CN112396225A - 一种基于长短期记忆网络的短期电价预测方法 - Google Patents
一种基于长短期记忆网络的短期电价预测方法 Download PDFInfo
- Publication number
- CN112396225A CN112396225A CN202011273027.XA CN202011273027A CN112396225A CN 112396225 A CN112396225 A CN 112396225A CN 202011273027 A CN202011273027 A CN 202011273027A CN 112396225 A CN112396225 A CN 112396225A
- Authority
- CN
- China
- Prior art keywords
- term
- short
- electricity price
- data
- long
- 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 119
- 230000006403 short-term memory Effects 0.000 title claims abstract description 41
- 230000007787 long-term memory Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000010606 normalization Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 230000015654 memory Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000000737 periodic effect Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 238000013277 forecasting method Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 5
- 230000001413 cellular effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012706 support-vector machine 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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Finance (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于长短期记忆网络的短期电价预测方法,所述电价预测方法包括以下步骤:进行原始电价中的异常数据和缺失数据的周期性预处理;进行长短期记忆网络模型构建;进行长短期记忆网络模型训练,选择模型参数,建立短期电价的预测模型;进行短期电价预测,并对预测结果数据进行反归一化处理,获得实际电价预测值。本发明电价预测方法通过均值插补和小波变换对历史电价数据进行预处理,减少了训练集的噪声;基于长短期记忆网络预测模型,以历史影响电价因素数据为测试集进行短期电价预测,对市场参与者进行合理的交易决策,以降低成本、规避风险和提高利润率意义重大。
Description
技术领域
本发明涉及电力市场技术领域,具体是一种基于长短期记忆网络的短期电价预测方法。
背景技术
电力体制改革以来,国内电力市场产生了较大的变革,各市场主体在电力交易过程中面对了一个全新的、激烈的市场竞争环境。电价预测作为各市场主体参与电力市场交易的有效工具,有利于市场参与者进行合理的交易决策,以降低成本、规避风险和提高利润率。因此,如何进行准确的日前电价预测,以制定最优交易决策成为了一个重要研究课题。现有研究,主要集中于基于历史电价数据,采用支持向量机、人工神经网络的模型进行电价的点预测,存在难以处理大规模数据、易陷入局部最优、较少考虑时间序列内部规律等问题。循环神经网络可以较好地考虑时间序列规律,但是在经过多阶段传播后,可能存在梯度倾向于消失或***的问题。缺乏一种可以对时间序列进行处理,同时克服对数据长期依赖的电价预测方法,为市场参与者提供最优交易决策的短期电价预测方法。
发明内容
本发明的目的在于提供一种基于长短期记忆网络的短期电价预测方法,本发明电价预测方法通过均值插补和小波变换对历史电价数据进行预处理,减少了训练集的噪声;基于长短期记忆网络预测模型,以历史影响电价因素数据为测试集进行短期电价预测,对市场参与者进行合理的交易决策,以降低成本、规避风险和提高利润率意义重大。
本发明的目的可以通过以下技术方案实现:
一种基于长短期记忆网络的短期电价预测方法,所述电价预测方法包括以下步骤:
S1:进行原始电价中的异常数据和缺失数据的周期性预处理;
S2:进行长短期记忆网络模型构建;
S3:进行长短期记忆网络模型训练,选择模型参数,建立短期电价的预测模型;
S4:进行短期电价预测,并对预测结果数据进行反归一化处理,获得实际电价预测值。
进一步的,所述S1具体包括以下步骤:
S11:均值插补法处理历史电价异常数据;
S12:小波变换法去周期性处理;
S13:历史电价数据归一化处理。
进一步的,所述S11具体包括:
原始数据的异常值和缺失值,采用均值插补法,取异常数据所在位置的前后n个数据作为插补数据,对异常数据进行预处理:
式中,Xj为原始电价数据序列,i为原始电价序列中异常值的序号,X′i为采用均值插补的数据。
进一步的,所述S12具体包括:
通过小波变换将历史电价数据分解为一组周期性分量和随机波动分量组成的子序列,通过对周期性分量分别进行预测后再组合;
采用离散小波变换进行历史电价数据的去周期性处理:
式中,m表示缩放常数,n表示平移常数,m,n∈N;α为尺度参数;τ为平移参数;ψ(x)为母小波,ψ*(x)为母小波的复共轭函数;
采用Daubechies 5小波对历史电价数据序列进行5层小波变换;分解之后获得不同周期的6个子序列,包括近似低频序列{a5},和5个高频细节序列{d1,d2,d3,d4,d5}。
进一步的,所述S13具体包括:
通过最大值最小值标准化法,对历史电价数据进行归一化处理:
式中,Xi表示归一化之前的历史电价序列中的值;X′i表示归一化之后的历史电价的值;max{Xi,i=1,2,3,...,N}和min{Xi,i=1,2,3,...,N}分别代表历史电价数据集Xi的最大值和最小值。
进一步的,所述S2具体包括:
采用逻辑单元细胞状态cell判断输入数据有效性,由3个门结构控制信息在细胞状态上更新,输入门it控制输入记忆细胞的信息,遗忘门ft控制删除信息并重置记忆细胞,输出门ot控制信息输出;
xt为输入信息,ht-1表示t-1时刻的长期记忆状态,为先前输出值,隐含层状态三种类型的门结构具体功能和输出的计算方法如下:
输入门it:根据输入数据,输入门判断数据用来更新存储器状态,具体公式如下:
it=sigmoid(wi[ht-1,xt]+bi) (4)
遗忘门ft:根据输入数据,遗忘门基于激励函数,决定细胞状态需要的信息,具体公式如下:
ft=sigmoid(wf[ht-1,xt]+bf) (5)
输出门ot:根据输入数据,和当前记忆单元存储的信息,决定输出信息,具体公式如下:
ot=sigmoid(wo[ht-1,xt]+bo) (6)
式中,it,ft,ot分别为输入门、遗忘门和输出门的输出信号,其中,ft决定细胞状态的遗忘比例,it决定当前信息输入到细胞状态的比例,ot决定细胞状态输出到当前状态ht的比例;wi,wf,wo,wc表示各门结构的权值向量,bi,bf,bo,bc表示各门结构的相位向量,均为待训练的参数;
每个t时刻,输入信息由当前的输入xt和t-1时刻隐藏层的ht-1计算所得,其中tanh函数将函数值限定于(-1,1),以创建新的候选状态向量:
细胞状态逻辑单元由输入门it决定更新:
输出信息ht由输出门ot决定更新:
ht=ot*tanh(ct) (9)
进一步的,所述S3具体包括:
根据S1所述预处理后的历史电价数据,以均方误差作为代价函数,训练S2所构建的长短期记忆网络模型,训练后的模型作为短期电价预测模型。
进一步的,所述S4具体包括:
S41:训练集数据预处理
选取影响电价的相关因素的历史数据时间序列,对该时间序列进行与S13所述相同的归一化处理,处理后的数据形成基于长短期记忆网络短期电价预测模型的测试集;
S42:基于长短期记忆网络的短期电价预测
将测试集数据输入S3所构建的长短期记忆网络短期电价预测模型,进行电价预测,获得归一化后的短期电价预测结果;
S43:预测数据处理
对归一化后的短期电价预测结果进行反归一化处理,获得基于长短期记忆网络短期电价预测模型的实际短期电价预测结果。
本发明的有益效果:
1、本发明电价预测方法通过均值插补和小波变换对历史电价数据进行预处理,减少了训练集的噪声;
2、发明电价预测方法基于长短期记忆网络预测模型,以历史影响电价因素数据为测试集进行短期电价预测,对市场参与者进行合理的交易决策,以降低成本、规避风险和提高利润率意义重大。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明电价预测方法流程图;
图2是本发明长短期记忆网络的单元结构图。
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它实施例,都属于本发明保护的范围。
一种基于长短期记忆网络的短期电价预测方法,电价预测方法包括以下步骤:
S1:进行原始电价中的异常数据和缺失数据的周期性预处理。
S11:均值插补法处理历史电价异常数据
电力交易中心的历史电价数据存在剧烈的波动性,且短时电价数据在每年、每周等尺度上具备很强的周期性,可能出现偏离周期性的缺失值和异常值,这对短期电价预测产生了不利影响。
对于原始数据的异常值和缺失值,采用均值插补法,取异常数据所在位置的前后n个数据作为插补数据,对异常数据进行预处理:
式中,Xj为原始电价数据序列,i为原始电价序列中异常值的序号,Xi'为采用均值插补的数据。
S12:小波变换法去周期性处理
小波变换是基于傅里叶变换改进的新数据变换方法,能对时间频率的局部化分析,通过伸缩平移运算对数据逐步进行多尺度细化,最终达到高频处时间细分,低频处频率细分的效果。通过小波变换可以将历史电价数据分解为一组周期性分量和随机波动分量组成的子序列,其中,周期性分量更稳定,随机波动分量更精确。通过对这一组分量分别进行预测后再组合,可以很大提高短期电价的预测精度。
由于历史电价数据往往是每个30分钟或每个小时的数据,因此采用离散小波变换进行历史电价数据的去周期性处理:
式中,m表示缩放常数,n表示平移常数,m,n∈N;α为尺度参数;τ为平移参数;ψ(x)为母小波,ψ*(x)为母小波的复共轭函数。
综合权衡数据波长和平滑性,采用Daubechies 5小波对历史电价数据序列进行5层小波变换。分解之后获得不同周期的6个子序列,其中包括近似低频序列{a5},和5个高频细节序列{d1,d2,d3,d4,d5}。
S13:历史电价数据归一化处理
为了保证各输入序列的时间步的量纲统一,且由于长短期记忆网络对原始数据更加敏感,通过最大值最小值标准化法,对历史电价数据进行归一化处理:
式中,Xi表示归一化之前的历史电价序列中的值;X′i表示归一化之后的历史电价的值;max{Xi,i=1,2,3,...,N}和min{Xi,i=1,2,3,...,N}分别代表历史电价数据集Xi的最大值和最小值。
S2:进行长短期记忆网络模型构建。
如图2所示,为一种基于长短期记忆网络的短期电价预测方法的长短期记忆网络的单元结构图。
在传统循环神经网络架构中加入门控机构,就形成了长短期记忆网络架构,这种架构可以有效缓解循环神经网络中由于以往久远数据被遗忘而产生的梯度消失或***,减轻了长期以来的数据依赖难题。
长短期记忆网络引入了一个判断输入数据有效性的逻辑单元细胞状态cell,由3个门结构控制信息在细胞状态上更新,实现信息在网络上的长期流动。输入门it控制输入记忆细胞的信息,遗忘门ft控制删除信息并重置记忆细胞,输出门ot控制信息输出。
如图2所示,xt为输入信息,ht-1表示t-1时刻的长期记忆状态,为先前输出值,隐含层状态三种类型的门结构具体功能和输出的计算方法如下:
输入门it:根据输入数据,输入门有条件地判断哪些数据可以用来更新存储器状态,具体公式如下:
it=sigmoid(wi[ht-1,xt]+bi) (4)
遗忘门ft:根据输入数据,遗忘门基于激励函数,有条件地决定细胞状态需要的信息,具体公式如下:
ft=sigmoid(wf[ht-1,xt]+bf) (5)
输出门ot:根据输入数据,和当前记忆单元存储的信息,有条件地决定输出信息,具体公式如下:
ot=sigmoid(wo[ht-1,xt]+bo)(6)
式中,it,ft,ot分别为输入门、遗忘门和输出门的输出信号,其中,ft决定细胞状态的遗忘比例,it决定当前信息输入到细胞状态的比例,ot决定细胞状态输出到当前状态ht的比例;wi,wf,wo,wc表示各门结构的权值向量,bi,bf,bo,bc表示各门结构的相位向量,均为待训练的参数。
在图2的每个t时刻,输入信息由当前的输入xt和t-1时刻隐藏层的ht-1计算所得,其中tanh函数将函数值限定于(-1,1),以创建新的候选状态向量:
细胞状态逻辑单元由输入门it决定如何更新:
输出信息ht由输出门ot决定如何更新:
ht=ot*tanh(ct) (9)
S3:进行长短期记忆网络模型训练,选择模型参数,建立短期电价的预测模型。
根据S1所述预处理后的历史电价数据,以均方误差作为代价函数,训练S2所构建的长短期记忆网络模型,训练后的模型作为短期电价预测模型。
S4:进行短期电价预测,并对预测结果数据进行反归一化处理,获得实际电价预测值。
S41:训练集数据预处理
选取影响电价的相关因素的历史数据时间序列(气象、负荷等),对该时间序列进行与S13所述相同的归一化处理,处理后的数据形成基于长短期记忆网络短期电价预测模型的测试集。
S42:基于长短期记忆网络的短期电价预测
将测试集数据输入S3所构建的长短期记忆网络短期电价预测模型,进行电价预测,获得归一化后的短期电价预测结果。
S43:预测数据处理
对归一化后的短期电价预测结果进行反归一化处理,获得基于长短期记忆网络短期电价预测模型的实际短期电价预测结果。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (8)
1.一种基于长短期记忆网络的短期电价预测方法,其特征在于,所述电价预测方法包括以下步骤:
S1:进行原始电价中的异常数据和缺失数据的周期性预处理;
S2:进行长短期记忆网络模型构建;
S3:进行长短期记忆网络模型训练,选择模型参数,建立短期电价的预测模型;
S4:进行短期电价预测,并对预测结果数据进行反归一化处理,获得实际电价预测值。
2.根据权利要求1所述的一种基于长短期记忆网络的短期电价预测方法,其特征在于,所述S1具体包括以下步骤:
S11:均值插补法处理历史电价异常数据;
S12:小波变换法去周期性处理;
S13:历史电价数据归一化处理。
6.根据权利要求5所述的一种基于长短期记忆网络的短期电价预测方法,其特征在于,所述S2具体包括:
采用逻辑单元细胞状态cell判断输入数据有效性,由3个门结构控制信息在细胞状态上更新,输入门it控制输入记忆细胞的信息,遗忘门ft控制删除信息并重置记忆细胞,输出门ot控制信息输出;
xt为输入信息,ht-1表示t-1时刻的长期记忆状态,为先前输出值,隐含层状态三种类型的门结构具体功能和输出的计算方法如下:
输入门it:根据输入数据,输入门判断数据用来更新存储器状态,具体公式如下:
it=sigmoid(wi[ht-1,xt]+bi) (4)
遗忘门ft:根据输入数据,遗忘门基于激励函数,决定细胞状态需要的信息,具体公式如下:
ft=sigmoid(wf[ht-1,xt]+bf) (5)
输出门ot:根据输入数据,和当前记忆单元存储的信息,决定输出信息,具体公式如下:
ot=sigmoid(wo[ht-1,xt]+bo) (6)
式中,it,ft,ot分别为输入门、遗忘门和输出门的输出信号,其中,ft决定细胞状态的遗忘比例,it决定当前信息输入到细胞状态的比例,ot决定细胞状态输出到当前状态ht的比例;wi,wf,wo,wc表示各门结构的权值向量,bi,bf,bo,bc表示各门结构的相位向量,均为待训练的参数;
每个t时刻,输入信息由当前的输入xt和t-1时刻隐藏层的ht-1计算所得,其中tanh函数将函数值限定于(-1,1),以创建新的候选状态向量:
细胞状态逻辑单元由输入门it决定更新:
输出信息ht由输出门ot决定更新:
ht=ot*tanh(ct) (9)
7.根据权利要求6所述的一种基于长短期记忆网络的短期电价预测方法,其特征在于,所述S3具体包括:
根据S1所述预处理后的历史电价数据,以均方误差作为代价函数,训练S2所构建的长短期记忆网络模型,训练后的模型作为短期电价预测模型。
8.根据权利要求7所述的一种基于长短期记忆网络的短期电价预测方法,其特征在于,所述S4具体包括:
S41:训练集数据预处理
选取影响电价的相关因素的历史数据时间序列,对该时间序列进行与S13所述相同的归一化处理,处理后的数据形成基于长短期记忆网络短期电价预测模型的测试集;
S42:基于长短期记忆网络的短期电价预测
将测试集数据输入S3所构建的长短期记忆网络短期电价预测模型,进行电价预测,获得归一化后的短期电价预测结果;
S43:预测数据处理
对归一化后的短期电价预测结果进行反归一化处理,获得基于长短期记忆网络短期电价预测模型的实际短期电价预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011273027.XA CN112396225A (zh) | 2020-11-13 | 2020-11-13 | 一种基于长短期记忆网络的短期电价预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011273027.XA CN112396225A (zh) | 2020-11-13 | 2020-11-13 | 一种基于长短期记忆网络的短期电价预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112396225A true CN112396225A (zh) | 2021-02-23 |
Family
ID=74601074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011273027.XA Pending CN112396225A (zh) | 2020-11-13 | 2020-11-13 | 一种基于长短期记忆网络的短期电价预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396225A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139817A (zh) * | 2021-04-28 | 2021-07-20 | 北京沃东天骏信息技术有限公司 | 数据分类方法、数据分类装置、介质及电子设备 |
CN113256020A (zh) * | 2021-06-15 | 2021-08-13 | 国网浙江省电力有限公司 | 一种考虑多尺度时间序列的供电***成本预测方法 |
CN113919600A (zh) * | 2021-12-08 | 2022-01-11 | 国网湖北省电力有限公司经济技术研究院 | 一种居民负荷超短期预测方法 |
CN114358161A (zh) * | 2021-12-27 | 2022-04-15 | 中国人民解放军国防科技大学 | 一种基于小波散射网络的跌倒检测方法、装置及电子设备 |
CN117217843A (zh) * | 2023-10-18 | 2023-12-12 | 河北建投电力科技服务有限公司 | 基于云计算的电力销售电价数据处理方法 |
-
2020
- 2020-11-13 CN CN202011273027.XA patent/CN112396225A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139817A (zh) * | 2021-04-28 | 2021-07-20 | 北京沃东天骏信息技术有限公司 | 数据分类方法、数据分类装置、介质及电子设备 |
CN113256020A (zh) * | 2021-06-15 | 2021-08-13 | 国网浙江省电力有限公司 | 一种考虑多尺度时间序列的供电***成本预测方法 |
CN113919600A (zh) * | 2021-12-08 | 2022-01-11 | 国网湖北省电力有限公司经济技术研究院 | 一种居民负荷超短期预测方法 |
CN113919600B (zh) * | 2021-12-08 | 2022-04-01 | 国网湖北省电力有限公司经济技术研究院 | 一种居民负荷超短期预测方法 |
CN114358161A (zh) * | 2021-12-27 | 2022-04-15 | 中国人民解放军国防科技大学 | 一种基于小波散射网络的跌倒检测方法、装置及电子设备 |
CN114358161B (zh) * | 2021-12-27 | 2024-02-02 | 中国人民解放军国防科技大学 | 一种基于小波散射网络的跌倒检测方法、装置及电子设备 |
CN117217843A (zh) * | 2023-10-18 | 2023-12-12 | 河北建投电力科技服务有限公司 | 基于云计算的电力销售电价数据处理方法 |
CN117217843B (zh) * | 2023-10-18 | 2024-04-19 | 河北建投电力科技服务有限公司 | 基于云计算的电力销售电价数据处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112396225A (zh) | 一种基于长短期记忆网络的短期电价预测方法 | |
CN110298501B (zh) | 基于长短时记忆神经网络的电负荷预测方法 | |
Liang et al. | A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers | |
CN111260030B (zh) | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 | |
Duan et al. | A combined short-term wind speed forecasting model based on CNN–RNN and linear regression optimization considering error | |
Shao et al. | Nickel price forecast based on the LSTM neural network optimized by the improved PSO algorithm | |
CN111027772A (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及*** | |
CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
CN111898247B (zh) | 滑坡位移预测方法、设备及存储介质 | |
Yang et al. | An ensemble prediction system based on artificial neural networks and deep learning methods for deterministic and probabilistic carbon price forecasting | |
CN112508286A (zh) | 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法 | |
Zhang et al. | Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM | |
Wang et al. | Generating multivariate load states using a conditional variational autoencoder | |
Jiang et al. | A short-term wind power prediction approach based on ensemble empirical mode decomposition and improved long short-term memory | |
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*** | |
Sun et al. | The CEEMD-LSTM-ARIMA model and its application in time series prediction | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
Kaur et al. | A VAE-Bayesian deep learning scheme for solar power generation forecasting based on dimensionality reduction | |
Huang | Deep-learning based climate downscaling using the super-resolution method: A case study over the western US | |
CN111368168A (zh) | 一种基于大数据的电价获取和预测方法、***和计算机可读存储介质 | |
CN116796639A (zh) | 短期电力负荷预测方法、装置及设备 | |
CN115619449A (zh) | 基于深度学习模型的化肥价格预测方法、设备及存储介质 | |
CN115689026A (zh) | 一种住宅负荷短期预测方法和*** | |
CN114707421A (zh) | 一种基于ijs-svr模型的短期风电功率预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210223 |
|
RJ01 | Rejection of invention patent application after publication |