CN114611757A - 基于遗传算法与改进深度残差网络的电力***短期负荷预测方法 - Google Patents
基于遗传算法与改进深度残差网络的电力***短期负荷预测方法 Download PDFInfo
- Publication number
- CN114611757A CN114611757A CN202210129326.9A CN202210129326A CN114611757A CN 114611757 A CN114611757 A CN 114611757A CN 202210129326 A CN202210129326 A CN 202210129326A CN 114611757 A CN114611757 A CN 114611757A
- Authority
- CN
- China
- Prior art keywords
- power system
- residual error
- network
- error network
- genetic algorithm
- 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 36
- 230000002068 genetic effect Effects 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000007246 mechanism Effects 0.000 claims abstract description 20
- 230000006872 improvement Effects 0.000 claims abstract description 6
- 238000013079 data visualisation Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 abstract description 10
- 238000011176 pooling Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Physiology (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Genetics & Genomics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于遗传算法与改进深度残差网络的电力***短期负荷预测方法,包括以下步骤:一、获取某电网公司一周内的电力***负荷数据,并考虑当天气候特征对其造成的影响,将当天的气象特征进行数据可视化;二、以深度残差网络为基础,对其进行结构改进,确定电力***负荷预测网络拓扑结构,并添加注意力机制;三、使用遗传算法对步骤二中确定的网络拓扑结构进行调整。本发明提供的一种基于遗传算法与改进深度残差网络的电力***短期负荷预测方法,能够较为精准的预测出电力***短期负荷,且模型训练过程中,不容易陷入局部最优解,相较于原始的深度残差网络,具有更高的训练效率和预测精度。
Description
技术领域
本发明涉及电力技术领域,尤其是一种基于遗传算法与改进深度残差网络的电力***短期负荷预测方法。
背景技术
准确的电力负荷预对电网运作方式提供了相应的参考。电力负荷预测按照时间的长短,可以分成长期、中期和短期预测,设计围绕短期的电力负荷预测来展开。短期的电力负荷预测相对于中长期更加具有意义,精准的短期电力负荷预测可以合理安排电力***中各种设备的维护。同时,有利于节省煤、油等能源。这正符合现在所倡导的建设节能型社会。短期的负荷预测为相关的电力部门制定电价提供了参考。电价的制订与未来用电负荷息息相关。因此,准确的电力负荷预测可以为电力部门制定更加低廉的电价,提高企业的竞争力。
深度学习按照学习架构可分为生成架构、判别架构及混合架构。其生成架构模型主要包括:受限波尔兹曼机、自编码器、深层信念网络等。判别架构模型主要包括:深层前馈网络、卷积神经网络等。混合架构模型则是这两种架构的集合。深度学习按数据是否具有标签可分为非监督学习与监督学习。非监督学习方法主要包括:受限玻尔兹曼机、自动编码器、深层信念网络、深层玻尔兹曼机等。监督学习方法主要包括:深层感知器、深层前馈网络、卷积神经网络、深层堆叠网络、循环神经网络等。大量实验研究表明,监督学习与非监督学习之间无明确的界限,如:深度信念网络在训练过程中既用到监督学习方法又涉及非监督学习方法。
现有基于深度学习的预测方法研究虽然可以较为精准预测电力***短期负荷,但未能较好解决训练过程中的模型过拟合问题,且较少考虑预测模型初始阈值以及权重对于最终预测精准度的影响。
发明内容
本发明所要解决的技术问题是提供一种基于遗传算法与改进深度残差网络的电力***短期负荷预测方法,通过使用遗传算法与改进深度残差网络相结合方式,对电力***短期负荷进行预测,相较于其他方法,不仅能够更加精准的预测负荷值,同时具有较好的实时性。
为解决上述技术问题,本发明所采用的技术方案是:一种基于遗传算法与改进深度残差网络的电力***短期负荷预测方法,具体步骤为:
一、获取某电网公司一周内的电力***负荷数据,并考虑当天气候特征对其造成的影响,将当天的气象特征进行数据可视化;
二、以深度残差网络为基础,对其进行结构改进,确定电力***负荷预测网络拓扑结构,并添加注意力机制;
三、使用遗传算法对步骤二中确定的网络拓扑结构进行调整;
四、将步骤一中得到的一周数据划分为训练集以及测试集,对步骤三中的网络进行训练并测试,预测出最终的电力***负荷数据值;
优选的,所述的获取的电力***负荷数据时间间隔为两小时,天气气象特征数据分为三类,包括:每个数据所在时段的最高气温和最低气温,以及当天的天气特征值;
优选的,所述的天气特征值在晴天时取0,阴天为0.5,雨天为1;
优选的,所述步骤二中的深度残差网络为ResNet50,用来改进的模块属于Inception网络,添加的注意力机制为通道注意力机制以及空间注意力机制。
优选的,所述步骤三中调整为初始权值以及阈值长度。
优选的,所述步骤四中数据集的划分,一周中前六天的负荷数据为训练集,最后一天的负荷数据为测试集。
本发明提供的一种基于遗传算法与改进深度残差网络的电力***短期负荷预测方法,能够较为精准的预测出电力***短期负荷,且模型训练过程中,不容易陷入局部最优解,相较于原始的深度残差网络,具有更高的训练效率和预测精度。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为本发明用于电力***短期负荷预测方法的流程示意图;
图2为本发明实施例中所构建的网络拓扑结构示意图;
图3为本发明实施例中应用的残差结构示意图;
图4为本发明实施例中应用的空间注意力与通道注意力模型结构示意图;
图5为本发明实施例中所应用的遗传算法流程示意图;
图6为本发明实施例中应用本发明方法预测的电力***短期负荷值与真实值对比图。
具体实施方式
本发明方法如图1所示,本发明对电力***短期负荷数据集库的构建与预测网络结构的构建进行详细阐述,包括以下步骤:
一、获取某电网公司一周内的电力***负荷数据,并考虑当天气候特征对其造成的影响,将当天的气象特征进行数据可视化。
在本发明中,真实数据集来源于某国网公司,其中包含其一周的短期负荷数据以及天气数据,数据选取规则为每隔两小时取一个符合数据,因此每天共12个电力***短期负荷数据,天气特征数据制定规则为当天的最高气温与最低气温,以及晴天为0,阴天为0.5,雨天为1。
二、以深度残差网络为基础,对其进行结构改进,确定电力***负荷预测网络拓扑结构,并添加注意力机制。如图2所示为最终确定的网络拓扑结构图。
其中,上半部分为incption v3网络结构的部分网络构成图,下半部分为ResNet50网络的部分结构图,本发明在ResNet50网络的基础上,使用Inception v3结构代替了ResNet50网络初始阶段的卷积以及池化层,并且同时修改了输出节点的个数。改进完成后的主要模型结构包含了Inception结构以及残差结构。其中,如图2所示,Inception结构是由三条并行的卷积以及池化层构成的,残差结构则由四个残差网络结构构成,每个残差结构都是由几个残差块组成,接着,将每个残差层都连接到一个注意力机制结构,共添加了4个注意力机制结构,最后连接全连接层,使用支持向量机SVM进行分类并输出预测结果。
其中的残差模块如图3所示。该残差模块由4个卷积核构成,输入N在经过第一个卷积层时
由于网络模型参数量较大,首先会先使用1×1大小的的卷积核将N进行降维.残差网络的输出F(N)与输入数据N的维度可能不会在一定程度上保持一致性,因此当F(N)与N的维度相同时,使用恒等映射残差模块对两者进行处理,公式如下:
M(N)=ReLU(N+F(N))
其中,M(N)为残差模块的输出结果,F(N)为残差映射函数,ReLU()为激活函数。
而当两者的维度不同时,则使用以下公式进行处理:
M(N)=ReLU(λ(N)+F(N))
其中λ为线性投影。
本发明为其添加的注意力机制分为空间注意力机制以及通道注意力机制,如图4所示为注意力机制的具体结构图。通道注意力机制采用全局平均池化以及最大池化两种池化方式,用来更好的突出输入矩阵的重点特征信息,排除了由于原始网络只是用平均池化所造成的重要信息遗漏而冗余信息堆积问题,可以提高网络预测精度,其计算公式如下所示:
通道注意力机制的计算公式如下所示:
三、使用遗传算法对步骤二中确定的网络拓扑结构进行调整。由于本发明所构建的网络的初始权重及阈值具有较大的随机性,因此,在训练过程中可能会使得网络陷入局部最小值。其编码操作的公式为:
其中,其中(bi1,bi2,...bil),为某个个体的第i段,每段段长都为l,每个bik都是0或者1,Ti和Ri是第段分量Xi的定义域的两个端点。
利用遗传算法结合本发明的网络拓扑模型,通过遗传算法模拟自然选择过程,并通过遗传理论对网络生成的初始解进行繁衍迭代,生成全局最优解。将最优的初始值输入网络模型进行数据训练,以生成最合理的基于遗传算法的电力***负荷预测模型,以期得到最佳的预测值。遗传算法在本发明中主要是优本发明所确定的网络的初始权值和阈值。首先,先通过选择、交叉和变异等相关操作来对数据进行最优化搜寻选择;然后,再将数据导入网络进行训练;最后,输出电力***负荷预测模型的最优结果,其流程见图5所示。
四、将步骤一中得到的一周数据划分为训练集以及测试集,对步骤三中的网络进行训练并测试,预测出最终的电力***负荷数据值。
本发明所选取的数据共分为七组,分别代表七天的数据,每组15个数据,前12个数据为每隔2个小时所选取的电力***实际负荷值,后三个数据中,前两个数据为当天的最低气温与最高气温,第三个数据为当天的天气状况,0代表晴天,0.5代表阴天,1代表雨天,具体数据如表1所示:
表1数据展示
其中,取前6天的数据作为训练集,输入本发明所构建的网络结构,对其进行训练,最后输出预测结果。具体实施步骤如具体实施例所示。
具体的,每隔两个小时测一次电力负荷。因此,一天有12组负荷数据。考虑到电力负荷预测受环境、天气等因素的影响较大,所以在样本中加入了最高气温、最低气温以及天气特征值(0表示晴天、0.5表示阴天、1表示雨天)。这里将负荷预测前一天的电力负荷以及当日的天气特征值作为网络的输入变量。由此获得一个单位长度为15的输入向量。
将预测日当天每隔2小时所测得的电力负荷作为网络的目标向量。由此获得一个单位长度为12的输出向量。
卷积算法只能对已经进行归一化的数据进行处理,设计采用的样本数据已经进行了归一化处理。归一化的目的就是将样本数据处理为[0,1]之间的数据。归一化公式如下所示:
接着,对网络进行训练。训练过程中,首先要确定学习速率、梯度阈值以及训练次数等值进行确定。学习速率作为一个很重要的神经网络参数,在一定意义上决定了整个网络的收敛速度,如果学习速率相对于目前神经网络***来说偏大,最终可能导致整个神经网络***不能收敛。但是学习率小了也不好,这样会让训练的次数变多、***收敛的时间大大增长。综合这些条件来看,学习速率要综合样本数据考虑,具体的规律是由比较大的学习率像比较小的学习率选取,一直到整个神经网络最终收敛。当然如果收敛速度变得太慢的时候就应该适当的往较大的数值靠拢进行尝试,最终得到最适合当前网络的学习率。就以往的文献经验来说,学习速率一般在0到0.2之间选取。训练次数的选取也会影响到卷积神经网络整体的收敛时间,如果选取的样本数据非常之大,则有可能导致计算量过大而增加时间成本,而选取的训练次数如果过少,则又可能导致最终的训练结果无法收敛,因此选取一个合适训练次数也是十分重要的。训练目标的选取要根据实际生产中允许的误差范围来设定,不能以自己的标准来判断误差是否在可以接受范围内。在训练到实际生产中可以接受的范围内以后,即可以将之作为自己的训练目标。本发明的训练参数如表2所示:
表2训练参数
训练完成后,对电力***负荷值进行预测,预测结果如图6所示,其中蓝色线条为实际负荷值,红色线条为本发明模型所预测的负荷值。并使用平均绝对误差MAE:
平均绝对百分比误差MAPE
以及均方根误差(RMSE)e(RMSE):
其中,actual(t)为第t个真实值,forecast(t)为第t个预测值。
对本发明的预测结果进行评估,结果如表3所示:
表3预测结果评估表
Claims (6)
1.一种基于遗传算法与改进深度残差网络的电力***短期负荷预测方法,其特征在于,具体步骤为:
一、获取某电网公司一周内的电力***负荷数据,并考虑当天气候特征对其造成的影响,将当天的气象特征进行数据可视化;
二、以深度残差网络为基础,对其进行结构改进,确定电力***负荷预测网络拓扑结构,并添加注意力机制;
三、使用遗传算法对步骤二中确定的网络拓扑结构进行调整;
四、将步骤一中得到的一周数据划分为训练集以及测试集,对步骤三中的网络进行训练并测试,预测出最终的电力***负荷数据值。
2.根据权利要求1所述的基于遗传算法与改进深度残差网络的电力***短期负荷预测方法,其特征在于,所述的获取的电力***负荷数据时间间隔为两小时,天气气象特征数据分为三类,包括:每个数据所在时段的最高气温和最低气温,以及当天的天气特征值。
3.根据权利要求2所述的基于遗传算法与改进深度残差网络的电力***短期负荷预测方法,其特征在于,所述的天气特征值在晴天时取0,阴天为0.5,雨天为1。
4.根据权利要求1所述的基于遗传算法与改进深度残差网络的电力***短期负荷预测方法,其特征在于,所述步骤二中的深度残差网络为ResNet50,用来改进的模块属于Inception网络,添加的注意力机制为通道注意力机制以及空间注意力机制。
5.根据权利要求1所述基于遗传算法与改进深度残差网络的电力***短期负荷预测方法,其特征在于,所述步骤三中调整为初始权值以及阈值长度。
6.根据权利要求1所述基于遗传算法与改进深度残差网络的电力***短期负荷预测方法,其特征在于,所述步骤四中数据集的划分,一周中前六天的负荷数据为训练集,最后一天的负荷数据为测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210129326.9A CN114611757A (zh) | 2022-02-11 | 2022-02-11 | 基于遗传算法与改进深度残差网络的电力***短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210129326.9A CN114611757A (zh) | 2022-02-11 | 2022-02-11 | 基于遗传算法与改进深度残差网络的电力***短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114611757A true CN114611757A (zh) | 2022-06-10 |
Family
ID=81858360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210129326.9A Pending CN114611757A (zh) | 2022-02-11 | 2022-02-11 | 基于遗传算法与改进深度残差网络的电力***短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114611757A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070676A (zh) * | 2023-03-28 | 2023-05-05 | 南京气象科技创新研究院 | 基于注意力机制和自编码器的高速公路路面温度预报方法 |
CN117200208A (zh) * | 2023-09-12 | 2023-12-08 | 河海大学 | 基于多尺度分量特征学习的用户级短期负荷预测方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110854891A (zh) * | 2019-11-08 | 2020-02-28 | 中国农业大学 | 一种配电网灾前资源配置方法及*** |
CN113160115A (zh) * | 2021-02-01 | 2021-07-23 | 浙江农林大学 | 一种基于改进深度残差网络的农作物病害识别方法及*** |
CN113449610A (zh) * | 2021-06-08 | 2021-09-28 | 杭州格像科技有限公司 | 一种基于知识蒸馏和注意力机制的手势识别方法和*** |
CN113468531A (zh) * | 2021-07-15 | 2021-10-01 | 杭州电子科技大学 | 基于深度残差网络和混合注意力机制的恶意代码分类方法 |
-
2022
- 2022-02-11 CN CN202210129326.9A patent/CN114611757A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110854891A (zh) * | 2019-11-08 | 2020-02-28 | 中国农业大学 | 一种配电网灾前资源配置方法及*** |
CN113160115A (zh) * | 2021-02-01 | 2021-07-23 | 浙江农林大学 | 一种基于改进深度残差网络的农作物病害识别方法及*** |
CN113449610A (zh) * | 2021-06-08 | 2021-09-28 | 杭州格像科技有限公司 | 一种基于知识蒸馏和注意力机制的手势识别方法和*** |
CN113468531A (zh) * | 2021-07-15 | 2021-10-01 | 杭州电子科技大学 | 基于深度残差网络和混合注意力机制的恶意代码分类方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070676A (zh) * | 2023-03-28 | 2023-05-05 | 南京气象科技创新研究院 | 基于注意力机制和自编码器的高速公路路面温度预报方法 |
CN116070676B (zh) * | 2023-03-28 | 2023-06-30 | 南京气象科技创新研究院 | 基于注意力机制和自编码器的高速公路路面温度预报方法 |
CN117200208A (zh) * | 2023-09-12 | 2023-12-08 | 河海大学 | 基于多尺度分量特征学习的用户级短期负荷预测方法及*** |
CN117200208B (zh) * | 2023-09-12 | 2024-04-19 | 河海大学 | 基于多尺度分量特征学习的用户级短期负荷预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
CN111861013B (zh) | 一种电力负荷预测方法及装置 | |
CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和*** | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力***短期负荷预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN115796004A (zh) | 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法 | |
CN114021848A (zh) | 一种基于lstm深度学习的发电量需求预测方法 | |
Chen et al. | MultiCycleNet: multiple cycles self-boosted neural network for short-term electric household load forecasting | |
CN113011680A (zh) | 一种电力负荷预测方法及*** | |
CN113762387A (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
CN116894504A (zh) | 一种风电集群功率超短期预测模型建立方法 | |
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*** | |
CN114707422A (zh) | 一种基于负荷预测的智能电力缉查方法 | |
Jønler et al. | Probabilistic forecasts of global horizontal irradiance for solar systems | |
CN116523148B (zh) | 一种配电网配变重过载预警方法、装置和设备 | |
CN115481788B (zh) | 相变储能***负荷预测方法及*** | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network | |
CN117151770A (zh) | 一种基于注意力机制的lstm碳价预测方法和*** | |
Zuo | Integrated forecasting models based on LSTM and TCN for short-term electricity load forecasting | |
Yong et al. | Short-term building load forecasting based on similar day selection and LSTM network | |
Liu et al. | Ultra-short-term wind power forecasting based on stacking model | |
Tian et al. | Wind Speed Prediction based on Long Short-Term Memory network and Policy Suggestions for Wind Power Industry Development | |
Peng et al. | A hybrid model for solar radiation forecasting towards energy efficient buildings |
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 |