n分别隐含层节点数、学习率和迭代次数；
步骤S53、确定粒子的适应度值，取LSTM模型在测试数据集上的均方根误差作为粒子的适应度值；适应度函数定义为：
Figure BDA0002563343590000093
其中，测试数据集为训练集的部分或全部；N为预测数据集大小，x′i为预测数据，yi为验证数据；
步骤S54、计算每个粒子位置xi其对应的适应度值，初始化粒子个体最佳位置pi和全局最佳位置pg，将每个粒子的最佳位置记录为其自己的历史最佳位置pi；
步骤S55、迭代计算式1.9和式1.10更新粒子的自身速度和位置，计算式1.11更新适应度值、粒子个体最佳位置pi和全局最佳位置pg；
步骤S56、判断终止条件，满足最大迭代次数时输出当前计算所得的全局最佳位置作为LSTM网络的初始参数；
步骤S6、利用上述分割好的训练集作为输入，模型预测输出为7天，每天24条的电力负荷数据；再根据模型输出的电力负荷数据与验证集做比较，结合平均绝对误差MAE和均方根误差RMSE两个指标，计算得到模型的预测准确度。
本实施例中，步骤S33具体为：利用原始数据的均值和标准差进行数据标准化，需要首先计算样本的均值和标准差，具体计算方法如下：
Figure BDA0002563343590000101
Figure BDA0002563343590000102
Figure BDA0002563343590000103
其中，x表示原始数据值，x′i表示归一化后数据值，
Figure BDA0002563343590000104
表示原始样本的均值，δ表示原始样本的标准差。
另外，LSTM模型的组成及各部分计算步骤为：LSTM拥有具有四个网络层的重复模块，即LSTM的记忆单元结构；细胞的状态能够随时间流动，作为LSTM中新增加的一路输入输出，细胞状态可以决定保留与遗忘的信息；LSTM的记忆单元结构由遗忘门、输入门、输出门、细胞状态构成。各部分的计算过程如下：
①遗忘门的网络层决定细胞状态中需要舍弃的信息，接收上一个状态的输出和t时刻的网络输入xt，计算如下：
ft＝σ(Wxfxt+Whfht-1+bf) (1.15)
其中，ft表示遗忘门的输出，σ表示激活函数，Wxf为输入层到当前模块的权重，Whf为第t-1个模块到当前模块的权重，ht-1为上一个时刻的输出，bf为当前遗忘门阈值。
②输入门确定需要在细胞状态中保存哪些新信息，计算公式如下：
it＝σ(Wxixt+Whtht-1+bi) (1.16)
Figure BDA0002563343590000105
公式1.16确定需要更新的信息，公式1.17创建添加到细胞状态的备选值向量。其中，it表示输入门的输出，Wxi、Whi分别为输入层到当前权值、上一时刻单元与输入模块的权值，bi表示当前输入门的阈值，Wxc、Whc分别为输入层到当前细胞状态和上一时刻输出到当前细胞状态的权重，bc为当前细胞状态的阈值。
③细胞状态更新。对旧的细胞状态进行更新，决定需要忘记的信息，计算公式如下：
Figure BDA0002563343590000111
其中，ct为表示当前细胞状态的值，一般介于0到1之间，趋近于1则表示遗忘得少，趋近于0则表示遗忘得多。
Figure BDA0002563343590000113
表示进行逐点乘积。
④输出门确定最后的输出值，其计算公式如下：
ot＝σ(Wxoxt+Whoct-1+bo) (1.19)
Figure BDA0002563343590000112
公式1.19确定细胞状态中的可输出数据，公式1.20根据细胞状态和细胞状态中的可输出数据确定最终的输出。Wxo、Who分别为输出层到当前细胞状态、上一时刻输出到当前细胞状态的权重，bo表示输出门阈值，ot为输出门的输出，ht为最终LSTM在t时刻的输出。
本具体实施例中，实验模型基于Matlab R2019a搭建，根据图1中模型设计框架，实验前首先对PSO参数设置：设置粒子数(式1.9中i)为150，迭代次数(式1.9中k)为1000，学习因子(式1.9中c1和c2)为2，惯性权重(式1.9中w)为0.5。粒子速度(式1.9中vid)的取值范围为[-5,5]、[-0.0005,0.0005]、[-10,10]，初始化粒子xi(h,ε,n)中，h、ε、n的取值范围分别为：[1,100]、[0.001,0.01]、[500,1000]。LSTM的输入和输出均为1维电力负荷数据集，故LSTM的输入层节点个数和输出层节点个数均为1，激活函数使用Sigmoid函数，权重优化使用Adam函数，作为对比的优化前的LSTM模型设置学习率为0.001，迭代次数1000次。
以2017年4月12日至5月21日的电力负荷数据作为预测数据集预测5月22日至5月29日为期一周的每日24点数据为例。优化后的PSO-LSTM和LSTM两种模型的预测数据与真实数据对比图如图3所示，两种模型与真实数据之间的预测误差如图4所示。
从上述图3和图4可以看出，优化后的PSO-LSTM模型相比于优化前的LSTM模型，在为期一周的短期电力负荷预测实验上，预测每日24点负荷值更精确。根据预测值与真实值之间的绝对差，与真实值相比得到误差率。从误差率上分析，改进后的PSO-LSTM模型误差范围更小且波动平缓，优化前的LSTM模型误差范围更大且波动更大。因此可以得出，优化后的PSO-LSTM模型与真实值之间的误差更小。
利用上述优化后的PSO-LSTM模型对比RNN模型对上述同样的实验数据进行计算，得到两种模型的预测结果如图5所示。从图5使用RNN和优化后的PSO-LSTM模型对比预测结果可以看出，RNN模型预测值从曲线图上看大致符合验证集的波动规律，但PSO-LSTM模型预测的预测值从曲线图上看更为拟合验证集曲线。
RNN和PSO-LSTM模型预测7日每日24点电力负荷数据，其预测数据与验证集的两个评价指标计算如表1所示：
表1RNN和PSO-LSTM模型预测一周的每日24点电力负荷数据误差对比
Figure BDA0002563343590000121
根据上述两个评价指标可以看出，RNN模型相比改进后的PSO-LSTM模型误差更大，且误差更加离散。实验可以证明，改进后的PSO-LSTM模型相比RNN模型预测准确度更高。
为了更直观的展示PSO-LSTM模型的性能，实验利用优化前LSTM网络和优化后的PSO-LSTM网络进行对比。共随机抽取10组训练集，得到的两种模型预测误差如表2和表3所示。
表2两种模型预测一周的24点电力负荷数据平均绝对误差对比表
Figure BDA0002563343590000122
表3两种模型预测一周的24点电力负荷数据均方根误差对比表
Figure BDA0002563343590000123
Figure BDA0002563343590000131
从上述两表中可以看出，经过10次随机实验，LSTM模型的平均绝对误差在[2.5，4]之间，均方根误差在[3，4.5]之间；优化后的PSO-LSTM的平均绝对误差在[1.5，2.5]之间，均方根误差在[1.5，3]之间。根据以上两个判断指标，可以判断利用粒子群算法优化后的LSTM模型的预测准确度优于优化前的模型。
LSTM模型的在迭代次数达到895时达到预设的损失值，而优化后的LSTM模型总体迭代次数为855次，且在迭代达到766时适应度值不再下降。优化后的LSTM模型能够更加迅速地逼近适应度值，表明优化后的LSTM模型收敛速度更快，在预测准确性和效率上均有提高。

Claims (3)

1.一种基于优化LSTM网络的24点电力负荷值7日预测方法，其特征在于，包括如下步骤：
步骤S1、获取历史电力负荷数据集，数据集采样间隔为60分钟，即每日24点负荷值；
步骤S2、数据分析：获取的电力负荷数据间具有很强的时间相关性，呈现出平稳的周期性变化，通过绘制电力负荷曲线图，得到电力负荷数据的一些普适特性，包括波动性，连续性，周期性，掌握电力负荷的周周期性和日周期性规律，为短期电力负荷预测的研究提供更准确的数据支撑；
步骤S3、数据预处理：
步骤S31、补齐缺失数据：负荷值应该为正整数，若为负数或“0”，则视为数据丢失，利用前一天当前时刻的负荷值与当天前一时刻的负荷值组合的方式处理缺失数据，具体公式如下：
X(d,t)＝aX(d-1,t)+a′X(d,t-1) (1.1)
其中，X(d,t)表示d日期t时刻的电力负荷数据值，a、a′分别表示对应的数据的权重；
步骤S32、处理异常数据：利用电力负荷数据的周期性特性进行垂直和水平两个方面上的异常数据的排查与修正，其中，
垂直处理方法：利用负荷数据与前一天同一时刻的历史数据有较强的关联性，根据当前数据与前一天同一时刻的历史数据进行误差计算，若超过阈值，则根据当天负荷平均值与前一天当前历史数据值按比例计算后进行替换；具体计算过程如下：
首先判断当前数据是否是异常数据，计算：
|(X(d,t)-X(d-1,t))/X(d,t)|＝θ1(t) (1.2)
θ1(t)＞ρ1 (1.3)
其中X(d,t)表示d日期t时刻的电力负荷数据值，θ1(t)为数据间的绝对变化率，ρ1为阈值，若θ1(t)超过阈值ρ1，表示当前为异常数据；否则表示为正常数据；对异常数进行垂直处理按照式1.4和式1.5进行：
X(d,t)＝b1X(d-1,t)+b2X(d+1,t)+b3K(d-1)+b4K(d+1) (1.4)
Figure FDA0002563343580000021
其中为b1、b2、b3、b4为权重，K(d)为日期d的平均负荷值，n为[0,24]的正整数；对电力负荷数据集中相邻两天同一时刻的数据按照式1.2计算θ1(t)，得到θ1(t)取值范围，θ1(t)大于1时则表示负荷数据较上一天同一时刻增长或减少逾1倍，根据θ1(t)的取值分布和电力负荷数据特征，确定ρ1的值；
水平处理方法：根据相邻两个时刻的负荷值进行误差判定，若相差超过一定阈值，则判定为误差数据，根据负荷曲线的连续性，将其替换为相邻数据的平均值，具体计算过程如下：
若d日期t时刻的电力负荷数据值与相邻负荷值计算绝对误差：
Figure FDA0002563343580000022
判断绝对误差是否在阈值范围内：
Figure FDA0002563343580000023
若式1.7中任意一个判断成立，则该点为异常点，需要按照式1.8进行水平平滑处理；若式1.7中皆不成立，则为正常数据；
Figure FDA0002563343580000024
其中，X(d,t)表示d日期t时刻的电力负荷数据值，θ2(t)、θ3(t)为当前时刻分别与前、后时刻的误差变化率，ρ2为阈值；根据式1.6对原始电力负荷数据进行前后时刻误差变化率计算，根据θ2(t)、θ3(t)的取值范围和分布情况，得到阈值ρ2；
步骤S33、数据标准化：对完成缺失、异常处理后的数据集进行z-score标准化处理；
步骤S4、划分数据集为训练集和验证集；
步骤S5、优化长短期记忆神经网络LSTM模型：利用粒子群优化算法PSO对长短期记忆神经网络LSTM进行参数优化，得到优化LSTM模型；
PSO算法使用速度和位置搜索模型，包括一定数量的粒子、用于表示空间候选解的每个粒子的位置以及用于更新粒子位置的每个粒子的速度；在D维空间中进行搜索时，第i个粒子的位置矢量和速度矢量表示为xi＝(xi1,xi2,...,xiD)和vi＝(vi1,vi2,...viD)，其中D维即优化参数的总数；每个粒子的适应度值由要优化的目标函数确定；且每个粒子都保持其自己的历史最佳位置(pi)和迄今为止发现的全局最佳位置(pg)，即记忆能力；开始时，粒子的位置和速度在建议的范围内任意分配；然后，利用以下公式通过迭代来改善其下一步操作：
Figure FDA0002563343580000031
Figure FDA0002563343580000032
其中，k是迭代次数，i是粒子数，d是搜索方向，d的取值范围为[1,D]，w是惯性权重，pid是单个粒子的最佳位置，pgd是所有粒子的全局最佳位置，vid表示d维中第i个粒子的速度，xid表示d维中第i个粒子的位置；c1、c2是两个正常数，表示学习因子，r1和r2分别是[0，1]范围内的两个随机数；
利用PSO算法对LSTM网络在训练前需要输入的隐含层节点数、学习率和迭代次数这三个参数进行优化，具体步骤如下：
步骤S51、对PSO参数进行初始化，设置粒子数i、迭代次数k、学习因子c1和c2、惯性权重w以及粒子速度和位置vid和xid的取值范围；
步骤S52、对粒子的位置和速度进行初始化，初始化种群粒子xi(h,ε,n)，其中h、ε、n分别隐含层节点数、学习率和迭代次数；
步骤S53、确定粒子的适应度值，取LSTM模型在测试数据集上的均方根误差作为粒子的适应度值；适应度函数定义为：
Figure FDA0002563343580000033
其中，测试数据集为训练集的部分或全部；N为预测数据集大小，xi′为预测数据，yi为验证数据；
步骤S54、计算每个粒子位置xi其对应的适应度值，初始化粒子个体最佳位置pi和全局最佳位置pg，将每个粒子的最佳位置记录为其自己的历史最佳位置pi；
步骤S55、迭代计算式1.9和式1.10更新粒子的自身速度和位置，计算式1.11更新适应度值、粒子个体最佳位置pi和全局最佳位置pg；
步骤S56、判断终止条件，满足最大迭代次数时输出当前计算所得的全局最佳位置作为LSTM网络的初始参数；
步骤S6、利用上述分割好的训练集作为输入，模型预测输出为7天，每天24条的电力负荷数据；再根据模型输出的电力负荷数据与验证集做比较，结合平均绝对误差MAE和均方根误差RMSE两个指标，计算得到模型的预测准确度。
2.根据权利要求1所述的基于优化LSTM网络的24点电力负荷值7日预测方法，其特征在于，步骤S33具体为：利用原始数据的均值和标准差进行数据标准化，需要首先计算样本的均值和标准差，具体计算方法如下：
Figure FDA0002563343580000041
Figure FDA0002563343580000042
Figure FDA0002563343580000043
其中，x表示原始数据值，xi′表示归一化后数据值，
Figure FDA0002563343580000044
表示原始样本的均值，δ表示原始样本的标准差。
3.根据权利要求1所述的基于优化LSTM网络的24点电力负荷值7日预测方法，其特征在于，LSTM模型的组成及各部分计算步骤为：
LSTM拥有具有四个网络层的重复模块，即LSTM的记忆单元结构；细胞的状态能够随时间流动，作为LSTM中新增加的一路输入输出，细胞状态可以决定保留与遗忘的信息；LSTM的记忆单元结构由遗忘门、输入门、输出门、细胞状态构成。
CN202010616978.6A 2020-06-30 2020-06-30 一种基于优化lstm网络的24点电力负荷值7日预测方法 Active CN111783953B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010616978.6A CN111783953B (zh) 2020-06-30 2020-06-30 一种基于优化lstm网络的24点电力负荷值7日预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010616978.6A CN111783953B (zh) 2020-06-30 2020-06-30 一种基于优化lstm网络的24点电力负荷值7日预测方法

Publications (2)

Publication Number Publication Date
CN111783953A true CN111783953A (zh) 2020-10-16
CN111783953B CN111783953B (zh) 2023-08-11

Family

ID=72760379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010616978.6A Active CN111783953B (zh) 2020-06-30 2020-06-30 一种基于优化lstm网络的24点电力负荷值7日预测方法

Country Status (1)

Country Link
CN (1) CN111783953B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348070A (zh) * 2020-10-30 2021-02-09 广东电网有限责任公司电力调度控制中心 一种智能电网中短期负荷预测方法及***
CN112633604A (zh) * 2021-01-04 2021-04-09 重庆邮电大学 一种基于i-lstm的短期用电量预测方法
CN112651543A (zh) * 2020-11-10 2021-04-13 沈阳工程学院 一种基于vmd分解与lstm网络的日用电量预测方法
CN112711903A (zh) * 2020-12-16 2021-04-27 广西电网有限责任公司梧州供电局 一种用户侧电力负荷的智能优化预测方法及***
CN112734128A (zh) * 2021-01-19 2021-04-30 重庆大学 一种基于优化rbf的7日电力负荷峰值预测方法
CN113139605A (zh) * 2021-04-27 2021-07-20 武汉理工大学 基于主成分分析和lstm神经网络的电力负荷预测方法
CN113239029A (zh) * 2021-05-18 2021-08-10 国网江苏省电力有限公司镇江供电分公司 一种电能表缺失日冻结数据的补全方法
CN113295635A (zh) * 2021-05-27 2021-08-24 河北先河环保科技股份有限公司 一种基于动态更新数据集的水质污染报警方法
CN113420584A (zh) * 2021-03-16 2021-09-21 国网河南省电力公司安阳供电公司 基于遗传优化神经网络的负荷识别方法、装置和存储介质
CN113627724A (zh) * 2021-07-02 2021-11-09 江苏能电科技有限公司 电量合理分配的方法、装置、存储介质及太阳能路灯设备
CN113657668A (zh) * 2021-08-17 2021-11-16 西南科技大学 基于lstm网络的电力负荷预测方法及***
CN113962454A (zh) * 2021-10-18 2022-01-21 长江勘测规划设计研究有限责任公司 基于双重特征选择+粒子群优化的lstm能耗预测方法
CN114202065A (zh) * 2022-02-17 2022-03-18 之江实验室 一种基于增量式演化lstm的流数据预测方法及装置
CN114219139A (zh) * 2021-12-07 2022-03-22 国网湖北省电力有限公司宜昌供电公司 基于注意力机制的dwt-lstm电力负荷预测方法
CN114234392A (zh) * 2021-11-14 2022-03-25 国网辽宁省电力有限公司锦州供电公司 一种基于改进pso-lstm的空调负荷精细预测方法
CN116667326A (zh) * 2023-05-30 2023-08-29 淮阴工学院 一种电动汽车充电负荷预测方法
TWI821641B (zh) * 2021-03-12 2023-11-11 殷祐科技股份有限公司 人工智慧生產製造節能管理系統及其方法
CN117578465A (zh) * 2024-01-16 2024-02-20 山东建筑大学 一种多尺度可解释的微电网电力负荷预测方法及***

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102270309A (zh) * 2011-07-27 2011-12-07 华北电力大学 一种基于集成学习的短期电力负荷预测方法
CN105354646A (zh) * 2015-12-04 2016-02-24 福州大学 一种混合粒子群优化与极限学习机的电力负荷预测方法
CN107464015A (zh) * 2017-07-21 2017-12-12 南京林洋电力科技有限公司 一种基于用电行为的具备熔断机制的短期负荷以及电量预测方法
CN107563539A (zh) * 2017-07-24 2018-01-09 佛山市顺德区中山大学研究院 基于机器学习模型的短期和中长期电力负荷预测方法
CN108549960A (zh) * 2018-04-20 2018-09-18 国网重庆市电力公司永川供电分公司 一种24小时电力负荷预测方法
US20190025813A1 (en) * 2016-05-09 2019-01-24 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
CN109272139A (zh) * 2018-07-24 2019-01-25 东华大学 一种基于非线性集成深度学习的短期风速预测方法
CN109462520A (zh) * 2018-11-19 2019-03-12 电子科技大学 基于lstm模型的网络流量资源态势预测方法
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
US20200073342A1 (en) * 2018-08-28 2020-03-05 Johnson Controls Technology Company Cloud based building energy optimization system with a dynamically trained load prediction model

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102270309A (zh) * 2011-07-27 2011-12-07 华北电力大学 一种基于集成学习的短期电力负荷预测方法
CN105354646A (zh) * 2015-12-04 2016-02-24 福州大学 一种混合粒子群优化与极限学习机的电力负荷预测方法
US20190025813A1 (en) * 2016-05-09 2019-01-24 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
CN107464015A (zh) * 2017-07-21 2017-12-12 南京林洋电力科技有限公司 一种基于用电行为的具备熔断机制的短期负荷以及电量预测方法
CN107563539A (zh) * 2017-07-24 2018-01-09 佛山市顺德区中山大学研究院 基于机器学习模型的短期和中长期电力负荷预测方法
CN108549960A (zh) * 2018-04-20 2018-09-18 国网重庆市电力公司永川供电分公司 一种24小时电力负荷预测方法
CN109272139A (zh) * 2018-07-24 2019-01-25 东华大学 一种基于非线性集成深度学习的短期风速预测方法
US20200073342A1 (en) * 2018-08-28 2020-03-05 Johnson Controls Technology Company Cloud based building energy optimization system with a dynamically trained load prediction model
CN109462520A (zh) * 2018-11-19 2019-03-12 电子科技大学 基于lstm模型的网络流量资源态势预测方法
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
TAE-YOUNG KIM ET AL.: "Particle Swarm Optimization-based CNN-LSTM Networks for Forecasting Energy Consumption", 《2019 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION (CEC)》, pages 1510 - 1516 *
曹宇佳: "基于神经网络的短期电力负荷预测应用研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 4, pages 042 - 738 *
曹彦等: "灰色模型和最小二乘支持向量机在短期负荷组合预测中的应用", 许昌学院学报, vol. 32, no. 5, pages 32 - 37 *
苏舟等: "电力负荷数据预处理研究及应用", 《电网与清洁能源》, vol. 33, no. 05, pages 40 - 43 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348070A (zh) * 2020-10-30 2021-02-09 广东电网有限责任公司电力调度控制中心 一种智能电网中短期负荷预测方法及***
CN112651543A (zh) * 2020-11-10 2021-04-13 沈阳工程学院 一种基于vmd分解与lstm网络的日用电量预测方法
CN112711903A (zh) * 2020-12-16 2021-04-27 广西电网有限责任公司梧州供电局 一种用户侧电力负荷的智能优化预测方法及***
CN112633604A (zh) * 2021-01-04 2021-04-09 重庆邮电大学 一种基于i-lstm的短期用电量预测方法
CN112633604B (zh) * 2021-01-04 2022-04-22 重庆邮电大学 一种基于i-lstm的短期用电量预测方法
CN112734128B (zh) * 2021-01-19 2023-08-29 重庆大学 一种基于优化rbf的7日电力负荷峰值预测方法
CN112734128A (zh) * 2021-01-19 2021-04-30 重庆大学 一种基于优化rbf的7日电力负荷峰值预测方法
TWI821641B (zh) * 2021-03-12 2023-11-11 殷祐科技股份有限公司 人工智慧生產製造節能管理系統及其方法
CN113420584A (zh) * 2021-03-16 2021-09-21 国网河南省电力公司安阳供电公司 基于遗传优化神经网络的负荷识别方法、装置和存储介质
CN113139605A (zh) * 2021-04-27 2021-07-20 武汉理工大学 基于主成分分析和lstm神经网络的电力负荷预测方法
CN113239029A (zh) * 2021-05-18 2021-08-10 国网江苏省电力有限公司镇江供电分公司 一种电能表缺失日冻结数据的补全方法
CN113295635A (zh) * 2021-05-27 2021-08-24 河北先河环保科技股份有限公司 一种基于动态更新数据集的水质污染报警方法
CN113627724A (zh) * 2021-07-02 2021-11-09 江苏能电科技有限公司 电量合理分配的方法、装置、存储介质及太阳能路灯设备
CN113627724B (zh) * 2021-07-02 2024-04-05 江苏能电科技有限公司 电量合理分配的方法、装置、存储介质及太阳能路灯设备
CN113657668A (zh) * 2021-08-17 2021-11-16 西南科技大学 基于lstm网络的电力负荷预测方法及***
CN113962454A (zh) * 2021-10-18 2022-01-21 长江勘测规划设计研究有限责任公司 基于双重特征选择+粒子群优化的lstm能耗预测方法
CN114234392A (zh) * 2021-11-14 2022-03-25 国网辽宁省电力有限公司锦州供电公司 一种基于改进pso-lstm的空调负荷精细预测方法
CN114219139B (zh) * 2021-12-07 2023-10-03 国网湖北省电力有限公司宜昌供电公司 基于注意力机制的dwt-lstm电力负荷预测方法
CN114219139A (zh) * 2021-12-07 2022-03-22 国网湖北省电力有限公司宜昌供电公司 基于注意力机制的dwt-lstm电力负荷预测方法
CN114202065A (zh) * 2022-02-17 2022-03-18 之江实验室 一种基于增量式演化lstm的流数据预测方法及装置
CN116667326A (zh) * 2023-05-30 2023-08-29 淮阴工学院 一种电动汽车充电负荷预测方法
CN116667326B (zh) * 2023-05-30 2024-02-23 淮阴工学院 一种电动汽车充电负荷预测方法
CN117578465A (zh) * 2024-01-16 2024-02-20 山东建筑大学 一种多尺度可解释的微电网电力负荷预测方法及***
CN117578465B (zh) * 2024-01-16 2024-04-12 山东建筑大学 一种多尺度可解释的微电网电力负荷预测方法及***

Also Published As

Publication number Publication date
CN111783953B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN111783953B (zh) 一种基于优化lstm网络的24点电力负荷值7日预测方法
CN108846517B (zh) 一种分位数概率性短期电力负荷预测集成方法
Wang et al. A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors
CN112488395B (zh) 一种配电网线损预测方法及***
CN112734128B (zh) 一种基于优化rbf的7日电力负荷峰值预测方法
CN109214708B (zh) 基于交叉熵理论优化支持向量机的电力***风险评估方法
CN110751318A (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN111967183A (zh) 一种配电网台区线损的计算方法和***
Zhang et al. Wind speed prediction research considering wind speed ramp and residual distribution
CN111898867B (zh) 一种基于深度神经网络的飞机总装生产线产能预测方法
CN108647838B (zh) 一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法
CN116227637A (zh) 一种面向有源配电网的精细化负荷预测方法和***
CN113919545A (zh) 一种多数据模型融合的光伏发电功率预测方法和***
CN111008790A (zh) 一种水电站群发电调度规则提取方法
CN111080000A (zh) 基于psr-dbn的超短期母线负荷预测方法
CN105976057B (zh) 一种基于改进灰色理论的中长期负荷预测方法
CN117200213A (zh) 基于自组织映射神经网络深度强化学习的配电***电压控制方法
CN117114161A (zh) 一种基于元学习的输电线路风偏闪络风险的预测方法
CN115619028A (zh) 一种基于聚类算法融合的电力负荷精准预测方法
CN115577290A (zh) 一种基于深度学习的配网故障分类及源定位方法
CN108923413A (zh) 基于支持向量机的电压质量预测方法
CN115775038A (zh) 一种基于igwo优化lssvm的短期负荷预测方法
CN111626465B (zh) 一种新能源功率短期区间预测方法及***
CN114169763A (zh) 一种计量器具需求预测方法、***、计算装置及存储介质
Shen et al. An interval analysis scheme based on empirical error and MCMC to quantify uncertainty of wind speed

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