CN113705853A - 基于关键工艺监测的综合能源负荷预测方法 - Google Patents
基于关键工艺监测的综合能源负荷预测方法 Download PDFInfo
- Publication number
- CN113705853A CN113705853A CN202110761448.5A CN202110761448A CN113705853A CN 113705853 A CN113705853 A CN 113705853A CN 202110761448 A CN202110761448 A CN 202110761448A CN 113705853 A CN113705853 A CN 113705853A
- Authority
- CN
- China
- Prior art keywords
- key process
- load
- energy
- data
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 111
- 238000012544 monitoring process Methods 0.000 title claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 230000008878 coupling Effects 0.000 claims abstract description 31
- 238000010168 coupling process Methods 0.000 claims abstract description 31
- 238000005859 coupling reaction Methods 0.000 claims abstract description 31
- 238000004519 manufacturing process Methods 0.000 claims abstract description 29
- 238000012795 verification Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 10
- 239000000203 mixture Substances 0.000 claims abstract description 4
- 238000012797 qualification Methods 0.000 claims description 15
- 238000009499 grossing Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 6
- 238000005265 energy consumption Methods 0.000 abstract description 5
- 238000012549 training Methods 0.000 abstract description 4
- 239000000047 product Substances 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000011265 semifinished product Substances 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
- G06N3/045—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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于关键工艺监测的综合能源负荷预测方法，包括如下步骤：S1、构建综合能源负荷***结构，确定综合能源负荷***内的关键工艺组成；S2、构建负荷能源数据结构，以时间为尺度构建负荷能源结构序列，将负荷能源结构序列分为测试集Tr和验证集Tx；S3、将测试集Tr中构建负荷能源结构序列的各信息作为RNN模型的输入；S4、将特征向量作为GRU模型的输入，生成RNN‑GRU预测模型；S5、通过验证集Tx对训练完成的RNN‑GRU预测模型进行可靠性验证；若可靠性不足，执行步骤S3，若可靠性合格，执行步骤S6；S6、利用训练好的RNN‑GRU预测模型预测关键工艺设备的负荷数据。通过构建RNN‑GRU预测模型并对其进行训练得到生产活动和能源消耗的耦合关系。
Description
技术领域
本发明设计综合能源负荷预测技术领域，具体的，涉及基于关键工艺监测的综合能源负荷预测方法。
背景技术
为提高能源利用效率和生产效率，需要对***进行负荷预测；综合能源***的负荷预测从传统的电力预测发展到了电、热、冷等多种能量的负荷预测。目前，综合能源***负荷预测主要采用的方法是利用工厂历史生产、当地气象、日历规则等数据进行规律总结从而进行预测。工厂历史数据指的是该工厂前期的电、热、冷的消耗情况；当地气象则指的是当地温度、风速、湿度条件；日历规则是考虑到法定节假日、周末的影响；传统的预测模型往往没有考虑生产过程中具体的工艺情况；如某些或某个生产工位的电量、冷量、热源的耦合情况以及与产品的生产计划、数量、成品率等情况的关联性。
中国专利，公开号：CN202010824705，公开日：2020年11月17日，本发明公开了一种考虑多元负荷耦合特性的综合能源***负荷预测方法，具体包括以下步骤：1)综合能源***历史数据预处理；2)多元负荷模态分解；3)建立多元负荷多任务学***稳性，在数据层面实现模型预测精度的提升。该方案没有考虑能源***之间的耦合关系以及能源***实际的投入产出情况，不能真实反映综合能源***负荷与实际效益之间的关联性。
发明内容
本发明的目的是解决传统能源负荷预测模型没有考虑能源的利用效率与各关键工艺的生产效益之间的内在关联性；不能真实反映综合能源***负荷与实际效益之间的关联性；提出了基于关键工艺监测的综合能源负荷预测方法；不仅仅是从整体能耗出发进行数据统计，且可以具体处理负荷消耗与生产活动的关系，使得关键工艺设备的负荷预测更加准确。
为实现上述技术目的，本发明提供的一种技术方案是，基于关键工艺监测的综合能源负荷预测方法，包括如下步骤：
S1、构建综合能源负荷***结构，确定综合能源负荷***内的关键工艺组成；
S2、获取关键工艺历史负荷数据、对应的日期信息、历史气象数据、关键工艺生产数据以及关键工艺设备之间的能量耦合数据；构建负荷能源数据结构，以时间为尺度构建负荷能源结构序列，将负荷能源结构序列分为测试集Tr和验证集Tx；
S3、将测试集Tr中构建负荷能源结构序列的各信息作为RNN模型的输入，输出特征向量；特征向量表征关键工艺设备的负荷数据；
S4、将特征向量作为GRU模型的输入，通过调整更新门和重置门生成RNN-GRU预测模型；
S5、通过验证集Tx对训练完成的RNN-GRU预测模型进行可靠性验证；若可靠性不足，执行步骤S3，若可靠性合格，执行步骤S6；
S6、利用训练好的RNN-GRU预测模型对关键工艺设备的负荷数据，输出预测结果。
本方案中，构建负荷能源数据结构并以时间为尺度构建负荷能源结构序列；将负荷能源结构序列作为RNN-GRU预测模型的输入，输出键工艺设备的负荷数据，对模型进行训练，并训练完成的RNN-GRU预测模型进行可靠性验证，得到最佳RNN-GRU预测模型；通过模型训练得到生产活动与能源负荷之间的耦合关系，可以具体到工厂生产的实际应用，不仅仅是从整体能耗出发进行数据统计，且可以具体处理负荷消耗与生产活动的关系，使得负荷预测更加准确。
作为优选，负荷能源数据结构根据关键工艺类别分为N类，每一类关键工艺组成一个独立的荷能源结构序列，每一个能源结构序列包含有对应的关键工艺历史负荷数据、日期信息、历史气象数据、关键工艺生产数据以及关键工艺设备之间的能量耦合数据。
作为优选，所述关键工艺设备之间的能量耦合情况包括：关键工艺设备间的热电耦合、冷电耦合、热冷耦合。
作为优选，所述关键工艺生产数据包括有关键工艺所在工位生产产品的成品的产量以及成品率。
作为优选，通过验证集Tx对RNN-GRU预测模型进行可靠性验证包括如下子步骤：
S51、采用测试集Tx内每一类关键工艺设备跟随时间序列上的历史气象数据、关键工艺生产数据以及关键工艺设备之间的能量耦合数据作为RNN-GRU预测模型的输入；生成跟随时间序列上的预测结果；预测结果可视化后制作预测曲线图，对预测曲线图围成的区域按时间区段进行切割成m份，分别计算每一份区域的面积a；
S52、测试集Tx可视化后经过平滑处理得到测试曲线图，对预测曲线图围成的区域按时间区段进行切割成m份，分别计算每一份区域的面积b；
S53、对应时间区间上的区域面积进行误差运算得到m个局部拟合优度值d；
S54、与预设的拟合优度值d0进行比较运算确定局部拟合优度值的合格率H，根据局部拟合优度值的合格率确定RNN-GRU预测模型是否可靠。
作为优选，S51包括如下步骤：
测试集Tx的每一类的跟随时间序列的历史气象数据、关键工艺生产数据以及关键工艺设备之间的能量耦合数据作为RNN-GRU预测模型的输入，输出预测结果，预测结果为当前关键工艺设备的负荷数据；
预测结果可视化后经过平滑处理得到预测曲线图，以时间间隔t2为周期对预测曲线图切割成m份；
分别计算时间间隔t2与其对应的预测曲线所围成的图形面积a生成面积序列A，记做A＝[a1，a2,···，am]。
作为优选，S52包括如下步骤：
测试集Tx可视化后经过平滑处理得到测试曲线图，以时间间隔t2为周期对测试曲线图进行切割成m份；
计算时间间隔t2与其对应的测试曲线所围成的图形面积b生成面积序列A，记做B＝[b1，b2,···，bm]。
作为优选，S53包括如下步骤：
局部拟合优度值d，计算公式如下：
作为优选，S54包括如下步骤：
拟合优度值序列D内拟合优度值分别与设定的拟合优度值d0进行比较得到状况表F；状况表F中的取值为m位二进制数，其中，d≥d0记为0；d<d0记为1；
通过状况表F中“1”的占位比例计算合格率H，若合格率H≥H0，则判定当前RNN-GRU预测模型是否可靠；若合格率H<H0，则判定当前RNN-GRU预测模型不可靠。
本发明的有益效果：本发明设计的基于关键工艺监测的综合能源负荷预测方法，除原来的历史数据、日历规则、气象数据等传统数据外，还需具体统计到每个工位的能量耦合情况，确定出每一工位的电、热、冷消耗情况，同时统计出该工位生产的成品或半成品的产量；作为RNN-GRU预测模型的输入对模型进行训练，得到生产活动和能源消耗的耦合关系，得到产品成品率与负荷消耗的关系，可以具体到工厂生产的实际应用，不仅仅是从整体能耗出发进行数据统计，且可以具体处理负荷消耗与生产活动的关系，使得负荷预测更加准确；并且对能源***的优化调控具备指导意义。
附图说明
图1为本发明的基于关键工艺监测的综合能源负荷预测方法的流程图。
具体实施方式
为使本发明的目的、技术方案以及优点更加清楚明白，下面结合附图和实施例对本发明作进一步详细说明，应当理解的是，此处所描述的具体实施方式仅是本发明的一种最佳实施例，仅用以解释本发明，并不限定本发明的保护范围，本领域普通技术人员在没有做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。
实施例：如图1所示，基于关键工艺监测的综合能源负荷预测方法的流程图，包括如下步骤：
S1、构建综合能源负荷***结构，确定综合能源负荷***内的关键工艺组成。
S2、获取关键工艺历史负荷数据、对应的日期信息、历史气象数据、关键工艺生产数据以及关键工艺设备之间的能量耦合数据；构建负荷能源数据结构，以时间为尺度构建负荷能源结构序列，将负荷能源结构序列按3:1的比例分为测试集Tr和验证集Tx；其中，关键工艺设备之间的能量耦合情况包括：关键工艺设备间的热电耦合、冷电耦合、热冷耦合；关键工艺生产数据包括有关键工艺所在工位生产产品的成品的产量以及成品率；
负荷能源数据结构根据关键工艺类别分为N类，每一类关键工艺组成一个独立的荷能源结构序列，每一个能源结构序列包含有对应的关键工艺历史负荷数据、日期信息、历史气象数据、关键工艺生产数据以及关键工艺设备之间的能量耦合数据。
S3、将测试集Tr中构建负荷能源结构序列的各信息作为RNN模型的输入，输出特征向量；特征向量表征关键工艺设备的负荷数据；RNN模型用于对一序列数据进行卷积计算，可降低数据维度；卷积后的数据序列作为GRU模型的输入信号。
S4、将特征向量作为GRU模型的输入，通过调整更新门和重置门生成RNN-GRU预测模型，GRU模型的输入参数少显著提高模型的训练效率。
S5、通过验证集Tx对训练完成的RNN-GRU预测模型进行可靠性验证；若可靠性不足，执行步骤S3，若可靠性合格，执行步骤S6；
S6、利用训练好的RNN-GRU预测模型对关键工艺设备的负荷数据，输出预测结果。
作为优选，通过验证集Tx对RNN-GRU预测模型进行可靠性验证包括如下子步骤：
S51、采用测试集Tx内每一类关键工艺设备跟随时间序列上的历史气象数据、关键工艺生产数据以及关键工艺设备之间的能量耦合数据作为RNN-GRU预测模型的输入；生成跟随时间序列上的预测结果；预测结果可视化后制作预测曲线图，对预测曲线图围成的区域按时间区段进行切割成m份，分别计算每一份区域的面积a；
S52、测试集Tx可视化后经过平滑处理得到测试曲线图，对预测曲线图围成的区域按时间区段进行切割成m份，分别计算每一份区域的面积b；
S53、对应时间区间上的区域面积进行误差运算得到m个局部拟合优度值d；
S54、与预设的拟合优度值d0进行比较运算确定局部拟合优度值的合格率H，根据局部拟合优度值的合格率确定RNN-GRU预测模型是否可靠。
其中，S51包括如下步骤：
测试集Tx的每一类的跟随时间序列的历史气象数据、关键工艺生产数据以及关键工艺设备之间的能量耦合数据作为RNN-GRU预测模型的输入，输出预测结果，预测结果为当前关键工艺设备的负荷数据；
预测结果可视化后经过平滑处理得到预测曲线图，以时间间隔t2为周期对预测曲线图切割成m份；
分别计算时间间隔t2与其对应的预测曲线所围成的图形面积a生成面积序列A，记做A＝[a1，a2,···，am]。
其中，S52包括如下步骤：
测试集Tx可视化后经过平滑处理得到测试曲线图，以时间间隔t2为周期对测试曲线图进行切割成m份；
计算时间间隔t2与其对应的测试曲线所围成的图形面积b生成面积序列A，记做B＝[b1，b2,···，bm]。
其中，S53包括如下步骤：
局部拟合优度值d，计算公式如下：
其中，S54包括如下步骤：
拟合优度值序列D内拟合优度值分别与设定的拟合优度值d0进行比较得到状况表F；状况表F中的取值为m位二进制数，其中，d≥d0记为0；d<d0记为1；
通过状况表F中“1”的占位比例计算合格率H，若合格率H≥H0，则判定当前RNN-GRU预测模型是否可靠；若合格率H<H0，则判定当前RNN-GRU预测模型不可靠。
以上所述之具体实施方式为本发明基于关键工艺监测的综合能源负荷预测方法的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明之形状、结构所作的等效变化均在本发明的保护范围内。
Claims (9)
1.基于关键工艺监测的综合能源负荷预测方法，其特征在于：包括如下步骤：
S1、构建综合能源负荷***结构，确定综合能源负荷***内的关键工艺组成；
S2、获取关键工艺历史负荷数据、对应的日期信息、历史气象数据、关键工艺生产数据以及关键工艺设备之间的能量耦合数据；构建负荷能源数据结构，以时间为尺度构建负荷能源结构序列，将负荷能源结构序列分为测试集Tr和验证集Tx；
S3、将测试集Tr中构建负荷能源结构序列的各信息作为RNN模型的输入，输出特征向量；特征向量表征关键工艺设备的负荷数据；
S4、将特征向量作为GRU模型的输入，通过调整更新门和重置门生成RNN-GRU预测模型；
S5、通过验证集Tx对训练完成的RNN-GRU预测模型进行可靠性验证；若可靠性不足，执行步骤S3，若可靠性合格，执行步骤S6；
S6、利用训练好的RNN-GRU预测模型与关键工艺设备的负荷数据。
2.根据权利要求1所述的基于关键工艺监测的综合能源负荷预测方法，其特征在于：
负荷能源数据结构根据关键工艺类别分为N类，每一类关键工艺组成一个独立的荷能源结构序列，每一个能源结构序列包含有对应的关键工艺历史负荷数据、日期信息、历史气象数据、关键工艺生产数据以及关键工艺设备之间的能量耦合数据。
3.根据权利要求1所述的基于关键工艺监测的综合能源负荷预测方法，其特征在于：所述关键工艺设备之间的能量耦合情况包括：关键工艺设备间的热电耦合、冷电耦合、热冷耦合。
4.根据权利要求1所述的基于关键工艺监测的综合能源负荷预测方法，其特征在于：所述关键工艺生产数据包括有关键工艺所在工位生产产品的成品的产量以及成品率。
5.根据权利要求1或2所述的基于关键工艺监测的综合能源负荷预测方法，其特征在于：通过验证集Tx对RNN-GRU预测模型进行可靠性验证包括如下子步骤：
S51、采用测试集Tx内每一类关键工艺设备跟随时间序列上的历史气象数据、关键工艺生产数据以及关键工艺设备之间的能量耦合数据作为RNN-GRU预测模型的输入；生成跟随时间序列上的预测结果；预测结果可视化后制作预测曲线图，对预测曲线图围成的区域按时间区段进行切割成m份，分别计算每一份区域的面积a；
S52、测试集Tx可视化后经过平滑处理得到测试曲线图，对预测曲线图围成的区域按时间区段进行切割成m份，分别计算每一份区域的面积b；
S53、对应时间区间上的区域面积进行误差运算得到m个局部拟合优度值d；
S54、与预设的拟合优度值d0进行比较运算确定局部拟合优度值的合格率H，根据局部拟合优度值的合格率确定RNN-GRU预测模型是否可靠。
6.根据权利要求5所述的基于关键工艺监测的综合能源负荷预测方法，其特征在于：
S51包括如下步骤：
测试集Tx的每一类的跟随时间序列的历史气象数据、关键工艺生产数据以及关键工艺设备之间的能量耦合数据作为RNN-GRU预测模型的输入，输出预测结果，预测结果为当前关键工艺设备的负荷数据；
预测结果可视化后经过平滑处理得到预测曲线图，以时间间隔t2为周期对预测曲线图切割成m份；
分别计算时间间隔t2与其对应的预测曲线所围成的图形面积a生成面积序列A，记做A＝[a1，a2,···，am]。
7.根据权利要求6所述的基于关键工艺监测的综合能源负荷预测方法，其特征在于：
S52包括如下步骤：
测试集Tx可视化后经过平滑处理得到测试曲线图，以时间间隔t2为周期对测试曲线图进行切割成m份；
计算时间间隔t2与其对应的测试曲线所围成的图形面积b生成面积序列A，记做B＝[b1，b2,···，bm]。
8.根据权利要求7所述的基于关键工艺监测的综合能源负荷预测方法，其特征在于：
S53包括如下步骤：
局部拟合优度值d，计算公式如下：
9.根据权利要求8所述的基于关键工艺监测的综合能源负荷预测方法，其特征在于：
S54包括如下步骤：
拟合优度值序列D内拟合优度值分别与设定的拟合优度值d0进行比较得到状况表F；状况表F中的取值为m位二进制数，其中，d≥d0记为0；d<d0记为1；
通过状况表F中“1”的占位比例计算合格率H，若合格率H≥H0，则判定当前RNN-GRU预测模型是否可靠；若合格率H<H0，则判定当前RNN-GRU预测模型不可靠。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110761448.5A CN113705853A (zh) | 2021-07-06 | 2021-07-06 | 基于关键工艺监测的综合能源负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110761448.5A CN113705853A (zh) | 2021-07-06 | 2021-07-06 | 基于关键工艺监测的综合能源负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113705853A true CN113705853A (zh) | 2021-11-26 |
Family
ID=78648306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110761448.5A Pending CN113705853A (zh) | 2021-07-06 | 2021-07-06 | 基于关键工艺监测的综合能源负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705853A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110610232A (zh) * | 2019-09-11 | 2019-12-24 | 南通大学 | 一种基于深度学习的长期及短期交通流预测模型构建方法 |
| US20200184131A1 (en) * | 2018-06-27 | 2020-06-11 | Dalian University Of Technology | A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
| CN111950793A (zh) * | 2020-08-17 | 2020-11-17 | 浙江工业大学 | 一种考虑多元负荷耦合特性的综合能源***负荷预测方法 |
| US20210203159A1 (en) * | 2019-12-27 | 2021-07-01 | North China Electric Power University | Power load forecasting method in multi-energy coupling mode |
-
2021
- 2021-07-06 CN CN202110761448.5A patent/CN113705853A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200184131A1 (en) * | 2018-06-27 | 2020-06-11 | Dalian University Of Technology | A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
| CN110610232A (zh) * | 2019-09-11 | 2019-12-24 | 南通大学 | 一种基于深度学习的长期及短期交通流预测模型构建方法 |
| US20210203159A1 (en) * | 2019-12-27 | 2021-07-01 | North China Electric Power University | Power load forecasting method in multi-energy coupling mode |
| CN111950793A (zh) * | 2020-08-17 | 2020-11-17 | 浙江工业大学 | 一种考虑多元负荷耦合特性的综合能源***负荷预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 庄世杰: "基于Zoneout的跨尺度循环神经网络及其在短期电力负荷预测中的应用", 《计算机科学》, 31 July 2020 (2020-07-31), pages 105 - 109 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khotanzad et al. | A neuro-fuzzy approach to short-term load forecasting in a price-sensitive environment | |
| Song et al. | Short-term load forecasting for the holidays using fuzzy linear regression method | |
| CN105868853B (zh) | 一种短期风电功率组合概率预测方法 | |
| CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
| CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
| CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、***及终端设备 | |
| Yuan et al. | Conditional style-based generative adversarial networks for renewable scenario generation | |
| CN115099842A (zh) | 一种商品销量预测模型、构建方法及其应用 | |
| CN110598929A (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
| CN111506868B (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
| CN113326966A (zh) | 基于ceemd-lstm的综合能源***多元负荷预测方法 | |
| CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
| CN116974230A (zh) | 一种基于物联网的设备运行模式智能控制方法及*** | |
| CN117239731A (zh) | 基于混合模型的节假日短期电力负荷预测方法 | |
| JPH06337852A (ja) | ニューラルネットワークによる時系列予測方法 | |
| CN113705853A (zh) | 基于关键工艺监测的综合能源负荷预测方法 | |
| CN117151276A (zh) | 售电平台的智能化管理*** | |
| CN109829115B (zh) | 搜索引擎关键词优化方法 | |
| CN104077231A (zh) | 基于符号动力学和ls-svm的变压器维护优化方法 | |
| CN116780506A (zh) | 一种家庭微电网能量管理方法、装置、设备及存储介质 | |
| CN116204566A (zh) | 一种数字化工厂监控大数据处理*** | |
| CN114091325A (zh) | 一种基于多模型分层学习的配电台区负荷预测方法及*** | |
| CN112465196A (zh) | 一种***负荷预测方法、装置、设备和存储介质 | |
| Kartini et al. | Very short term load forecasting based on meteorological with modelling k-NN-feed forward neural network | |
| Gasiorowski | 10 Political regimes and industrial wages: a cross-national analysis |
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 |