CN113191559A - 一种基于自回归选择的改进神经网短期居民负荷预测方法 - Google Patents
一种基于自回归选择的改进神经网短期居民负荷预测方法 Download PDFInfo
- Publication number
- CN113191559A CN113191559A CN202110501221.7A CN202110501221A CN113191559A CN 113191559 A CN113191559 A CN 113191559A CN 202110501221 A CN202110501221 A CN 202110501221A CN 113191559 A CN113191559 A CN 113191559A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- historical
- prediction
- autoregressive
- 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 57
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 241000255789 Bombyx mori Species 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005096 rolling process 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
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于自回归选择的改进神经网短期居民负荷预测方法,包括如下步骤:S1、统计居民区历史电力负荷及相关数据;S2、按照季节划分历史数据;S3、选择数据,训练预测模型;S4、模型的自回归方式选择;S5、预测最近数据并更新预测模型;S6、判断序列长度是否达标。本发明按照季节出力负荷预测,且不同季节的负荷预测公用一套模型,同时基于改进的自回归选择神经网络,有效提高了负荷的精确性。填补了居民区负荷预测的空白,能够计及外界条件影响和人为因素影响,实现精确的负荷预测。
Description
技术领域
本发明属于负载预测领域,具体涉及一种基于自回归选择的改进神经网短期居民负荷预测方法。
背景技术
近年来随着电子产品的普及与工作模式的变化,不同社区和居民家庭之间的用电负荷差异越来越大,差异性的居民负荷对电网提出了新的需求。与此同时,随着分布式光伏与新能源电动汽车的进一步发展,使得居民区的负荷模式更加错综复杂。因此,精确预测居民区负荷则成为不可或缺的一环。
在现阶段的电力***研究中,负荷预测是极为重要的课题。但关于居民区负荷研究却很少,究其原因主要有两个方面:其一,居民区用电负荷隐私性较高,尤其是在多户型住宅,因此居民区的负荷数据难以搜集;其二,由于家庭负荷数据的不稳定性,预测单个家庭的电力负荷通常被认为具有挑战性。因此提出一种能够高效精确预测居民区短期负荷的方法是符合实际需要的。
针对上述提出的问题,现设计一种基于自回归选择的改进神经网短期居民负荷预测方法。
发明内容
针对现有技术的不足,本发明的目的在于提供一种基于自回归选择的改进神经网短期居民负荷预测方法,填补了居民区负荷预测的空白,能够计及外界条件影响和人为因素影响,实现精确的负荷预测。
本发明的目的可以通过以下技术方案实现:
一种基于自回归选择的改进神经网短期居民负荷预测方法,包括如下步骤:
S1、统计居民区历史电力负荷及相关数据;
S2、按照季节划分历史数据;
S3、选择数据,训练预测模型;
S4、模型的自回归方式选择;
S5、预测最近数据并更新预测模型;
S6、判断序列长度是否达标。
进一步的,所述S1具体包括如下步骤:
S1.1、统计居民区的历史电力负荷数据——需统计一个居民区内各楼宇的日平均负荷功率,每个住户的历史小时负荷数据;
S1.2、统计电力负荷意外的其他数据——包括历史温度数据、历史湿度数据、历史时间数据、历史风俗数据以及历史日期数据。
进一步的,所述S2具体包括如下步骤:
S2.1、对统计的历史数据进行预处理和数据清洗——剔除历史数据中的异常数据并填补历史数据中的空缺数据;
S2.2、对预处理完毕的数据进行分类——按照季度分为春夏秋冬四组数据。
进一步的,所述S3具体包括如下步骤:
S3.1、对于不同季节的数据用于初始化模型训练——对于其中一个季节,选择前四周或者其他连续四周的数据;
S3.2、对于选取的数据,选取出相应的历史特征——选择的特征数据有,历史负荷数据、湿度、温度、时间、风速、工作日或休息日情况。
S3.3、将选定后的数据用于ConvLSTM模型训练——ConvLSTM的计算公式如下:
ft=σ(Wfx*xt+Wfh*ht-1+bf) (1)
it=σ(Wix*It+Wih*ht-1+bi) (2)
ot=σ(Wox*It+Woh*ht-1+bo) (4)
ht=tanh(Ct)·ot (6);
S3.4、后续存在单步预测方法和最优滞后步长预测方法,需分别训练最优滞后步长模型和单步预测模型——单步回归预测模型的输入特征量仅为为上一时刻的负荷特征值,最优滞后步长预测模型的输入特征量为温度特征量、湿度特征量、时间特征量、风速特征、工作日或休息日特征量以及滞后负荷特征量。
进一步的,所述S3.3的公式(1)-(6)中,“·”表示哈达玛积,“*”表示卷积,Ct-1表示t-1时的ConvLSTM模块的输出,ht-1表示t-1时的ConvLSTM模块的状态,ht表示细胞在t时刻的输出,Ct表示细胞在t时刻的状态,Wfx、Wfh、Wix、Wih、Wcx、Wch、Wox和Woh是每个中间向量成对出现的可训练权值,bf、bi、bc和bo是可训练偏差。
进一步的,所述S4具体包括如下步骤:
S4.1、设定自回归阈值θ,该参数用于后续判定预测;
S4.2、预测下一个小时的负荷情况,需要输入过去一周的历史数据,并提取特征变量,进一步计算历史负荷序列的ACF序列,具体的计算公式如下:
公式(7)中,X,Y表示随机变量,Cov(X,Y)表示X,Y的协方差,DX表示X的方差,DY表示Y的方差;
对于一个固定的序列,计算公式如下:
根据公式(7)和(8),计算最大滞后24小时时的ACF序列;
S4.3、选择ACF值最大时的滞后时长为最优滞后时长,并比较此时的ACF值与θ的大小——若ACF值大于θ,则选择最优滞后步长预测方法,否则为避免过拟合蚕蛹单步回归预测方法;
最优滞后步长的预测方法输入为1*6特征变量,具体如下所示:
Et=[Tt,Ht,t,Wst,wd&wet] (9)
It=[yt-p,Et] (10)
yt=ConvLSTM(It) (11);
单步回归预测方法的输入为上一时刻负荷特征数据,具体如下:
It=[yt-1] (12)
yt=ConvLSTM(It) (13)。
进一步的,所述S4.3公式(9)-(11)中,Et为外源特征向量,yt-p为t-p时刻的负荷,It为ConvLSTM神经网络的输入数据,yt为预测的负荷结果。
Et中各个变量含义如下:Tt表示t时刻的温度,Ht表示t时刻的湿度,t表示时间,Wst表示t时刻的风速,wd&wet表示当天为工作日或者休息日。
进一步的,所述S5具体包括如下步骤:
S5.1、基于S4中的确定的预测方法和数据得出最新一小时的预测数据;
S5.2、利用预测得到的数据更新模型训练数据,并重新训练模型。
进一步的,所述S6具体包括如下步骤:
判断S5结束后生成的序列长度是否满足需求长度——若预测序列的长度已达到要求则结束上述过程,若预测序列长度不满足要求,则在加入新的预测数据后,重复S4和S5中的工作。
本发明的有益效果:
1、本发明提出的基于自回归选择的改进神经网短期居民负荷预测方法,按照季节出力负荷预测,且不同季节的负荷预测公用一套模型,同时基于改进的自回归选择神经网络,有效提高了负荷的精确性;
2、本发明提出的基于自回归选择的改进神经网短期居民负荷预测方法,在针对居民负荷预测时考虑历史负荷数据、历史温度数据、历史湿度数据、历史时间数据、历史风俗数据以及历史日期数据等影响,计及多维因素的贡献,既能最大程度降低了人类行为对居民负荷的影响,又能有效提高预测精度;
3、本发明提出的基于自回归选择的改进神经网短期居民负荷预测方法,在进行负荷预测时,从计算序列的自相关系数来决定预测方式,这样既能保证预测结果与原序列的最大相关性又可避免过拟合现象;
4、本发明提出的基于自回归选择的改进神经网短期居民负荷预测方法,在负荷预测时采用滚动模型的方法。该方法将单步预测的结果与原有序列形成新的序列,并以此进一步训练预测模型,以新的序列与模型预测出下一时段的负荷结果。
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,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是本发明实施例的整体预测方法流程图;
图2是本发明实施例的具体实施流程图。
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。
如图1、图2所示,一种基于自回归选择的改进神经网短期居民负荷预测方法,包括如下步骤:
S1、统计居民区历史电力负荷及相关数据;
S2、按照季节划分历史数据;
S3、选择数据,训练预测模型;
S4、模型的自回归方式选择;
S5、预测最近数据并更新预测模型;
S6、判断序列长度是否达标。
下面对上述步骤做进一步解释。
S1、统计居民区历史电力负荷及相关数据,具体包括如下步骤:
S1.1、统计居民区的历史电力负荷数据——需统计一个居民区内各楼宇的日平均负荷功率,每个住户的历史小时负荷数据;
S1.2、统计电力负荷意外的其他数据——包括历史温度数据、历史湿度数据、历史时间数据、历史风俗数据以及历史日期数据。
S2、按照季节划分历史数据,具体包括如下步骤:
S2.1、对统计的历史数据进行预处理和数据清洗——剔除历史数据中的异常数据并填补历史数据中的空缺数据;
S2.2、对预处理完毕的数据进行分类——按照1-3月、4-6月、7-9月和10-12月根据季度分为春夏秋冬四组数据。
S3、选择数据,训练预测模型,具体包括如下步骤:
S3.1、对于不同季节的数据用于初始化模型训练——对于某一个季节,选择前四周或者其他连续四周的数据;
S3.2、对于选取的数据,选取出相应的历史特征——选择的特征数据有,历史负荷数据、湿度、温度、时间、风速、工作日或休息日情况。
S3.3、将选定后的数据用于ConvLSTM(ConvLSTM是LSTM——长短期记忆人工神经网络的变体,改变主要是W的权值计算变成了卷积运算,这样可以提取出图像的特征)模型训练——ConvLSTM的计算公式如下:
ft=σ(Wfx*xt+Wfh*ht-1+bf) (1)
it=σ(Wix*It+Wih*ht-1+bi) (2)
ot=σ(Wox*It+Woh*ht-1+bo) (4)
ht=tanh(Ct)·ot (6)
公式(1)-(6)中,“·”表示哈达玛积,“*”表示卷积,Ct-1表示t-1时的ConvLSTM模块的输出,ht-1表示t-1时的ConvLSTM模块的状态,ht表示细胞在t时刻的输出,Ct表示细胞在t时刻的状态,Wfx、Wfh、Wix、Wih、Wcx、Wch、Wox和Woh是每个中间向量成对出现的可训练权值,bf、bi、bc和bo是可训练偏差;
S3.4、后续存在单步预测方法和最优滞后步长预测方法,因此在该步骤中需分别训练最优滞后步长模型和单步预测模型——单步回归预测模型的输入特征量仅为为上一时刻的负荷特征值,最优滞后步长预测模型的输入特征量为温度特征量、湿度特征量、时间特征量、风速特征、工作日或休息日特征量以及滞后负荷特征量。
S4、模型的自回归方式选择,具体包括如下步骤:
S4.1、设定自回归阈值θ,该参数用于后续判定预测;
S4.2、预测下一个小时的负荷情况,需要输入过去一周的历史数据,并提取特征变量,进一步计算历史负荷序列的ACF序列,具体的计算公式如下:
公式(7)中,X,Y表示随机变量,Cov(X,Y)表示X,Y的协方差,DX表示X的方差,DY表示Y的方差。
对于一个固定的序列,计算公式如下:
根据公式(7)和(8),计算最大滞后24小时时的ACF序列;
S4.3、选择ACF值最大时的滞后时长为最优滞后时长,并比较此时的ACF值与θ的大小——若ACF值大于θ,则选择最优滞后步长预测方法,否则为避免过拟合蚕蛹单步回归预测方法;
最优滞后步长的预测方法输入为1*6特征变量,具体如下所示:
Et=[Tt,Ht,t,Wst,wd&wet] (9)
It=[yt-p,Et] (10)
yt=ConvLSTM(It) (11)
公式(9)-(11)中,Et为外源特征向量,yt-p为t-p时刻的负荷,It为ConvLSTM神经网络的输入数据,yt为预测的负荷结果;
Et中各个变量含义如下:Tt表示t时刻的温度,Ht表示t时刻的湿度,t表示时间,Wst表示t时刻的风速,wd&wet表示当天为工作日或者休息日;
单步回归预测方法的输入为上一时刻负荷特征数据,具体如下:
It=[yt-1] (12)
yt=ConvLSTM(It) (13)。
S5、预测最近数据并更新预测模型,具体包括如下步骤:
S5.1、基于S4中的确定的预测方法和数据得出最新一小时的预测数据;
S5.2、利用预测得到的数据更新模型训练数据,并重新训练模型。
S6、判断序列长度是否达标,具体包括如下步骤:
S6.1、首先判断S5结束后生成的序列长度是否满足需求长度——若预测序列的长度已达到要求则结束上述过程,若预测序列长度不满足要求,则在加入新的预测数据后,重复S4和S5中的工作。
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 (9)
1.一种基于自回归选择的改进神经网短期居民负荷预测方法,其特征在于,包括如下步骤:
S1、统计居民区历史电力负荷及相关数据;
S2、按照季节划分历史数据;
S3、选择数据,训练预测模型;
S4、模型的自回归方式选择;
S5、预测最近数据并更新预测模型;
S6、判断序列长度是否达标。
2.根据权利要求1所述的一种基于自回归选择的改进神经网短期居民负荷预测方法,其特征在于,所述S1具体包括如下步骤:
S1.1、统计居民区的历史电力负荷数据——需统计一个居民区内各楼宇的日平均负荷功率,每个住户的历史小时负荷数据;
S1.2、统计电力负荷意外的其他数据——包括历史温度数据、历史湿度数据、历史时间数据、历史风俗数据以及历史日期数据。
3.根据权利要求1所述的一种基于自回归选择的改进神经网短期居民负荷预测方法,其特征在于,所述S2具体包括如下步骤:
S2.1、对统计的历史数据进行预处理和数据清洗——剔除历史数据中的异常数据并填补历史数据中的空缺数据;
S2.2、对预处理完毕的数据进行分类——按照季度分为春夏秋冬四组数据。
4.根据权利要求1所述的一种基于自回归选择的改进神经网短期居民负荷预测方法,其特征在于,所述S3具体包括如下步骤:
S3.1、对于不同季节的数据用于初始化模型训练——对于其中一个季节,选择前四周或者其他连续四周的数据;
S3.2、对于选取的数据,选取出相应的历史特征——选择的特征数据有,历史负荷数据、湿度、温度、时间、风速、工作日或休息日情况。
S3.3、将选定后的数据用于ConvLSTM模型训练——ConvLSTM的计算公式如下:
ft=σ(Wfx*xt+Wfh*ht-1+bf) (1)
it=σ(Wix*It+Wih*ht-1+bi) (2)
ot=σ(Wox*It+Woh*ht-1+bo) (4)
ht=tanh(Ct)·ot (6);
S3.4、后续存在单步预测方法和最优滞后步长预测方法,需分别训练最优滞后步长模型和单步预测模型——单步回归预测模型的输入特征量仅为为上一时刻的负荷特征值,最优滞后步长预测模型的输入特征量为温度特征量、湿度特征量、时间特征量、风速特征、工作日或休息日特征量以及滞后负荷特征量。
5.根据权利要求4所述的一种基于自回归选择的改进神经网短期居民负荷预测方法,其特征在于,所述S3.3的公式(1)—(6)中,“·”表示哈达玛积,“*”表示卷积,Ct-1表示t-1时的ConvLSTM模块的输出,ht-1表示t-1时的ConvLSTM模块的状态,ht表示细胞在t时刻的输出,Ct表示细胞在t时刻的状态,Wfx、Wfh、Wix、Wih、Wcx、Wch、Wox和Woh是每个中间向量成对出现的可训练权值,bf、bi、bc和bo是可训练偏差。
6.根据权利要求1所述的一种基于自回归选择的改进神经网短期居民负荷预测方法,其特征在于,所述S4具体包括如下步骤:
S4.1、设定自回归阈值θ,该参数用于后续判定预测;
S4.2、预测下一个小时的负荷情况,需要输入过去一周的历史数据,并提取特征变量,进一步计算历史负荷序列的ACF序列,具体的计算公式如下:
公式(7)中,X,Y表示随机变量,Cov(X,Y)表示X,Y的协方差,DX表示X的方差,DY表示Y的方差;
对于一个固定的序列,计算公式如下:
公式(8)中,Xi表示序列的第i项,Xi+k表示序列的第i+k项,X表示序列的平均值;
根据公式(7)和(8),计算最大滞后24小时时的ACF序列;
S4.3、选择ACF值最大时的滞后时长为最优滞后时长,并比较此时的ACF值与θ的大小——若ACF值大于θ,则选择最优滞后步长预测方法,否则为避免过拟合蚕蛹单步回归预测方法;
最优滞后步长的预测方法输入为1*6特征变量,具体如下所示:
Et=[Tt,Ht,t,Wst,wd&wet] (9)
It=[yt-p,Et] (10)
yt=ConvLSTM(It) (11);
单步回归预测方法的输入为上一时刻负荷特征数据,具体如下:
It=[yt-1] (12)
yt=ConvLSTM(It) (13)。
7.根据权利要求6所述的一种基于自回归选择的改进神经网短期居民负荷预测方法,其特征在于,所述S4.3公式(9)—(11)中,Et为外源特征向量,yt-p为t-p时刻的负荷,It为ConvLSTM神经网络的输入数据,yt为预测的负荷结果;
Et中各个变量含义如下:Tt表示t时刻的温度,Ht表示t时刻的湿度,t表示时间,Wst表示t时刻的风速,wd&wet表示当天为工作日或者休息日。
8.根据权利要求1所述的一种基于自回归选择的改进神经网短期居民负荷预测方法,其特征在于,所述S5具体包括如下步骤:
S5.1、基于S4中的确定的预测方法和数据得出最新一小时的预测数据;
S5.2、利用预测得到的数据更新模型训练数据,并重新训练模型。
9.根据权利要求1所述的一种基于自回归选择的改进神经网短期居民负荷预测方法,其特征在于,所述S6具体包括如下步骤:
判断S5结束后生成的序列长度是否满足需求长度——若预测序列的长度已达到要求则结束上述过程,若预测序列长度不满足要求,则在加入新的预测数据后,重复S4和S5中的工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110501221.7A CN113191559B (zh) | 2021-05-08 | 2021-05-08 | 一种基于自回归选择的改进神经网短期居民负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110501221.7A CN113191559B (zh) | 2021-05-08 | 2021-05-08 | 一种基于自回归选择的改进神经网短期居民负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191559A true CN113191559A (zh) | 2021-07-30 |
CN113191559B CN113191559B (zh) | 2024-04-19 |
Family
ID=76984421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110501221.7A Active CN113191559B (zh) | 2021-05-08 | 2021-05-08 | 一种基于自回归选择的改进神经网短期居民负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191559B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114743072A (zh) * | 2022-05-24 | 2022-07-12 | 中国科学院计算机网络信息中心 | 一种短期时间序列预测模型的训练方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012244897A (ja) * | 2011-05-13 | 2012-12-10 | Fujitsu Ltd | 短期電力負荷を予測する方法及び装置 |
US20130110756A1 (en) * | 2011-10-31 | 2013-05-02 | Siemens Corporation | Short-term Load Forecast Using Support Vector Regression and Feature Learning |
CN104636822A (zh) * | 2015-01-21 | 2015-05-20 | 广州市香港科大***研究院 | 一种基于elman神经网络的居民负荷预测方法 |
CN105976199A (zh) * | 2016-04-26 | 2016-09-28 | 重庆大学 | 一种基于混合模型的医药销量的预测方法及*** |
CN110046787A (zh) * | 2019-01-15 | 2019-07-23 | 重庆邮电大学 | 一种城市区域电动汽车充电需求时空预测方法 |
WO2019231448A1 (en) * | 2018-05-31 | 2019-12-05 | Siemens Aktiengesellschaft | Solar irradiation prediction using deep learning with end-to- end training |
CN112152201A (zh) * | 2020-08-25 | 2020-12-29 | 国网山东综合能源服务有限公司 | 基于卷积长短时记忆神经网络的用电负荷预测方法及*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107895211A (zh) * | 2017-11-27 | 2018-04-10 | 上海积成能源科技有限公司 | 一种基于大数据的中长期电力负荷预测方法和*** |
CN110070202A (zh) * | 2019-02-19 | 2019-07-30 | 浙江华云信息科技有限公司 | 一种通过用电量数据预测经济产出的方法 |
CN110070201A (zh) * | 2019-02-19 | 2019-07-30 | 国网浙江省电力有限公司 | 一种通过经济增长率预测用电量增长率的方法 |
CN110298501B (zh) * | 2019-06-21 | 2022-08-16 | 河海大学常州校区 | 基于长短时记忆神经网络的电负荷预测方法 |
CN110826774B (zh) * | 2019-10-18 | 2022-03-22 | 广东电网有限责任公司广州供电局 | 母线负荷预测方法、装置、计算机设备及存储介质 |
CN111651941B (zh) * | 2020-04-30 | 2022-05-17 | 北京航空航天大学 | 一种全球电离层电子总含量预测的算法 |
-
2021
- 2021-05-08 CN CN202110501221.7A patent/CN113191559B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012244897A (ja) * | 2011-05-13 | 2012-12-10 | Fujitsu Ltd | 短期電力負荷を予測する方法及び装置 |
US20130110756A1 (en) * | 2011-10-31 | 2013-05-02 | Siemens Corporation | Short-term Load Forecast Using Support Vector Regression and Feature Learning |
CN104636822A (zh) * | 2015-01-21 | 2015-05-20 | 广州市香港科大***研究院 | 一种基于elman神经网络的居民负荷预测方法 |
CN105976199A (zh) * | 2016-04-26 | 2016-09-28 | 重庆大学 | 一种基于混合模型的医药销量的预测方法及*** |
WO2019231448A1 (en) * | 2018-05-31 | 2019-12-05 | Siemens Aktiengesellschaft | Solar irradiation prediction using deep learning with end-to- end training |
CN110046787A (zh) * | 2019-01-15 | 2019-07-23 | 重庆邮电大学 | 一种城市区域电动汽车充电需求时空预测方法 |
CN112152201A (zh) * | 2020-08-25 | 2020-12-29 | 国网山东综合能源服务有限公司 | 基于卷积长短时记忆神经网络的用电负荷预测方法及*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114743072A (zh) * | 2022-05-24 | 2022-07-12 | 中国科学院计算机网络信息中心 | 一种短期时间序列预测模型的训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113191559B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766990B (zh) | 一种光伏电站发电功率的预测方法 | |
Hu et al. | A hybrid model based on CNN and Bi-LSTM for urban water demand prediction | |
CN105069525B (zh) | 全天候96点日负荷曲线预测及优化修正*** | |
CN110348624B (zh) | 一种基于Stacking集成策略的沙尘暴等级预测方法 | |
CN111428926B (zh) | 一种考虑气象因素的区域电力负荷预测方法 | |
CN109583565A (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
CN113572157A (zh) | 一种基于近端策略优化的用户实时自治能量管理优化方法 | |
CN112215428B (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及*** | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和*** | |
CN112508246B (zh) | 一种基于相似日的光伏发电功率预测方法 | |
CN111553750A (zh) | 一种计及电价不确定性和损耗成本的储能竞价策略方法 | |
CN114648176A (zh) | 一种基于数据驱动的风光电源消纳优化方法 | |
CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
CN113393339A (zh) | 基于深度神经网络组合模型的配电网短期负荷预测方法 | |
CN115829115A (zh) | 一种基于pca-lstm-mtl含光伏电站的台区负荷预测方法 | |
CN113191559B (zh) | 一种基于自回归选择的改进神经网短期居民负荷预测方法 | |
CN110222910B (zh) | 一种有源配电网态势预测方法及预测*** | |
CN108171380A (zh) | 一种基于fisher信息处理多维气象因素短期负荷处理方法 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN114004530A (zh) | 基于排序支撑向量机的企业电力信用分建模方法及*** | |
CN116167508B (zh) | 一种基于气象因素分解的短期光伏出力快速预测方法及*** | |
CN110489893B (zh) | 一种基于可变权值的母线负荷预测方法及*** | |
CN112734073A (zh) | 一种基于长短期记忆网络的光伏发电功率短期预测方法 | |
CN115731072A (zh) | 一种基于安全深度强化学习的微网时空感知能量管理方法 | |
CN109034453A (zh) | 一种基于多标记神经网络的短期电力负荷预测方法 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Chen Lijuan Inventor before: Chen Lijuan Inventor before: Yang Wenzhen Inventor before: Liang Shuo |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |