CN114118571A - 一种基于lstm深度学习的供暖热负荷预测方法 - Google Patents
一种基于lstm深度学习的供暖热负荷预测方法 Download PDFInfo
- Publication number
- CN114118571A CN114118571A CN202111408084.9A CN202111408084A CN114118571A CN 114118571 A CN114118571 A CN 114118571A CN 202111408084 A CN202111408084 A CN 202111408084A CN 114118571 A CN114118571 A CN 114118571A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- lstm
- heating
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000013135 deep learning Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000012795 verification Methods 0.000 abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003860 storage 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于LSTM深度学习的供暖热负荷预测方法，首先采集热负荷及天气历史数据得到序列数据集，进行归一化处理；将准备好的数据按比例分成训练集和测试集，建立供暖负荷LSTM网络模型，调整网络内部参数，用训练集数据完成LSTM模型拟合；将预测与测试数据结合，用来进行模型的过拟合评估；模型评估验证后，将在线采样的数据输入到验证好的LSTM网络对未来时间的供暖负荷值进行预测。最后，对现有的模型进行优化升级，循环提升LSTM模型的预测精度；本发明LSTM能够在更长的序列中有更佳的表现，基于LSTM深度学习的供暖热负荷预测方法，能长期记录所需数据和在线预测，预测周期长、预测热负荷精度高，满足供热企业的一个供暖季热负荷预测要求。
Description
技术领域
本发明涉及供暖技术领域，特别涉及一种基于LSTM深度学习的供暖热负荷预测方法。
技术背景
供暖系民生，冷暖无小事，冬季供暖涉及千家万户，是一项重要的暖心工程，更是当前最大的民生工程。供暖***由热源(供给侧)、热网及热用户(需求侧)组成。供暖普遍采用集中供暖方式，由热电厂或区域锅炉供给热量。目前供暖***普遍存在调节粗放、热能浪费、热力不平衡等问题，供暖节能领域有非常大的改进空间。
由于供暖***比较复杂，在运行过程中，集中供暖负荷受天气等主要因素影响，热负荷需求是不断变化的。供暖负荷的多少、特性和变化规律，对供暖***的运行管理、节能优化、大气环境保护都十分重要。
供暖负荷预测是在掌握热负荷变化规律的基础上，综合考虑各种相关因素，来预报将来某一时段或时刻热负荷的大小，目的是使热源供给与用户侧需求相匹配，实现供暖***的高效节能运行。如供给热量与需求热量不符，就会造成过量供热或供暖不足，不但影响人们生产和生活的需要，同时产生能源浪费和污染环境，尤其在当前燃煤供需紧张的形势下，供暖企业提前做好供暖负荷预测，做好燃煤冬储计划对保障民生供暖显得尤为重要。而现有供暖负荷预报方法多根据天气气温单独进行线性预报，或按照历史数据进行时序简单建模，其预报时长短，精度较低，无法满足企业中长期供暖生产需要。
发明内容
为了克服现有技术的缺陷，本发明的目的在于提供一种基于LSTM深度学习的供暖热负荷预测方法，通过引入多变量时间序列预测的LSTM模型，根据上一个供暖季的供暖负荷和多因素天气影响条件，预测下一个供暖季的供暖负荷；满足供热企业长期和短期的供暖负荷预测，供热企业根据供暖热负荷预测需求，实现稳定地热源生产供给，具有明显的经济效益和社会效益。
为实现上述目的，本发明的技术方案为：
一种基于LSTM深度学习的供暖热负荷预测方法，包括以下步骤：
步骤1：历史数据采集和预处理；采集与热负荷生产相关的数据，包括供暖生产热负荷数据及天气数据，按时间进行排列得到序列样本数据集，并进行归一化处理,使其数值处在[0,1]之间，得到数据集作为监督学习的样本；
步骤2：数据集分成训练集和测试集；将准备好的序列数据按2：1比例分成训练集和测试集，并保证每个数据集能代表完整供暖季样本；
步骤3：建立供暖负荷预测LSTM网络模型,并调整网络内部参数；以序列数据集中的当前时间和过去时间的负荷值作为LSTM网络预测模型的输入序列，来预测作为输出序列未来时间的负荷值，设定预测步长，对LSTM神经网络进行建模，网络内部参数调整包括：按照设定值调整学习率和迭代次数，获取输入权重、循环权重和偏差，并分别利用门激活函数和状态激活函数调整对应的传入门、遗忘门、被选门和输出门的参数；
步骤4：模型拟合；训练供暖负荷LSTM网络模型，将经过归一化处理后的训练集数据输入LSTM网络模型进行训练，直到网络收敛；
步骤5：模型的过度拟合评估；步骤4的模型拟合后，预测步骤2得到的测试数据集；将训练集的模型损失和测试集的模型损失显示在一幅图中，判断模型是否存在过度拟合现象；
步骤6：模型预测；将获取的在线采样数据输入到经过步骤5评估验证后的LSTM神经网络对未来时间的供暖负荷值进行预测；
步骤7：模型循环动态优化；设置准确度、平衡分数和准确率评价指标对预测结果进行评价，当评价指标超过设定阈值时说明预测值偏差大，每隔一个周期再执行步骤1到步骤5，对模型进行优化升级，循环提升LSTM模型的预测精度。
本发明的有益效果：
本发明是一种基于LSTM深度学***衡分数和准确率对结果进行评价，对于预测值差别较大的情况，每隔一个周期对现有的模型进行优化升级，循环提升LSTM模型的预测精度。
附图说明
图1是本发明提供的用于建立供暖负荷预测的供暖季供暖负荷数据样例。
图2是是本发明提供的用于建立供暖负荷预测的供暖季天气数据样例。
图3是本发明提供的供暖负荷预测方法实施的步骤示意图。
图4是本发明提供的供暖负荷预测LSTM网络模型图。
图5是判断LSTM模型过拟合的训练、测试损失评估图。
具体实施方式
下面结合附图，通过具体实施方式对本发明进一步说明。
参照图3所示，一种基于LSTM深度学习的供暖热负荷预测方法，包括以下步骤：
步骤1：历史数据采集和预处理；为LSTM模型准备信息数据集，从企业生产监控***的历史数据中采集与热负荷生产相关的数据，包括供暖生产热负荷数据及天气数据，按时间进行排列得到序列样本数据集，并进行归一化处理,使其数值处在[0,1]之间，得到数据集作为监督学习的样本；
首先要采集历史样本数据。这些数据一般从企业生产监控(SCADA/SIS/ERP)***中通过API/SDK接口获取，如果***中不能直接获取热负荷数据，也可从相关指标数据(供汽/水流量、供汽/水温度、回水温度、供汽/水压力、回水压力)在线换算成供暖热负荷数据，并按时间进行排列得到序列样本数据集，图1为某供热企业一个供暖季(2018.11.10-2019.3.16)的供暖负荷序列样本集。我们选取与供暖热负荷主要影响的天气温度作为关联数据，采集同期同地方的天气最高温度和天气最低温度与供暖负荷组成原始数据集,如图2所示。原始采集序列表示为：St＝{Xt(1),Xt(2),Xt(3),...Xt(u)},Xt∈{U,I},对原始采集数据进行归一化数据预处理，计算公式如下：
Xi＝(Xi-Xmin)/(Xmax-Xmin)
其中：Xi--该采集样本中的第i个值的归一化值；
Xi--该采集样本中的第i个值；
Xmin--该采集样本中的最小值；
Xmax--该采集样本中的最大值。
步骤2：数据集分成训练集和测试集；将准备好的数据按2：1比例分成训练集和测试集。为了加快模型训练，我们使用2年的数据来拟合模型，然后用其余1年的数据进行评估。即训练集与测试集数据规模为2：1，并能保证每个数据集能代表一个完整供暖季样本。
步骤3：建立供暖负荷预测LSTM网络模型,并调整网络内部参数；以序列数据集中的当前时间和过去时间的负荷值作为LSTM网络预测模型的输入序列，来预测作为输出序列未来时间的负荷值，设定预测步长，对LSTM神经网络进行建模，网络内部参数调整包括：按照设定值调整学习率和迭代次数，获取输入权重、循环权重和偏差，并分别利用门激活函数和状态激活函数调整对应的传入门、遗忘门、被选门和输出门的参数。
如图4所示。LST模型包括：数据采样层a、数据预处理层b、输入层c、LSTM层d、dropout层e、全连接层f、SoftMax层g和分类输出层h。其中：a层用来采集一个供暖季的供暖负荷及天气数据，b层用于对a层数据进行归一化预处理，c层用于数据分集并转换格式，d层用于LSTM网络训练，e层用于监督网络过拟合，最后f、g、h和i层用于输出和优化结果。
步骤4：模型拟合；训练供暖负荷LSTM网络模型，将经过归一化处理后的训练集数据输入LSTM网络模型进行训练，直到网络收敛，使用平均绝对误差(MAE)损失函数和随机梯度下降的Adam版本，一方面动态的修改各参数的学习率，另一方面引入动量法，使得参数更新有更多的机会跳出局部最优。
步骤5：模型的过度拟合评估；拟合后，我们可以预测经过步骤2得到的测试数据集，并用预期的供暖负荷来调整测试数据集的规模。将训练集的模型损失和测试集的模型损失显示在一幅图中，判断模型是否存在过度拟合现象。
通过初始预测值和实际值，采用与变量相同的单元误差的均方根误差(RMSE)来计算模型的误差分数。在每个训练epoch结束时输出训练和测试的损失。最后输出该模型对测试数据集的最终RMSE，如附图5所示，我们可以看到，该模型取得了不错的RMSE测试结果(3.836)。
步骤6：模型预测。模型验证后，将获取的在线采样数据输入到经步骤5评估验证后的LSTM神经网络对未来时间的供暖负荷值进行预测。
步骤7：模型循环动态优化；设置准确度、平衡分数和准确率评价指标对预测结果进行评价，当评价指标超过设定阈值时说明预测值偏差大，，每隔一个周期再执行步骤1到步骤5，对模型进行优化升级，循环提升LSTM模型的预测精度。
Claims (1)
1.一种基于LSTM深度学习的供暖热负荷预测方法，其特征在于，包括以下步骤：
步骤1：历史数据采集和预处理；采集与热负荷生产相关的数据，包括供暖生产热负荷数据及天气数据，按时间进行排列得到序列样本数据集，并进行归一化处理,使其数值处在[0,1]之间，得到数据集作为监督学习的样本；
步骤2：数据集分成训练集和测试集；将准备好的序列数据按2：1比例分成训练集和测试集，并保证每个数据集能代表完整供暖季样本；
步骤3：建立供暖负荷预测LSTM网络模型,并调整网络内部参数；以序列数据集中的当前时间和过去时间的负荷值作为LSTM网络预测模型的输入序列，来预测作为输出序列未来时间的负荷值，设定预测步长，对LSTM神经网络进行建模，网络内部参数调整包括：按照设定值调整学习率和迭代次数，获取输入权重、循环权重和偏差，并分别利用门激活函数和状态激活函数调整对应的传入门、遗忘门、被选门和输出门的参数；
步骤4：模型拟合；训练供暖负荷LSTM网络模型，将经过归一化处理后的训练集数据输入LSTM网络模型进行训练，直到网络收敛；
步骤5：模型的过度拟合评估；步骤4的模型拟合后，预测步骤2得到的测试数据集；将训练集的模型损失和测试集的模型损失显示在一幅图中，判断模型是否存在过度拟合现象；
步骤6：模型预测；将获取的在线采样数据输入到经过步骤5评估验证后的LSTM神经网络对未来时间的供暖负荷值进行预测；
步骤7：模型循环动态优化；设置准确度、平衡分数和准确率评价指标对预测结果进行评价，当评价指标超过设定阈值时说明预测值偏差大，每隔一个周期再执行步骤1到步骤5，对模型进行优化升级，循环提升LSTM模型的预测精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111408084.9A CN114118571A (zh) | 2021-11-24 | 2021-11-24 | 一种基于lstm深度学习的供暖热负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111408084.9A CN114118571A (zh) | 2021-11-24 | 2021-11-24 | 一种基于lstm深度学习的供暖热负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114118571A true CN114118571A (zh) | 2022-03-01 |
Family
ID=80372421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111408084.9A Pending CN114118571A (zh) | 2021-11-24 | 2021-11-24 | 一种基于lstm深度学习的供暖热负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114118571A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114777192A (zh) * | 2022-04-22 | 2022-07-22 | 浙江英集动力科技有限公司 | 基于数据关联和深度学习的二级网供热自主优化调控方法 |
| CN115095907A (zh) * | 2022-07-15 | 2022-09-23 | 唐山学院 | 基于深度学习的智慧供热节能调控方法、***及存储介质 |
| CN116293896A (zh) * | 2023-01-30 | 2023-06-23 | 大唐保定热电厂 | 一种热电厂的供热效率调节方法及*** |
| CN116401935A (zh) * | 2023-02-21 | 2023-07-07 | 哈尔滨工业大学 | 一种建筑动态热负荷神经网络预测方法及*** |
| CN117078047A (zh) * | 2023-10-16 | 2023-11-17 | 华能济南黄台发电有限公司 | 一种基于lstm的热负荷预测与分配优化方法及*** |
-
2021
- 2021-11-24 CN CN202111408084.9A patent/CN114118571A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114777192A (zh) * | 2022-04-22 | 2022-07-22 | 浙江英集动力科技有限公司 | 基于数据关联和深度学习的二级网供热自主优化调控方法 |
| CN114777192B (zh) * | 2022-04-22 | 2024-01-19 | 浙江英集动力科技有限公司 | 基于数据关联和深度学习的二级网供热自主优化调控方法 |
| CN115095907A (zh) * | 2022-07-15 | 2022-09-23 | 唐山学院 | 基于深度学习的智慧供热节能调控方法、***及存储介质 |
| CN116293896A (zh) * | 2023-01-30 | 2023-06-23 | 大唐保定热电厂 | 一种热电厂的供热效率调节方法及*** |
| CN116293896B (zh) * | 2023-01-30 | 2023-09-01 | 大唐保定热电厂 | 一种热电厂的供热效率调节方法及*** |
| CN116401935A (zh) * | 2023-02-21 | 2023-07-07 | 哈尔滨工业大学 | 一种建筑动态热负荷神经网络预测方法及*** |
| CN117078047A (zh) * | 2023-10-16 | 2023-11-17 | 华能济南黄台发电有限公司 | 一种基于lstm的热负荷预测与分配优化方法及*** |
| CN117078047B (zh) * | 2023-10-16 | 2024-02-23 | 华能济南黄台发电有限公司 | 一种基于lstm的热负荷预测与分配优化方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114118571A (zh) | 一种基于lstm深度学习的供暖热负荷预测方法 | |
| Dong et al. | Wind power day-ahead prediction with cluster analysis of NWP | |
| CN104598985B (zh) | 电力负荷预测方法 | |
| CN104484715A (zh) | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 | |
| Wojdyga | Predicting heat demand for a district heating systems | |
| CN108388962A (zh) | 一种风电功率预测***及方法 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| Bangalore et al. | An approach for self evolving neural network based algorithm for fault prognosis in wind turbine | |
| CN103065202A (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
| CN114021848A (zh) | 一种基于lstm深度学习的发电量需求预测方法 | |
| CN115688993A (zh) | 一种适用于配电台区的短期电力负荷预测方法 | |
| Alanbar et al. | Energy Consumption Prediction Using Deep Learning Technique | |
| CN115471014A (zh) | 一种基于深度神经网络的电网企业度电碳耗预测方法 | |
| CN115409369A (zh) | 基于机理和数据混合驱动的综合能源***可靠性评估方法 | |
| CN114912716A (zh) | 基于双向长短时记忆网络的短期电力负荷预测方法及*** | |
| CN110991747A (zh) | 一种计及风电场功率的短期负荷预测方法 | |
| CN113505909B (zh) | 一种面向短期风电功率趋势预测的误差补偿方法 | |
| Ansari et al. | Wind power forecasting using artificial neural network | |
| CN111177278A (zh) | 一种网格用户短期负荷预测实时处理工具 | |
| CN113095534A (zh) | 一种ARIMA与改进Elman神经网络组合的风电功率预测方法 | |
| Lv et al. | Research on short-term load forecasting approach for smart grid | |
| CN108345996A (zh) | 一种降低风电功率考核电量的***及方法 | |
| Kowalski et al. | The comparison of linear models for PM10 and PM2. 5 forecasting | |
| Song et al. | Design and development of BP neural network-based wind power prediction system of Dechang Wind Farm | |
| Zhenhao et al. | Prediction of wind power ramp events based on deep neural network |
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 |