CN111985695A - 城市综合体用电量预测方法、装置、电子设备及存储介质 - Google Patents
城市综合体用电量预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111985695A CN111985695A CN202010745331.3A CN202010745331A CN111985695A CN 111985695 A CN111985695 A CN 111985695A CN 202010745331 A CN202010745331 A CN 202010745331A CN 111985695 A CN111985695 A CN 111985695A
- Authority
- CN
- China
- Prior art keywords
- sequence
- prediction
- electric quantity
- power consumption
- prediction result
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000009467 reduction Effects 0.000 claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 210000002569 neuron Anatomy 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000005612 types of electricity Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000006835 compression Effects 0.000 description 12
- 238000007906 compression Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 108091026890 Coding region Proteins 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008555 neuronal activation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种城市综合体用电量预测方法、装置、电子设备及存储介质,所述方法包括:获取城市综合体中各类型用电实体的历史小时用电量序列;将所述历史小时用电量序列根据按预设的日历标签进行拆分降维,得到针对各个日历标签的第一用电量序列;将所述第一用电量序列在时间维度上进行非线性降维,得到第二用电量序列;将所述第二用电量序列输入预设的预测神经网络进行预测,得到基于所述日历标签的第一用电量预测结果;基于所述第一用电量预测结果,计算得到所述综合体的用电量预测结果。可以使得城市综合体用电量预测结果的更加精确。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种城市综合体用电量预测方法、装置、电子设备及存储介质。
背景技术
所谓“城市综合体”,就是一种以建筑群为基础,将商务办公、旅店餐饮、商业销售、公寓住宅和文娱综合五大核心功能在地理空间进行融合,并在各部分之间建立一种互相依存的能动关系,最终形成的一个多功能、高效率的“城中之城”。复杂的负荷结构和巨大的空间尺度使得城市综合体成为城市电网中的一类大型用电客户。对于城市综合体本身而言,准确的电量预测有助于综合体用户合理灵活地安排用能方式,达到节能减排的目的。例如,可以根据电量预测的结果分时段利用储能和分布式光伏;此外,对于电力企业而言,准确的电量预测有助于其制定灵活的检修、调度和营销计划,从而最终降低供电成本。
目前,针对城市综合体的月度用电量预测方法根据预测算法的不同,一般分为两类:基于数学或统计学的预测方法(时间序列法、灰色预测法)和人工智能预测方法(神经网络法、支持向量机回归法)。现有研究表明,基于数学或统计学的预测方法在可解释性上较强,但是缺乏灵活性和准确性。相反,人工智能预测方法相较于传统预测方法,虽然可解释性较差,但是更适用于高维度、非线性、高复杂度的城市综合体用电量预测。通常情况下,采用人工智能预测法时,需要利用城市综合体整体的历史月度用电量数据训练一个单步预测模型来预测未来一段时间的用电量。这种方法有一定的局限性:首先,直接对城市综合体整体的月度用电量进行预测,无法精确把握其内部各负荷成分的特点;其次,构建单步预测模型使用的数据往往是分辨率较低的历史月度数据,该类型数据的数量较少,可以构建用来训练模型的样本数有限,这增加了预测模型过拟合的风险,最终使得预测精度低下;最后,城市综合体内的负荷构成复杂,用电行为波动性较高,用电量序列的可预测性较低,从而导致预测精度低下。因此,现有的城市综合体用电量预测方法存在预测精度低下的问题。
发明内容
本发明实施例提供一种城市综合体用电量预测方法,能够提高城市综合体用电量预测的精度。
第一方面,本发明实施例提供一种城市综合体用电量预测方法,包括:
获取城市综合体中各类型用电实体的历史小时用电量序列;
将所述历史小时用电量序列根据按预设的日历标签进行拆分降维,得到针对各个日历标签的第一用电量序列;
将所述第一用电量序列在时间维度上进行非线性降维,得到第二用电量序列;
将所述第二用电量序列输入预设的预测神经网络进行预测,得到基于所述日历标签的第一用电量预测结果;
基于所述第一用电量预测结果,计算得到所述综合体的用电量预测结果。
可选的,所述日历标签为星期标签,所述将所述历史小时用电量序列根据按预设的日历标签进行拆分降维,得到针对各个日历标签的第一用电量序列的步骤具体包括:
将所述历史小时用电量序列根据按预设的星期标签进行拆分降维,得到针对各个星期标签的用电量序列;
对所述针对各个星期标签的用电量序列进行对齐,得到针对各个星期标签的第一用电量序列。
可选的,所述将所述第一用电量序列在时间维度上进行非线性降维,得到第二用电量序列的步骤具体包括:
通过预设的自编码网络对所述第一用电量序列在时间维度上进行非线性降维;
其中,所述预设的自编码网络通过预设的降维参数进行训练得到。
可选的,所述自编码网络包括编码网络,所述编码网络包括第一输入层、第一隐含层以及第一输出层,其中,所述第一输入层的输出与所述第一隐含层的输入连接,所述第一隐含层的输出与第一输出层的输入连接,所述第一输入层包括M×k个神经元,所述第一输出层包括M个神经元,所述降维参数为k,M与k均为正整数,所述根据所述降维参数,通过预设的自编码网络对所述第一用电量序列在时间维度上进行非线性降维的步骤具体包括:
将所述第一用电量序列依次输入所述第一输入层、第一隐含层以及第一输出层,得到M维的第二用电量序列。
可选的,所述自编码网络还包括解码网络,所述将所述第二用电量序列输入预设的预测神经网络进行预测,得到基于所述日历标签的第一用电量预测结果的步骤具体包括:
将所述M维的第二用电量序列输入预测神经网络进行预测,得到M维的预测结果;
将所述M维的预测结果输入预设的解码网络中进行解码,得到M×k维的第一用电量预测结果。
可选的,所述解码网络包括第二输入层、第二隐含层以及第二输出层,其中,所述第二输入层的输出与所述第二隐含层的输入连接,所述第二隐含层的输出与第二输出层的输入连接,所述第二输入层包括M个神经元,所述第二输出层包括M×k个神经元,所述将所述M维的预测结果输入预设的解码网络中进行解码,得到M×k维的第一用电量预测结果的步骤具体包括:
将所述M维的第二用电量序列依次输入所述第二输入层、第二隐含层以及第二输出层,得到M×k维的第一用电量预测结果。
可选的,所述基于所述第一用电量预测结果,计算得到所述综合体的用电量预测结果的步骤具体包括:
根据所述第一用电量预测结果,计算得到各类用电实体基于所述日历的第二用电量预测结果;
将所述各类用电实体对应的第二用电量预测结果进行相加,得到所述综合体的用电量预测结果。
第二方面,本发明实施例还提供一种城市综合体用电量预测装置,其特征在于,所述装置包括:
获取模块,用于获取城市综合体中各类型用电实体的历史小时用电量序列;
第一降维模块,用于将所述历史小时用电量序列根据按预设的日历标签进行拆分降维,得到针对各个日历标签的第一用电量序列;
第二降维模块,用于将所述第一用电量序列在时间维度上进行非线性降维,得到第二用电量序列;
预测模块,用于将所述第二用电量序列输入预设的预测神经网络进行预测,得到基于所述日历标签的第一用电量预测结果;
计算模块,用于基于所述第一用电量预测结果,计算得到所述综合体的用电量预测结果。
第三方面,本发明实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例提供的城市综合体用电量预测方法中的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现发明实施例提供的城市综合体用电量预测方法中的步骤。
本发明实施例中,获取城市综合体中各类型用电实体的历史小时用电量序列;将所述历史小时用电量序列根据按预设的日历标签进行拆分降维,得到针对各个日历标签的第一用电量序列;将所述第一用电量序列在时间维度上进行非线性降维,得到第二用电量序列;将所述第二用电量序列输入预设的预测神经网络进行预测,得到基于所述日历标签的第一用电量预测结果;基于所述第一用电量预测结果,计算得到所述综合体的用电量预测结果。通过使用历史小时用电量序列来对未来各个小时的用电量进行预测,可以有效增加训练样本的分辨率,从而防止预测模型的过拟合,进而提高用电量预测的精度;同时,通过对各个类型的用电实体来进行预测,最终得到整体的城市综合体的用电量预测结果,相较于直接使用城市综合体用电量来进行预测而言,可以使得用电量预测结果的更加精确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种城市综合体用电量预测方法的流程图;
图2是本发明实施例提供的一种城市综合体用电量预测装置的结构图;
图3是本发明实施例提供的一种第一降维模块的结构图;
图4是本发明实施例提供的一种预测模块的结构图;
图5是本发明实施例提供的一种计算模块的结构图;
图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1,图1是本发明实施例提供的一种城市综合体用电量预测方法的流程图,如图1所示,包括以下步骤:
101、获取城市综合体中各类型用电实体的历史小时用电量序列。
在本发明实施例中,可以对城市综合体中的用电实体进行分类,得到不同类型的用电实体,上述的用电实体可以理解为需要用电的建筑或区域。上述的用电实体可以根据建筑或区域的功能来进行分类,比如可分为:商务、餐饮、商业、住宅以及文娱综合等建筑或区域。本发明实施例中,以建筑为例进行说明,建筑功能不同导致不同类型的建筑用电特性差异较大。将城市综合体中各建筑根据其建筑功能分类然后再分别预测,可以有效提高预测精度。
针对其每一类型建筑,搜集其历史小时用电量序列,表示为:
此时,可以将某一类型建筑未来一段时间的用电量序列可以表示为:
上述的历史小时用电量序列在前向推理时可以作为输入数据,在训练预测模型时,可以作为样本数据集,用以对预测模型进行训练。
比如,选择某城市综合体作为用电量序列的采集对象,搜集其内部各类型建筑2017年1月1日至2019年12月31日共36个月历史小时用电量数据,数据采样间隔为1小时。其中第1-22月的用电量数据作为训练集,第23-29个月的数据作为验证集,第30-36月的用电量数据作为测试集。
使用历史小时用电量序列构建的预测模型对未来一个月T个小时的用电量进行预测(则预测步长为T),可以有效增加预测模型的训练样本,即是增加用电量的分辨率,从而防止预测模型的过拟合。
102、将历史小时用电量序列根据按预设的日历标签进行拆分降维,得到针对各个日历标签的第一用电量序列。
在本发明实施例中,预设的日历标签可以是星期标签,也可以是旬标签,上述的星期标签比如:星期一标签、星期二标签、星期三标签、星期四标签、星期五标签、星期六标签、星期日标签等,上述的旬标签比如:上旬标签、中旬标签、下旬标签等。
上述的拆分降维比如根据星期标签,将历史小时用电量序列拆分为与星期标签对应的七个第一用电量序列。又比如根据旬标签,将历史小时用电量序列拆分为与旬标签对应的三个第一用电量序列。
需要理解的是,预测模型的预测精度往往随预测步长(即序列的维度)的增大而减小。
使用日历标签的小时用电量序列对未来一个月日历标签对应的每小时用电量进行预测时,历史小时用电量序列将被分解为多个部分,比如按星期标签进行分解时,历史小时用电量序列将被分解为七个部分,每部分分别为Ti,i=1,...,7。此时,各类型建筑的月度用电量预测结果可以由7部分预测结果累加而得。
进一步的,以星期标签来说,上述的第一用电量序列可以表示为:
103、将第一用电量序列在时间维度上进行非线性降维,得到第二用电量序列。
在本发明实施例中,为了保证多步预测的预测精度,需对每类用电量序列进一步降低预测步长,即是对第一用电量序列进行进一步的降维。
具体来说,可以是对于一个包含N天的小时用电量序列[D]1,N×24,定义一个序列压缩映射函数f,使得:
f:[D]1,N×24→[D]1,N×M
其中,M=24/k,k∈N+,M∈N+,k表示降维参数(也可以称为压缩尺度),且k与M均为正整数,记k∈K。
可以理解的是,k值不同时,可以得到不同压缩尺度下的用电量序列。当k=1时,表示不进行序列降维;当k=24时,表示将每24个小时用电量数据降维为1个用电量数据。
104、将第二用电量序列输入预设的预测神经网络进行预测,得到基于日历标签的第一用电量预测结果。
在本发明实施例中,预测神经网络可以选择BP神经网络。以降维参数为k=6为例进行说明,则第二用电量序列的维度为Ti/6,i=1,...,7,且不同月份下,Ti的值可能不同。因此,可以构建基于滚动预测的BP神经网络多步预测模型。首先,对低维编码序列训练一个多输入、单输出的BP神经网络预测模型。然后,根据不同月份下待预测步长Ti的要求,利用该模型滚动预测Ti/6次,得到多步预测结果。
具体的,上述的BP神经网络的输入、输出如下:
其中,Input为输入,Output为输出。BP神经网络的输出可以作为第一用电量预测结果。
105、基于第一用电量预测结果,计算得到综合体的用电量预测结果。
本发明实施例中,在得到第二用电量序列对应的第一用电量预测结果后,可以得到各类型用电实体一段时间内基于日历标签的第一用电量预测结果。比如,得到各类型用电实体未来一个月内星期一到星期日的七个第一用电量预测结果,即未来一个月内星期一到星期日每天的电量预测结果。将各类型用电实体未来一个月星期一到星期日的七个第一用电量预测结果进行累加计算,得到对应一个类型的用电实体的用电量预测结果,再将所有用电实体的用电量预测结果进行相加,最终得到城市综合体总的用电量预测结果。
可选的,本发明实施例预测可以是月度预测。
上述日历标签为星期标签,上述步骤102可以包括:
将历史小时用电量序列根据按预设的星期标签进行拆分降维,得到针对各个星期标签的用电量序列。对针对各个星期标签的用电量序列进行对齐,得到针对各个星期标签的第一用电量序列。通过对各个星期标签的用电量序列进行对齐,使得用电量序列为固定结构数据,进而可以使得预测模型进行批处理。
本发明实施例可以通过对历史小时用电量序列分解,进而减少每个类开的用电实体拆分后序列的待预测步长(也可以称为序列维度),总的预测结果可以由各拆分后的用电量序列的预测结果累加而得。具体来说,考虑到用电行为的日历效应,即不同星期中的同一工作日或周末休息日中的用电行为往往是相似的,将历史小时用电量序列根据其周标签分为七个序列:历史所有星期一的小时用电量序列到历史所有星期日的小时用电量序列。这七个历史用电量序列也可称为第一用电量序列,该第一用电量序列可以表示为:
此时,未来一个月的用电量可以表示为:
其中,Ti表示未来一个月星期“i”的小时点数,且满足下列条件:
在本发明实施例中,使用历史星期“i”的小时用电量序列(即第一用电量序列)对未来一个月星期“i”的每小时用电量进行预测时,预测步长(序列维度)将被分解为7部分,每部分分别为Ti,i=1,...,7。此时,各类型用电实体的月度用电量预测结果可以由7部分预测结果累加而得。将未来一个月星期“i”的待预测小时用电量序列记为:
可选的,上述步骤103可以包括:
通过预设的自编码网络对第一用电量序列在时间维度上进行非线性降维;其中,上述的自编码网络通过预设的降维参数进行训练得到。
在本发明实施例中,为了保证多步预测的预测精度,需对每类用电量序列进一步降低预测步长,即是对第一用电量序列进行进一步的降维。
具体来说,可以是对于一个包含N天的小时用电量序列[D]1,N×24,定义一个序列压缩映射函数f,使得:
f:[D]1,N×24→[D]1,N×M
其中,M=24/k,k∈N+,M∈N+,k表示降维参数(也可以称为压缩尺度),且k与M均为正整数,记k∈K。
可以理解的是,k值不同时,可以得到不同压缩尺度下的用电量序列。当k=1时,表示不进行序列降维;当k=24时,表示将每24个小时用电量数据降维为1个用电量数据,也即是一维的用电量序列。
同样的,待预测小时用电量序列的维度也被从wi降低至wi/k,可以记为:
需要说明的是,首先,压缩尺度的选择直接影响了最终的预测精度。序列降维参数过大会造成包含的数据点数减少,进而导致训练样本数大量减少,最终使得预测模型的精度降低;序列压缩尺度过小时,无法有效降低的维度,即待预测步长依然较大,此时同样不能保证多步预测模型的精度。其次,不同的序列压缩映射方法得到的的可预测性也不同。由于本发明的关注点是后者,而非寻找到最优的压缩尺度,本发明将压缩尺度k的值选择为6。
在一种可能的实施例中,可以通过加法聚合,来实现对第一用电量序列的降维,比如,可以通过下面的式子进行:
这样,可以将多个数据点累加得到一个数据点,从而实现降维。
另外,本发明实施例还提供一种基于自编码网络的非线性降维,通过提取用电量序列中非线性特征实现用电量时间序列降维。自编码网络由编码网络(自编码网络前半部分)和解码网络(自编码网络后半部分)构成。在本发明实施例中,可以利用编码网络将高维的输入数据(即第一用电量序列)非线性映射到低维编码序列(即第二用电量序列),同时编码序列可以通过解码网络重构输入数据。因此,降维后的编码序列可以准确地表示输入数据,即会使得信息损失更小,从而提升降维后序列的可预测性。
可选的,上述编码网络包括第一输入层、第一隐含层以及第一输出层,其中,上述第一输入层的输出与上述第一隐含层的输入连接,上述第一隐含层的输出与第一输出层的输入连接,上述第一输入层包括M×k个神经元,上述第一输出层包括M个神经元,上述降维参数为k,M与k均为正整数,上述根据降维参数,通过预设的自编码网络对第一用电量序列在时间维度上进行非线性降维的步骤具体包括:
将上述第一用电量序列依次输入上述第一输入层、第一隐含层以及第一输出层,得到M维的第二用电量序列。
在本发明实施例中,首先,可以对于步骤102中得到的第一用电量序列,训练一个自编码网络。其中,在自编码网络的编码网络中,第一输入层神经元个数与第一隐含层的神经元个数的比值即为降维参数k(本发明实施例以k=6为例),可以选择第一输入层神经元个数为M×k=24,则第一输出层神经元个数为M=4。
可选的,上述的步骤103可以包括:
将M维的第二用电量序列输入预测神经网络进行预测,得到M维的预测结果;将M维的预测结果输入预设的解码网络中进行解码,得到M×k维的第一用电量预测结果。
在本发明实施例中,预测神经网络可以选择BP神经网络。以降维参数为k=6为例进行说明,则第二用电量序列的维度为Ti/6,i=1,...,7,且不同月份下,Ti的值可能不同。因此,可以构建基于滚动预测的BP神经网络多步预测模型。首先,对低维编码序列训练一个多输入、单输出的BP神经网络预测模型。然后,根据不同月份下待预测步长Ti的要求,利用该模型滚动预测Ti/6次,得到多步预测结果。
具体的,上述的BP神经网络的输入、输出如下:
其中,Input为输入,Output为输出。BP神经网络的输出可以作为第一用电量预测结果。
可选的,上述解码网络可以包括第二输入层、第二隐含层以及第二输出层,其中,第二输入层的输出与所述第二隐含层的输入连接,第二隐含层的输出与第二输出层的输入连接,第二输入层包括M个神经元,第二输出层包括M×k个神经元,上述将M维的预测结果输入预设的解码网络中进行解码,得到M×k维的第一用电量预测结果的步骤可以包括:
将所述M维的第二用电量序列依次输入所述第二输入层、第二隐含层以及第二输出层,得到M×k维的第一用电量预测结果。
在一种可能的实施例中,上述的编码网络、预测网络以及解码网络可以共同构成预测模型,以M×k=24,M=4,k=6为例进行说明,则有:编码网络与解码网络可以共同构成关于中间层对称的自编码网络,编码网络的第一输出层对应中间层1,解码网络的第二输入层对应中间层2,具体如表1所示:
第一输入层神经元个数 | 24 |
第一隐含层神经元个数 | 12 |
第一输出层(中间层1)神经元个数 | 4 |
第二输入层(中间层2)神经元个数 | 4 |
第二隐含层神经元个数 | 12 |
第二输出层神经元个数 | 24 |
各层神经元激活函数 | ReLU |
优化器 | Adam |
学习率 | 0.01 |
表1该神经网络的输入、输出(等于输入)训练样本如下:
得到训练好的神经网络后,利用其前半部分(自编码网络)进行第一用电量序列的降维,即将高维度第一用电量序列中的每24个点依次输入到编码器中,然后提取第一输出层的输出,该输出即为低维度的编码序列,也就是第二用电量序列。通过预测网络对该第二用电量序列进行预测,得到预测结果,然后将预测结果输入解码网络中进行解码,可以有效提升预测精度。
通过预测网络得到7个第二用电量序列的多步预测结果后,利用训练好的神经网络的后半部分(即解码网络)将预测结果解码为用电量预测结果,得到第一用电量预测结果。即是将低维度编码序列预测结果中的每4个点依次输入到解码网络中,然后提取第二输出层的结果,即可得到第二用电量预测结果,并将该第二用电量预测结果作为未来一个月星期“i”的小时用电量预测结果。
可选的,上述步骤105可以包括:
根据上述第一用电量预测结果,计算得到各类用电实体基于上述日历的第二用电量预测结果;将上述各类用电实体对应的第二用电量预测结果进行相加,得到城市综合体的用电量预测结果。
具体的,在得到第二用电量序列对应的第一用电量预测结果后,可以得到各类型用电实体一段时间内基于日历标签的第一用电量预测结果。比如,得到各类型用电实体未来一个月内星期一到星期日的七个第一用电量预测结果,即未来一个月内星期一到星期日每天的电量预测结果。将各类型用电实体未来一个月星期一到星期日的七个第一用电量预测结果进行累加计算,得到对应一个类型的用电实体的用电量预测结果,再将所有用电实体的用电量预测结果进行相加,最终得到城市综合体总的用电量预测结果。
本发明实施例中,获取城市综合体中各类型用电实体的历史小时用电量序列;将所述历史小时用电量序列根据按预设的日历标签进行拆分降维,得到针对各个日历标签的第一用电量序列;将所述第一用电量序列在时间维度上进行非线性降维,得到第二用电量序列;将所述第二用电量序列输入预设的预测神经网络进行预测,得到基于所述日历标签的第一用电量预测结果;基于所述第一用电量预测结果,计算得到所述综合体的用电量预测结果。通过使用历史小时用电量序列来对未来各个小时的用电量进行预测,可以有效增加训练样本的分辨率,从而防止预测模型的过拟合,进而提高预测的精度;同时,通过对各个类型的用电实体来进行预测,最终得到整体的城市综合体的用电量预测结果,相较于直接使用城市综合体用电量来进行预测而言,可以使得电量预测结果的更加精确
需要说明的是,本发明实施例提供的城市综合体用电量预测方法可以应用于可以进行城市综合体用电量预测的手机、监控器、计算机、服务器等设备。
请参见图2,图2是本发明实施例提供的一种城市综合体用电量预测装置的结构示意图,如图2所示,所述装置包括:
获取模块201,用于获取城市综合体中各类型用电实体的历史小时用电量序列;
第一降维模块202,用于将所述历史小时用电量序列根据按预设的日历标签进行拆分降维,得到针对各个日历标签的第一用电量序列;
第二降维模块203,用于将所述第一用电量序列在时间维度上进行非线性降维,得到第二用电量序列;
预测模块204,用于将所述第二用电量序列输入预设的预测神经网络进行预测,得到基于所述日历标签的第一用电量预测结果;
计算模块205,用于基于所述第一用电量预测结果,计算得到所述城市综合体的用电量预测结果。
可选的,如图3所示,所述日历标签为星期标签,所述第一降维模块202包括:
拆分单元2021,用于将所述历史小时用电量序列根据按预设的星期标签进行拆分降维,得到针对各个星期标签的用电量序列;
对齐单元2022,用于对所述针对各个星期标签的用电量序列进行对齐,得到针对各个星期标签的第一用电量序列。
可选的,所述第二降维模块203具体还用于通过预设的自编码网络对所述第一用电量序列在时间维度上进行非线性降维;
其中,所述预设的自编码网络通过预设的降维参数进行训练得到。
可选的,所述自编码网络包括编码网络,所述编码网络包括第一输入层、第一隐含层以及第一输出层,其中,所述第一输入层的输出与所述第一隐含层的输入连接,所述第一隐含层的输出与第一输出层的输入连接,所述第一输入层包括M×k个神经元,所述第一输出层包括M个神经元,所述降维参数为k,M与k均为正整数,所述203具体还用于将所述第一用电量序列依次输入所述第一输入层、第一隐含层以及第一输出层,得到M维的第二用电量序列。
可选的,如图4所示,所述自编码网络还包括解码网络,所述预测模块204包括:
第一预测单元2041,用于将所述M维的第二用电量序列输入预测神经网络进行预测,得到M维的预测结果;
第二预测单元2042,用于将所述M维的预测结果输入预设的解码网络中进行解码,得到M×k维的第一用电量预测结果。
可选的,所述解码网络包括第二输入层、第二隐含层以及第二输出层,其中,所述第二输入层的输出与所述第二隐含层的输入连接,所述第二隐含层的输出与第二输出层的输入连接,所述第二输入层包括M个神经元,所述第二输出层包括M×k个神经元,所述第二预测单元2042具体还用于将所述M维的第二用电量序列依次输入所述第二输入层、第二隐含层以及第二输出层,得到M×k维的第一用电量预测结果。
可选的,如图5所示,所述计算模块205包括:
第一计算单元2051,用于根据所述第一用电量预测结果,计算得到各类用电实体基于所述日历的第二用电量预测结果;
第二计算单元2052,用于将所述各类用电实体对应的第二用电量预测结果进行相加,得到所述综合体的用电量预测结果。
需要说明的是,本发明实施例提供的城市综合体用电量预测装置可以应用于可以进行城市综合体用电量预测的手机、监控器、计算机、服务器等设备。
本发明实施例提供的城市综合体用电量预测装置能够实现上述方法实施例中城市综合体用电量预测方法实现的各个过程,且可以达到相同的有益效果。为避免重复,这里不再赘述。
参见图6,图6是本发明实施例提供的一种电子设备的结构示意图,如图6所示,包括:存储器602、处理器601及存储在所述存储器602上并可在所述处理器601上运行的计算机程序,其中:
处理器601用于调用存储器602存储的计算机程序,执行如下步骤:
获取城市综合体中各类型用电实体的历史小时用电量序列;
将所述历史小时用电量序列根据按预设的日历标签进行拆分降维,得到针对各个日历标签的第一用电量序列;
将所述第一用电量序列在时间维度上进行非线性降维,得到第二用电量序列;
将所述第二用电量序列输入预设的预测神经网络进行预测,得到基于所述日历标签的第一用电量预测结果;
基于所述第一用电量预测结果,计算得到所述城市综合体的用电量预测结果。
可选的,所述日历标签为星期标签,处理器601执行的所述将所述历史小时用电量序列根据按预设的日历标签进行拆分降维,得到针对各个日历标签的第一用电量序列的步骤具体包括:
将所述历史小时用电量序列根据按预设的星期标签进行拆分降维,得到针对各个星期标签的用电量序列;
对所述针对各个星期标签的用电量序列进行对齐,得到针对各个星期标签的第一用电量序列。
可选的,处理器601执行的所述将所述第一用电量序列在时间维度上进行非线性降维,得到第二用电量序列的步骤具体包括:
通过预设的自编码网络对所述第一用电量序列在时间维度上进行非线性降维;
其中,所述预设的自编码网络通过预设的降维参数进行训练得到。
可选的,所述自编码网络包括编码网络,所述编码网络包括第一输入层、第一隐含层以及第一输出层,其中,所述第一输入层的输出与所述第一隐含层的输入连接,所述第一隐含层的输出与第一输出层的输入连接,所述第一输入层包括M×k个神经元,所述第一输出层包括M个神经元,所述降维参数为k,M与k均为正整数,处理器601执行的所述根据所述降维参数,通过预设的自编码网络对所述第一用电量序列在时间维度上进行非线性降维的步骤具体包括:
将所述第一用电量序列依次输入所述第一输入层、第一隐含层以及第一输出层,得到M维的第二用电量序列。
可选的,所述自编码网络还包括解码网络,处理器601执行的所述将所述第二用电量序列输入预设的预测神经网络进行预测,得到基于所述日历标签的第一用电量预测结果的步骤具体包括:
将所述M维的第二用电量序列输入预测神经网络进行预测,得到M维的预测结果;
将所述M维的预测结果输入预设的解码网络中进行解码,得到M×k维的第一用电量预测结果。
可选的,所述解码网络包括第二输入层、第二隐含层以及第二输出层,其中,所述第二输入层的输出与所述第二隐含层的输入连接,所述第二隐含层的输出与第二输出层的输入连接,所述第二输入层包括M个神经元,所述第二输出层包括M×k个神经元,处理器601执行的所述将所述M维的预测结果输入预设的解码网络中进行解码,得到M×k维的第一用电量预测结果的步骤具体包括:
将所述M维的第二用电量序列依次输入所述第二输入层、第二隐含层以及第二输出层,得到M×k维的第一用电量预测结果。
可选的,处理器601执行的所述基于所述第一用电量预测结果,计算得到所述综合体的用电量预测结果的步骤具体包括:
根据所述第一用电量预测结果,计算得到各类用电实体基于所述日历的第二用电量预测结果;
将所述各类用电实体对应的第二用电量预测结果进行相加,得到所述综合体的用电量预测结果。
需要说明的是,上述电子设备可以是可以应用于可以进行城市综合体用电量预测的手机、监控器、计算机、服务器等设备。
本发明实施例提供的电子设备能够实现上述方法实施例中城市综合体用电量预测方法实现的各个过程,且可以达到相同的有益效果,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现本发明实施例提供的城市综合体用电量预测方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存取存储器(Random AccessMemory,简称RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种城市综合体用电量预测方法,其特征在于,包括以下步骤:
获取城市综合体中各类型用电实体的历史小时用电量序列;
将所述历史小时用电量序列根据按预设的日历标签进行拆分降维,得到针对各个日历标签的第一用电量序列;
将所述第一用电量序列在时间维度上进行非线性降维,得到第二用电量序列;
将所述第二用电量序列输入预设的预测神经网络进行预测,得到基于所述日历标签的第一用电量预测结果;
基于所述第一用电量预测结果,计算得到所述城市综合体的用电量预测结果。
2.如权利要求1所述的方法,其特征在于,所述日历标签为星期标签,所述将所述历史小时用电量序列根据按预设的日历标签进行拆分降维,得到针对各个日历标签的第一用电量序列的步骤具体包括:
将所述历史小时用电量序列根据按预设的星期标签进行拆分降维,得到针对各个星期标签的用电量序列;
对所述针对各个星期标签的用电量序列进行对齐,得到针对各个星期标签的第一用电量序列。
3.如权利要求1或2所述的方法,其特征在于,所述将所述第一用电量序列在时间维度上进行非线性降维,得到第二用电量序列的步骤具体包括:
通过预设的自编码网络对所述第一用电量序列在时间维度上进行非线性降维;
其中,所述预设的自编码网络通过预设的降维参数进行训练得到。
4.如权利要求3所述的方法,其特征在于,所述自编码网络包括编码网络,所述编码网络包括第一输入层、第一隐含层以及第一输出层,其中,所述第一输入层的输出与所述第一隐含层的输入连接,所述第一隐含层的输出与第一输出层的输入连接,所述第一输入层包括M×k个神经元,所述第一输出层包括M个神经元,所述降维参数为k,M与k均为正整数,所述根据所述降维参数,通过预设的自编码网络对所述第一用电量序列在时间维度上进行非线性降维的步骤具体包括:
将所述第一用电量序列依次输入所述第一输入层、第一隐含层以及第一输出层,得到M维的第二用电量序列。
5.如权利要求4所述的方法,其特征在于,所述自编码网络还包括解码网络,所述将所述第二用电量序列输入预设的预测神经网络进行预测,得到基于所述日历标签的第一用电量预测结果的步骤具体包括:
将所述M维的第二用电量序列输入预测神经网络进行预测,得到M维的预测结果;
将所述M维的预测结果输入预设的解码网络中进行解码,得到M×k维的第一用电量预测结果。
6.如权利要求4所述的方法,其特征在于,所述解码网络包括第二输入层、第二隐含层以及第二输出层,其中,所述第二输入层的输出与所述第二隐含层的输入连接,所述第二隐含层的输出与第二输出层的输入连接,所述第二输入层包括M个神经元,所述第二输出层包括M×k个神经元,所述将所述M维的预测结果输入预设的解码网络中进行解码,得到M×k维的第一用电量预测结果的步骤具体包括:
将所述M维的第二用电量序列依次输入所述第二输入层、第二隐含层以及第二输出层,得到M×k维的第一用电量预测结果。
7.如权利要求1所述的方法,其特征在于,所述基于所述第一用电量预测结果,计算得到所述综合体的用电量预测结果的步骤具体包括:
根据所述第一用电量预测结果,计算得到各类用电实体基于所述日历的第二用电量预测结果;
将所述各类用电实体对应的第二用电量预测结果进行相加,得到所述综合体的用电量预测结果。
8.一种城市综合体用电量预测装置,其特征在于,所述装置包括:
获取模块,用于获取城市综合体中各类型用电实体的历史小时用电量序列;
第一降维模块,用于将所述历史小时用电量序列根据按预设的日历标签进行拆分降维,得到针对各个日历标签的第一用电量序列;
第二降维模块,用于将所述第一用电量序列在时间维度上进行非线性降维,得到第二用电量序列;
预测模块,用于将所述第二用电量序列输入预设的预测神经网络进行预测,得到基于所述日历标签的第一用电量预测结果;
计算模块,用于基于所述第一用电量预测结果,计算得到所述城市综合体的用电量预测结果。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的城市综合体用电量预测方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的城市综合体用电量预测方法中的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010745331.3A CN111985695A (zh) | 2020-07-29 | 2020-07-29 | 城市综合体用电量预测方法、装置、电子设备及存储介质 |
PCT/CN2020/134505 WO2022021727A1 (zh) | 2020-07-29 | 2020-12-08 | 城市综合体用电量预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010745331.3A CN111985695A (zh) | 2020-07-29 | 2020-07-29 | 城市综合体用电量预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111985695A true CN111985695A (zh) | 2020-11-24 |
Family
ID=73444698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010745331.3A Pending CN111985695A (zh) | 2020-07-29 | 2020-07-29 | 城市综合体用电量预测方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111985695A (zh) |
WO (1) | WO2022021727A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022021727A1 (zh) * | 2020-07-29 | 2022-02-03 | 国网甘肃省电力公司 | 城市综合体用电量预测方法、装置、电子设备及存储介质 |
CN117910539A (zh) * | 2024-03-19 | 2024-04-19 | 电子科技大学 | 一种基于异构半监督联邦学习的家庭特征识别方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777452B (zh) * | 2023-06-20 | 2024-01-23 | 浙江恒业电子股份有限公司 | 智能电表的预付费***及其方法 |
CN117353300B (zh) * | 2023-12-04 | 2024-02-23 | 拓锐科技有限公司 | 一种基于大数据的农村用电需求量分析方法 |
Citations (6)
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 |
CN108022008A (zh) * | 2017-11-30 | 2018-05-11 | 国网福建省电力有限公司经济技术研究院 | 用电量预测模型的训练方法 |
CN108090563A (zh) * | 2017-12-15 | 2018-05-29 | 烟台港股份有限公司 | 一种基于bp神经网络的电能量预测方法 |
CN110782013A (zh) * | 2019-10-22 | 2020-02-11 | 太原理工大学 | 一种基于广义互熵自编码器的火电厂NOx排放量预测方法 |
CN111144643A (zh) * | 2019-12-24 | 2020-05-12 | 天津相和电气科技有限公司 | 基于双端自动编码的日前电力负荷预测方法及装置 |
CN111191841A (zh) * | 2019-12-30 | 2020-05-22 | 润联软件***(深圳)有限公司 | 一种电力负荷预测方法、装置、计算机设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930347A (zh) * | 2012-10-15 | 2013-02-13 | 河海大学 | 一种需求响应下的短期负荷预测方法 |
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
CN105913175A (zh) * | 2016-04-07 | 2016-08-31 | 哈尔滨理工大学 | 基于改进神经网络算法的智能电网短期负荷预测方法 |
CN110266002A (zh) * | 2019-06-20 | 2019-09-20 | 北京百度网讯科技有限公司 | 用于预测电力负荷的方法和装置 |
CN111985695A (zh) * | 2020-07-29 | 2020-11-24 | 国网甘肃省电力公司 | 城市综合体用电量预测方法、装置、电子设备及存储介质 |
-
2020
- 2020-07-29 CN CN202010745331.3A patent/CN111985695A/zh active Pending
- 2020-12-08 WO PCT/CN2020/134505 patent/WO2022021727A1/zh active Application Filing
Patent Citations (6)
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 |
CN108022008A (zh) * | 2017-11-30 | 2018-05-11 | 国网福建省电力有限公司经济技术研究院 | 用电量预测模型的训练方法 |
CN108090563A (zh) * | 2017-12-15 | 2018-05-29 | 烟台港股份有限公司 | 一种基于bp神经网络的电能量预测方法 |
CN110782013A (zh) * | 2019-10-22 | 2020-02-11 | 太原理工大学 | 一种基于广义互熵自编码器的火电厂NOx排放量预测方法 |
CN111144643A (zh) * | 2019-12-24 | 2020-05-12 | 天津相和电气科技有限公司 | 基于双端自动编码的日前电力负荷预测方法及装置 |
CN111191841A (zh) * | 2019-12-30 | 2020-05-22 | 润联软件***(深圳)有限公司 | 一种电力负荷预测方法、装置、计算机设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
ZHENGHUI LI 等: "Decomposition-Accumulation Principle-Based Monthly Electricity Consumption Forecasting Approach Using EMD-XGBoost Hybrid Model", 《2019 IEEE SUSTAINABLE POWER AND ENERGY CONFERENCE (ISPEC)》 * |
张淑清 等: "基于改进深度稀疏自编码器及 FOA-ELM 的电力负荷预测", 《仪器仪表学报》 * |
王彦博: "基于时间序列分解法和回归分析法的月用电量综合预测方法", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
王飞 等: "基于数据序列分辨率压缩尺度优化的月度电量预测方法", 《电力***保护与控制》 * |
肖正 等: "居民用电量的ARIMA时间序列预测", 《河南工程学院学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022021727A1 (zh) * | 2020-07-29 | 2022-02-03 | 国网甘肃省电力公司 | 城市综合体用电量预测方法、装置、电子设备及存储介质 |
CN117910539A (zh) * | 2024-03-19 | 2024-04-19 | 电子科技大学 | 一种基于异构半监督联邦学习的家庭特征识别方法 |
CN117910539B (zh) * | 2024-03-19 | 2024-05-31 | 电子科技大学 | 一种基于异构半监督联邦学习的家庭特征识别方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022021727A1 (zh) | 2022-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lv et al. | A VMD and LSTM based hybrid model of load forecasting for power grid security | |
Han et al. | Enhanced deep networks for short-term and medium-term load forecasting | |
CN111985695A (zh) | 城市综合体用电量预测方法、装置、电子设备及存储介质 | |
Chen et al. | A hybrid application algorithm based on the support vector machine and artificial intelligence: An example of electric load forecasting | |
Hyndman et al. | Density forecasting for long-term peak electricity demand | |
Lu et al. | A hybrid model based on convolutional neural network and long short-term memory for short-term load forecasting | |
CN102930354A (zh) | 一种小区用电预测方法及装置 | |
CN115169703A (zh) | 一种基于长短时记忆网络组合的短期电力负荷预测方法 | |
CN111680841A (zh) | 基于主成分分析的短期负荷预测方法、***及终端设备 | |
CN112348287A (zh) | 基于lstm分位数回归的电力***短期负荷概率密度预测方法 | |
CN114140176B (zh) | 一种负荷聚集平台的可调容量预测方法及装置 | |
CN115496627A (zh) | 一种可调资源响应潜力的评估方法及*** | |
Fahiman et al. | Robust and accurate short-term load forecasting: A cluster oriented ensemble learning approach | |
Hu et al. | Rolling decomposition method in fusion with echo state network for wind speed forecasting | |
Kong et al. | Power load forecasting method based on demand response deviation correction | |
Yu et al. | A model integrating ARIMA and ANN with seasonal and periodic characteristics for forecasting electricity load dynamics in a state | |
Gao et al. | A two-layer SSA-XGBoost-MLR continuous multi-day peak load forecasting method based on hybrid aggregated two-phase decomposition | |
Taieb et al. | Probabilistic time series forecasting with boosted additive models: an application to smart meter data | |
CN111861587A (zh) | 一种基于隐马尔可夫模型和向前算法的居民用电行为分析的***及方法 | |
CN116646917A (zh) | 一种校园多步概率电力负荷预测方法及*** | |
Grandon et al. | Electricity demand forecasting with hybrid statistical and machine learning algorithms: Case study of ukraine | |
CN114169648A (zh) | 基于narnn模型的电力负荷预测方法、***及设备 | |
CN112446593A (zh) | 一种lstm神经网络的短期负荷预测方法及*** | |
CN112330017A (zh) | 电力负荷预测方法、装置、电子设备和存储介质 | |
De Nicolao et al. | Short-term load forecasting: A power-regression approach |
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: 20201124 |
|
RJ01 | Rejection of invention patent application after publication |