CN113902207A - 一种基于tcn-lstm的短期负荷预测方法 - Google Patents
一种基于tcn-lstm的短期负荷预测方法 Download PDFInfo
- Publication number
- CN113902207A CN113902207A CN202111215767.2A CN202111215767A CN113902207A CN 113902207 A CN113902207 A CN 113902207A CN 202111215767 A CN202111215767 A CN 202111215767A CN 113902207 A CN113902207 A CN 113902207A
- Authority
- CN
- China
- Prior art keywords
- data
- lstm
- time
- tcn
- input
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000004913 activation Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06N3/045—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
- G06N3/02—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
- 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)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于TCN‑LSTM的短期负荷预测方法，包括：获取样本数据；对样本数据进行预处理，剔除异常数据，填充残缺数据，并进行标准化处理；训练神经网络模型；具体为：以电力负荷数据与连续的非时序数据作为输入，以预测日各个采样点的电力预设负荷为输出，对时间卷积网络和LSTM结合的神经网络模型进行训练，得到基于TCN‑LSTM的短期负荷预测模型；本方法为电网***提供了更加精确的预测结果，也为电网***灵活调节供电量提供了更加可靠的依据。
Description
技术领域
本发明涉及电力***负荷预测技术领域，具体涉及一种基于TCN-LSTM的短期负荷预测方法。
背景技术
电力***负荷预测是电力***规划和稳定、安全、经济运行的基础。根据预测期限可以将负荷预测分为长期预测，中期预测，短期预测和超短期预测。不同的预测类型对电网有着不同的应用目的。其中短期负荷预测(Short term load forecasting,STLF)一般指当前时刻往后1小时到1周的负荷预测，适用于火电分配及水火协调等方面。可靠的预测结果有利于提高发电设备的利用率，降低电力网络的运营成本。而随着电网市场化改革的推进，有效的短期负荷预测对实时电价的影响更加明显。但是随着电网规模的不断扩大，负荷多样性的增加，高效和精确的短期负荷预测变得更加困难。这就要求超短期的负荷预测方法同时具有快速和准确的特点。
目前，用于负荷预测的方法主要可以分为两大类，分别是传统的统计学方法和新兴的机器学习方法。统计学方法包括了多元线性回归模型、卡尔曼滤波器模型、以及时间序列模型等，它建立的模型具有比较明确的数学形式，数据分布的假定和模型的合理性决定了预测结果好坏。而由于电力负荷具有复杂性和非线性的特点，很难做出较为符合实际的分布假定和建立明确的数学模型。因此多数的统计学方法在进行短期负荷预测时效果并不理想。机器学习方法包括了包括模糊推理***(Fuzzy inference system，FIS)、人工神经网络(Artificial neural network，ANN)和支持向量机(Support vector machine，SVM)等。这些方法能够较好的处理非线性问题，因此预测的准确率有所提高，但也存在一些其它问题，如缺乏自学能力，无法处理大规模数据，破坏数据的时序特征，手动特征选择等。
RNN模型具有记忆单元，可以实现对电力负荷数据时序关系提取，但在训练过程中容易产生梯度消失或***的问题。长短时记忆(Long-short time memory，LSTM)网络是一种改进的循环神经网络，它能够同时学习数据的非线性以及时序性特征，并且解决了普通RNN梯度消失的问题。CNN网络可以通过用卷积池化有效提升对数据的特征提取。但是单一的CNN网络与LSTM网络在长时间序列或多维输入数据面前，仍然存在序列特征信息丢失，数据间结构信息紊乱，多维特征挖掘不够充分的问题。组合预测模型通过将多种模型和方法组合起来对短期电力负荷进行预测，通过结合不同模型特点与优势更好的满足短期电力负荷预测的实际需要，一般情况下，组合模型预测精度均高于单一模型。
发明内容
1.所要解决的技术问题：
针对上述技术问题，本发明提供一种基于TCN-LSTM的短期负荷预测方法，利用时间卷积网络对时序数据的特征提取能力和LSTM神经网络的非线性拟合能力，搭建TCN-GRU组合预测模型。
2.技术方案：
一种基于TCN-LSTM的短期负荷预测方法，其特征在于：包括以下步骤：
步骤一：获取预设时间内的待预测的区域内多个采集点的历史电力负荷数据作为样本数据；数据的记录间隔为分钟级别，包括1-60分钟之间；历史负荷数据的时间跨度为可观测到负荷重复变化的周期的K倍，K为大于等于1的整数；
步骤二：对样本数据进行预处理，剔除异常数据，填充残缺数据，并进行标准化处理；
步骤三：训练神经网络模型；具体为：以电力负荷数据与连续的非时序数据作为输入，以预测日各个采样点的电力预设负荷为输出，对时间卷积网络和LSTM结合的神经网络模型进行训练，得到基于TCN-LSTM的短期负荷预测模型；所述非时序数据包括日期、星期、日平均温度、日平均电价；
所述基于TCN-LSTM的短期负荷预测模型包括输入1、时间卷积网络层、输入2、LSTM网络层；所述输入1输入时间卷积网络层，所述时间卷积网络层输出与输入2结合后输入
所述时间卷积网络层包括2层的残差单元，每层残差单元包含2个卷积单元和1个非线性映射；其中卷积单元使用ReLU函数作为激活函数，对卷积核的权重进行归一化操作；卷积核大小为2，并设置系数为0.4的Dropout系数，Dropout设置能够随机选取部分神经元失活，防止训练过拟合，同时加快模型的收敛速度；设置扩张系数为(1，2，4，8，16，32)；过滤器为128；残差单元的输入和输出具有不同的维度，不能直接做加和操作，将残差映射中增加了一个1×1的卷积层进行降维。
输入2为预设时间段的连续的非时序数据；所述非时序数据包括日期以及每日的非时序数据；预设时间段的每日的非时序数据包含日平均温度、日平均电价和日期类型经过one-hot编码后产生的7维的数据；所述非时序数据为9维数据；
所述LSTM网络层包括3层LSTM单元；具体为：首先将TCN模型的输出g与输入2的输出x2进行连接，需要保证数据的维度和样本个数相同，得到式(1)的数据Ct；
ct＝f(x(2，t)，gt)
(1)式中：：f表示连接操作；
LSTM网络层的输出层为预测日一天96个时间点的电力负荷预测结果YO输出层神经元个数设定为96；该层网络以Sigmoid函数作为激活函数。
进一步地，还包括采用Adam优化器对模型的参数进行优化。
3.有益效果：
本发明的基于TCN-LSTM的短期负荷预测模型能够提高预测准确率，为电网***提供了更加精确的预测结果，也为电网***灵活调节供电量提供了更加可靠的依据。
附图说明
图1为本发明的基于TCN-LSTM的短期负荷预测模型的示意图。
具体实施方式
下面结合附图对本发明进行具体的说明。
TCN模型是一种简单通用的解决时间序列问题的卷积神经网络架构。TCN模型由一组残差单元组成，每个残差单元是一个具有残差连接的小型神经网络，通过残差连接可以加快深层网络的反馈与收敛，解决随着网络层次增加造成的“退化现象”。残差单元中包含2个卷积单元和非线性映射。卷积单元中首先进行一维扩张因果卷积，通过扩张系数调整采样间隔，实现更大的感受野(receptive field，RF)，即卷积层上的特征能看到的区域范围，让网络可以记忆足够长的历史信息，并且只对t时刻之前的输入进行卷积以得到t时刻的输出，保证不会泄露未来的信息；然后对权重进行归一化处理，使用ReLU函数作为激活函数；最后采用Dropout操作，按照一定的概率随机丢弃神经元，达到防止过拟合和加速模型训练速度的目的。非线性映射是在残差单元的输入和输出具有不同的维度时，对高维度的数据进行降维。
循环神经网络是一种对时序性数据有较好的处理效果的神经网络，但存在着长期依赖问题，即随着输入序列长度的增加，模型无法利用序列中较早期的数据信息。为了解决这一问题，1997年Hochreiter等提出了LSTM网络，LSTM网络增加输入门it，遗忘门ft，输出门ot三个逻辑单元控制记忆单元输出。LSTM网络的特点是时序上相邻两个记忆单元的状态转移(ct-1到ct)由激活函数、输入门和遗忘门共同控制。
TCN模型通过一维因果卷积对过去的数据进行提取，保证时序性，残差连接加快收敛速度，扩张卷积实现时序特征提取。LSTM模型作为循环神经网络的变种，具有非线性拟合能力，能够有效提取数据特征，同时获得更快的收敛速度。
如附图1一种基于TCN-LSTM的短期负荷预测方法,其特征在于：包括以下步骤：
步骤一：获取预设时间内的待预测的区域内多个采集点的历史电力负荷数据作为样本数据；数据的记录间隔为分钟级别，包括1-60分钟之间；历史负荷数据的时间跨度为可观测到负荷重复变化的周期的K倍，K为大于等于1的整数；
步骤二：对样本数据进行预处理，剔除异常数据，填充残缺数据，并进行标准化处理；
步骤三：训练神经网络模型；具体为：以电力负荷数据与连续的非时序数据作为输入，以预测日各个采样点的电力预设负荷为输出，对时间卷积网络和LSTM结合的神经网络模型进行训练，得到基于TCN-LSTM的短期负荷预测模型；所述非时序数据包括日期、星期、日平均温度、日平均电价；
所述基于TCN-LSTM的短期负荷预测模型包括输入1、时间卷积网络层、输入2、LSTM网络层；所述输入1输入时间卷积网络层，所述时间卷积网络层输出与输入2结合后输入
所述时间卷积网络层包括2层的残差单元，每层残差单元包含2个卷积单元和1个非线性映射；其中卷积单元使用ReLU函数作为激活函数，对卷积核的权重进行归一化操作；卷积核大小为2，并设置系数为0.4的Dropout系数，Dropout设置能够随机选取部分神经元失活，防止训练过拟合，同时加快模型的收敛速度；设置扩张系数为(1，2，4，8，16，32)；过滤器为128；残差单元的输入和输出具有不同的维度，不能直接做加和操作，将残差映射中增加了一个1×1的卷积层进行降维。
输入2为预设时间段的连续的非时序数据；所述非时序数据包括日期以及每日的非时序数据；预设时间段的每日的非时序数据包含日平均温度、日平均电价和日期类型经过oge-hot编码后产生的7维的数据；所述非时序数据为9维数据；
所述LSTM网络层包括3层LSTM单元；具体为：首先将TCN模型的输出g与输入2的输出x2进行连接，需要保证数据的维度和样本个数相同，得到式(1)的数据Ct；
ct＝f(x(2，t)，gt)
(1)式中：：f表示连接操作；
LSTM网络层的输出层为预测日一天96个时间点的电力负荷预测结果Y0输出层神经元个数设定为96；该层网络以Sigmoid函数作为激活函数。
进一步地，还包括采用Adam优化器对模型的参数进行优化。
虽然本发明已以较佳实施例公开如上，但它们并不是用来限定本发明的，任何熟习此技艺者，在不脱离本发明之精神和范围内，自当可作各种变化或润饰，因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。
Claims (2)
1.一种基于TCN-LSTM的短期负荷预测方法，其特征在于：包括以下步骤：
步骤一：获取预设时间内的待预测的区域内多个采集点的历史电力负荷数据作为样本数据；数据的记录间隔为分钟级别，包括1-60分钟之间；历史负荷数据的时间跨度为可观测到负荷重复变化的周期的K倍，K为大于等于1的整数；
步骤二：对样本数据进行预处理，剔除异常数据，填充残缺数据，并进行标准化处理；
步骤三：训练神经网络模型；具体为：以电力负荷数据与连续的非时序数据作为输入，以预测日各个采样点的电力预设负荷为输出，对时间卷积网络和LSTM结合的神经网络模型进行训练，得到基于TCN-LSTM的短期负荷预测模型；所述非时序数据包括日期、星期、日平均温度、日平均电价；
所述基于TCN-LSTM的短期负荷预测模型包括输入1、时间卷积网络层、输入2、LSTM网络层；所述输入1输入时间卷积网络层，所述时间卷积网络层输出与输入2结合后输入
所述时间卷积网络层包括2层的残差单元，每层残差单元包含2个卷积单元和1个非线性映射；其中卷积单元使用ReLU函数作为激活函数，对卷积核的权重进行归一化操作；卷积核大小为2，并设置系数为0.4的Dropout系数，Dropout设置能够随机选取部分神经元失活，防止训练过拟合，同时加快模型的收敛速度；设置扩张系数为(1，2，4，8，16，32)；过滤器为128；残差单元的输入和输出具有不同的维度，不能直接做加和操作，将残差映射中增加了一个1×1的卷积层进行降维；
输入2为预设时间段的连续的非时序数据；所述非时序数据包括日期以及每日的非时序数据；预设时间段的每日的非时序数据包含日平均温度、日平均电价和日期类型经过one-hot编码后产生的7维的数据；所述非时序数据为9维数据；
所述LSTM网络层包括3层LSTM单元；具体为：首先将TCN模型的输出g与输入2的输出x2进行连接，需要保证数据的维度和样本个数相同，得到式(1)的数据Ct；
ct＝f(x(2，t)，gt)
(1)式中:：f表示连接操作；
LSTM网络层的输出层为预测日一天96个时间点的电力负荷预测结果YO输出层神经元个数设定为96；该层网络以Sigmoid函数作为激活函数。
2.根据权利要求1所述的一种基于TCN-LSTM的短期负荷预测方法，其特征在于：还包括采用Adam优化器对模型的参数进行优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111215767.2A CN113902207A (zh) | 2021-10-19 | 2021-10-19 | 一种基于tcn-lstm的短期负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111215767.2A CN113902207A (zh) | 2021-10-19 | 2021-10-19 | 一种基于tcn-lstm的短期负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113902207A true CN113902207A (zh) | 2022-01-07 |
Family
ID=79192834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111215767.2A Withdrawn CN113902207A (zh) | 2021-10-19 | 2021-10-19 | 一种基于tcn-lstm的短期负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113902207A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114298446A (zh) * | 2022-03-11 | 2022-04-08 | 南京工业大学 | 一种基于数模双驱的风电功率预测方法、装置和存储介质 |
| CN115014445A (zh) * | 2022-08-10 | 2022-09-06 | 中国农业大学 | 一种智慧渔场多维全景感知监控方法、***与装置 |
| CN115936185A (zh) * | 2022-11-15 | 2023-04-07 | 国网江苏省电力有限公司苏州供电分公司 | 基于dcnn-lstm-ae-am的短期电力负荷和碳排放量预测方法及*** |
-
2021
- 2021-10-19 CN CN202111215767.2A patent/CN113902207A/zh not_active Withdrawn
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114298446A (zh) * | 2022-03-11 | 2022-04-08 | 南京工业大学 | 一种基于数模双驱的风电功率预测方法、装置和存储介质 |
| CN114298446B (zh) * | 2022-03-11 | 2022-06-03 | 南京工业大学 | 一种基于数模双驱的风电功率预测方法、装置和存储介质 |
| CN115014445A (zh) * | 2022-08-10 | 2022-09-06 | 中国农业大学 | 一种智慧渔场多维全景感知监控方法、***与装置 |
| CN115014445B (zh) * | 2022-08-10 | 2022-11-15 | 中国农业大学 | 一种智慧渔场多维全景感知监控方法、***与装置 |
| US11758887B1 (en) | 2022-08-10 | 2023-09-19 | China Agricultural University | Method, system and apparatus for intelligently monitoring aquafarm with multi-dimensional panoramic perception |
| CN115936185A (zh) * | 2022-11-15 | 2023-04-07 | 国网江苏省电力有限公司苏州供电分公司 | 基于dcnn-lstm-ae-am的短期电力负荷和碳排放量预测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109685252B (zh) | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 | |
| CN113902207A (zh) | 一种基于tcn-lstm的短期负荷预测方法 | |
| CN108448610B (zh) | 一种基于深度学习的短期风功率预测方法 | |
| CN113902202A (zh) | 基于双重注意力机制和lstm的短期负荷预测模型和方法 | |
| CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN109615124B (zh) | 一种基于深度学习的scada主站负荷预测方法 | |
| Islam et al. | LSTM-based electrical load forecasting for Chattogram city of Bangladesh | |
| Xiao et al. | Online sequential extreme learning machine algorithm for better predispatch electricity price forecasting grids | |
| CN114519471A (zh) | 一种基于时序数据周期性的用电负荷预测方法 | |
| CN113393119B (zh) | 基于场景缩减-深度学习的梯级水电短期调度决策方法 | |
| Liu et al. | Research on wind speed prediction of wind power system based on GRU deep learning | |
| Prema et al. | LSTM based Deep Learning model for accurate wind speed prediction | |
| Zhou et al. | Short-term wind power prediction based on EMD-LSTM | |
| CN115018179A (zh) | 一种基于CNN-BiGRU超短期电力负荷预测方法 | |
| Zhang | Short‐Term Power Load Forecasting Based on SAPSO‐CNN‐LSTM Model considering Autocorrelated Errors | |
| CN109146191B (zh) | 一种基于泛蕴涵模型的短期电力负荷预测方法及*** | |
| CN116885699A (zh) | 基于双重注意力机制的电力负荷预测方法 | |
| Zuo | Integrated forecasting models based on LSTM and TCN for short-term electricity load forecasting | |
| Zhang et al. | Solar-mixer: An efficient end-to-end model for long-sequence photovoltaic power generation time series forecasting | |
| Wilms et al. | On the necessity of exogenous variables for load, pv and wind day-ahead forecasts using recurrent neural networks | |
| Emamian et al. | Solar power forecasting with LSTM network ensemble | |
| Xu et al. | Short-term gas load forecast based on tcn-bigru | |
| Zivkovic et al. | Optimized recurrent neural networks with attention for wind farm energy generation forecasting | |
| CN113902205A (zh) | 一种基于小波变换与BiGRU-NN的短期负荷预测方法 | |
| Kumari et al. | Effect of different activation function on short term load forecasting using neural network-a comparative study |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220107 |
|
| WW01 | Invention patent application withdrawn after publication |