CN114707772B - 基于多特征分解与融合的电力负荷预测方法及*** - Google Patents

基于多特征分解与融合的电力负荷预测方法及*** Download PDF

Info

Publication number
CN114707772B
CN114707772B CN202210627288.XA CN202210627288A CN114707772B CN 114707772 B CN114707772 B CN 114707772B CN 202210627288 A CN202210627288 A CN 202210627288A CN 114707772 B CN114707772 B CN 114707772B
Authority
CN
China
Prior art keywords
neural network
power load
feature
data
convolutional neural
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.)
Active
Application number
CN202210627288.XA
Other languages
English (en)
Other versions
CN114707772A (zh
Inventor
李雪梅
袁晨迅
王梓颖
张彩明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202210627288.XA priority Critical patent/CN114707772B/zh
Publication of CN114707772A publication Critical patent/CN114707772A/zh
Application granted granted Critical
Publication of CN114707772B publication Critical patent/CN114707772B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明涉及预测目的的数据处理领域，本发明公开了基于多特征分解与融合的电力负荷预测方法及***，包括：获取目标地区的历史宏观经济数据、历史天气指标数据和历史电力负荷时序数据；根据获取的数据，构建反映长期趋势的特征矩阵和短期波动的特征矩阵；对长期趋势的特征矩阵进行特征提取，得到全局特征矩阵；对短期波动的特征矩阵进行特征提取，得到局部特征矩阵；将全局特征、局部特征和历史电力负荷时序数据进行特征融合；将融合特征输入到预测模型中，得到电力负荷预测结果。显著降低了电力负荷数据预测的误差。

Description

基于多特征分解与融合的电力负荷预测方法及***
技术领域
本发明涉及预测目的的数据处理领域，特别是涉及基于多特征分解与融合的电力负荷预测方法及***。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
随着科技水平的不断发展和经济水平的提升，电力成为了发展的重要能源之一，有效的进行电力负荷预测可以合理规划电力的生产、制订更加科学的用电方式、有利于电力行业突发事件的预防，更好的服务于地区内电力的发展，从而提升社会的经济效益。
电力负荷的预测经历了由传统的时序模型到机器学***均模型已经被广泛应用于电力负荷数据的预测，如申请公布号：CN109615117A专利、专利号：CN104794549都使用了差分自回归移动平均模型模型进行电力负荷的预测，但由于传统的时序模型无法捕捉数据中的非线性因素，会造成预测结果不佳。后随着人工智能相关技术的发展，机器学习的时序模型较好解决了传统的时序模型的不足，如申请公布号：CN114298408A、CN114254828A等都利用了神经网络进行电力负荷数据的预测，但目前现有的一些使用机器学习方法的电力负荷预测中仍存在以下几个问题：
（1）电力负荷的变化受到当地经济状况、电价、和天气等因素的影响，仅仅使用电力负荷的时序数据不足以反映出影响电力负荷变化的有效特征。
（2）电力负荷数据是具是有非线性和噪声等特征的序列，直接使用原始序列做预测会使得电力负荷时序数据内部特征杂糅，造成神经网络提取特征困难。虽然在当下一些时间序列分解方法如集合经验模态分解、变分模态分解已广泛应用于电力负荷预测中，但是大部分方法对电力负荷数据进行了一次性分解后使用神经网络进行预测，这样分解会使用到全部数据集，造成未来数据的泄露，在实际应用工作中并不可行。
（3）直接使用传统的循环神经网络如长短期记忆神经网络、门控循环单元神经网络以及时间卷积神经网络等都存在梯度消失的问题，对于长时间序列预测不佳，并且很难提取出不同特征的变化对电力负荷的影响程度。
发明内容
为了解决现有技术的不足，本发明提供了基于多特征分解与融合的电力负荷预测方法及***；显著降低了电力负荷数据预测的误差。
第一方面，本发明提供了基于多特征分解与融合的电力负荷预测方法；
基于多特征分解与融合的电力负荷预测方法，包括：
获取目标地区的历史宏观经济数据、历史天气指标数据和历史电力负荷时序数据；根据获取的数据，构建反映长期趋势的特征矩阵和短期波动的特征矩阵；
对长期趋势的特征矩阵进行特征提取，得到全局特征矩阵；对短期波动的特征矩阵进行特征提取，得到局部特征矩阵；将全局特征、局部特征和历史电力负荷时序数据进行特征融合；
将融合特征输入到预测模型中，得到电力负荷预测结果。
第二方面，本发明提供了基于多特征分解与融合的电力负荷预测***；
基于多特征分解与融合的电力负荷预测***，包括：
获取模块，其被配置为：获取目标地区的历史宏观经济数据、历史天气指标数据和历史电力负荷时序数据；根据获取的数据，构建反映长期趋势的特征矩阵和短期波动的特征矩阵；
特征提取模块，其被配置为：对长期趋势的特征矩阵进行特征提取，得到全局特征矩阵；对对短期波动的特征矩阵进行特征提取，得到局部特征矩阵；
特征融合模块，其被配置为：将全局特征、局部特征和历史电力负荷时序数据进行特征融合；
预测模块，其被配置为：将融合特征输入到预测模型中，得到电力负荷预测结果。
与现有技术相比，本发明的有益效果是：
本发明加入了影响电力变化的经济数据和天气数据作为重要特征，利用改进的时间卷积神经网络提取了经济变化影响电力变化的长期影响以及电力负荷数据内部的长期趋势特征，利用带有时间注意力的卷积-双向长短期记忆神经网络提取了天气的不同状态对于电力负荷的影响以及电力负荷数据内部的短期波动特征，降低了天气、经济发展对电力负荷预测模型的波动；利用变分模态窗口分解法，不仅防止了一次性分解带来电力负荷序列未来数据的泄露，还将电力负荷原始数据的内部特征进行分离，再分别结合本发明构建的影响电力长期变化的电力经济指数特征和影响电力短期变化的天气指数特征，方便神经网络高效的提取特征，显著降低了电力负荷数据预测的误差。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本申请实施例一提出的在基于多特征分解与融合的电力负荷预测方法的流程图。
图2为本申请实施例一提出的全局特征提取模块流程图。
图3为本申请实施例一提出的局部特征提取模块流程图。
图4为本申请实施例一全局特征提取模块提出的多尺度注意力机制的时间卷积神经网络结构图。
图5为本申请实施例一局部特征提取模块带有时间注意力机制的双向长短期记忆循环神经网络的结构图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。
实施例一
本实施例提供了基于多特征分解与融合的电力负荷预测方法；
如图1所示，基于多特征分解与融合的电力负荷预测方法，包括：
S101：获取目标地区的历史宏观经济数据、历史天气指标数据和历史电力负荷时序数据；根据获取的数据，构建反映长期趋势的特征矩阵和短期波动的特征矩阵；
S102：对长期趋势的特征矩阵进行特征提取，得到全局特征矩阵；对短期波动的特征矩阵进行特征提取，得到局部特征矩阵；将全局特征、局部特征和历史电力负荷时序数据进行特征融合；
S103：将融合特征输入到预测模型中，得到电力负荷预测结果。
进一步地，所述历史宏观经济数据，包括：地区生产总值（Gross RegionalProduct，GRP）、地区居民消费价格指数（Regional Consumer Price Index，RCPI）、地区工业总产值（Regional Gross Industrial Product，RGIP）和售电价格（RegionalElectricity Price，REP）。
示例性地，获取所研究地区的一些宏观经济数据，包括：地区生产总值（GRP）、地区居民消费价格指数（RCPI）、地区工业总产值（RGIP）和地区售电价格（REP），由于这些经济数据只提供了月度数据，是因为宏观经济数据指标如地区生产总值等，是反应社会当期某一方面的一个水平值，其日度数据没有具体实际意义。但为了后续与电力负荷日度数据维度对应，方便降维处理，先利用线性插值的方法将月度数据转变为日度数据。这样既保证了数据分布的整体趋势不变又达到了数据维度对应。定义为公式（1）的电力经济数据特征矩阵
Figure 820296DEST_PATH_IMAGE001
，其中
Figure 362136DEST_PATH_IMAGE002
为电力负荷时序数据的长度。
Figure 861251DEST_PATH_IMAGE003
（1）
进一步地，所述历史天气指标数据，包括：目标地区每日的最高温度、最低温度、平均温度、相对湿度和降雨量。
示例性地，获取研究地区每日的最高温度（Maximum Temperature，MXT）、最低温度（Minimum Temperature，MNT）、平均温度（Average Temperature，AT）、相对湿度（RelativeHumidity，RH）、降雨量（Rainfall，RF）天气指标，定义为式（2）的天气特征矩阵
Figure 691803DEST_PATH_IMAGE004
。
Figure 419719DEST_PATH_IMAGE005
（2）
进一步地，所述根据获取的数据，构建反映长期趋势的特征矩阵和短期波动的特征矩阵；具体包括：
S1011：对宏观经济数据进行降维处理得到电力经济指数；对天气指标数据进行降维处理得到天气指数；
S1012：对历史电力负荷时序数据进行分解，分解为一个低频特征序列和多个高频特征序列；
S1013：将电力经济指数与所述低频特征序列进行组合，得到反映长期趋势的特征矩阵；将天气指数与所述高频特征序列进行组合，得到反映短期波动的特征矩阵；
S1014：将历史电力负荷时序数据、长期趋势的特征矩阵和短期波动的特征矩阵进行归一化处理。
示例性地，所述S1011的降维处理，采用主成分分析的方式进行处理。
示例性地，所述S1012的对历史电力负荷时序数据进行分解，采用变分模态窗口分解算法进行。
示例性地，S1011：对宏观经济数据进行降维处理得到电力经济指数；对天气指标数据进行降维处理得到天气指数；具体包括：
将获取的特征矩阵
Figure 347224DEST_PATH_IMAGE006
利用主成分分析PCA做降维处理，编制成为电力经济指数
Figure 17239DEST_PATH_IMAGE007
和天气指数
Figure 131826DEST_PATH_IMAGE008
，具体如下步骤：
首先用公式（3）将原始特征矩阵
Figure 115963DEST_PATH_IMAGE009
标准化，得到标准化矩阵Z。
Figure 394846DEST_PATH_IMAGE010
（3）
其中，
Figure 235763DEST_PATH_IMAGE011
表示行数，
Figure 837645DEST_PATH_IMAGE012
表示列数，
Figure 687790DEST_PATH_IMAGE013
表示原始特征矩阵数值，
Figure 809461DEST_PATH_IMAGE014
、
Figure 821279DEST_PATH_IMAGE015
表示每一个分量
Figure 644878DEST_PATH_IMAGE016
的均值和标准差。
再利用公式（4）进行了初始特征值的提取。
Figure 236397DEST_PATH_IMAGE017
（4）
其中
Figure 461842DEST_PATH_IMAGE018
表示矩阵
Figure 660873DEST_PATH_IMAGE019
的相关系数矩阵，并且得到
Figure 237348DEST_PATH_IMAGE020
个特征值
Figure 163716DEST_PATH_IMAGE021
。
选取特征值大于1的主成分，根据式（5）对特征值大于1的主成分计算原始数据的得分系数矩阵
Figure 243667DEST_PATH_IMAGE022
（
Figure 66130DEST_PATH_IMAGE023
为特征值大于1的主成分数量）。
Figure 615054DEST_PATH_IMAGE024
（5）
其中，
Figure 345112DEST_PATH_IMAGE025
为主成分的载荷，
Figure 545150DEST_PATH_IMAGE026
代表各项主成分对应的特征值。在计算出得分系数矩阵后，利用式（6）计算出每个主成分值，再通过式（7）计算出最终的电力经济指数
Figure 335251DEST_PATH_IMAGE027
。
Figure 105892DEST_PATH_IMAGE028
（6）
Figure 842904DEST_PATH_IMAGE029
（7）
其中，
Figure 897448DEST_PATH_IMAGE030
表示第
Figure 592871DEST_PATH_IMAGE031
个主成分，
Figure 631234DEST_PATH_IMAGE032
表示第
Figure 453828DEST_PATH_IMAGE033
个主成分对应的特征值。
计算天气指数
Figure 362878DEST_PATH_IMAGE034
即重复公式（3）-（7）。
进一步地，所述S1012：对历史电力负荷时序数据进行分解，分解为一个低频特征序列和多个高频特征序列；具体包括：
将电力负荷时序数据利用变分模态窗口分解法进行分解。
进一步地，所述将电力负荷时序数据利用变分模态窗口分解法进行分解；具体包括：
将输入的电力负荷序列采用滑动窗口进行切块，切块后的电力负荷序列为：
Figure 494782DEST_PATH_IMAGE035
Figure 489283DEST_PATH_IMAGE036
其中，
Figure 568097DEST_PATH_IMAGE037
为设置分解窗口的长度，再利用式（8）将
Figure 347966DEST_PATH_IMAGE038
中每一组数值进行分解；
Figure 385192DEST_PATH_IMAGE039
（8）
其中，
Figure 398147DEST_PATH_IMAGE040
表示时间，
Figure 811811DEST_PATH_IMAGE041
是电力负荷原始序列，
Figure 446186DEST_PATH_IMAGE042
是模式数，
Figure 654313DEST_PATH_IMAGE043
是狄利克雷函数，
Figure 826669DEST_PATH_IMAGE044
表示卷积，
Figure 44023DEST_PATH_IMAGE045
，
Figure 47751DEST_PATH_IMAGE046
为偏导数。
最后，得到分解后的低频序列
Figure 443092DEST_PATH_IMAGE047
和高频序列
Figure 899481DEST_PATH_IMAGE048
；
Figure 654947DEST_PATH_IMAGE049
Figure 716444DEST_PATH_IMAGE050
Figure 531953DEST_PATH_IMAGE051
Figure 960792DEST_PATH_IMAGE052
Figure 785528DEST_PATH_IMAGE053
Figure 498269DEST_PATH_IMAGE054
Figure 484680DEST_PATH_IMAGE055
Figure 118924DEST_PATH_IMAGE056
Figure 966925DEST_PATH_IMAGE057
Figure 534173DEST_PATH_IMAGE058
Figure 957064DEST_PATH_IMAGE059
Figure 609762DEST_PATH_IMAGE060
Figure 261454DEST_PATH_IMAGE061
Figure 948788DEST_PATH_IMAGE062
Figure 480263DEST_PATH_IMAGE063
Figure 620257DEST_PATH_IMAGE064
应理解地，现有技术是将电力负荷序列
Figure 324908DEST_PATH_IMAGE065
利用式（8）进行分解，经过分解后，得到
Figure 617480DEST_PATH_IMAGE066
个离散的模式，每个模式
Figure 116595DEST_PATH_IMAGE066
的分量是
Figure 743885DEST_PATH_IMAGE067
，每个
Figure 189910DEST_PATH_IMAGE067
集中在每个本征模态函数分量中心频率
Figure 851836DEST_PATH_IMAGE068
附近。
分解得到的分量是一组向量值，分解的低频序列表示为
Figure 538163DEST_PATH_IMAGE069
；
将电力负荷序列
Figure 387170DEST_PATH_IMAGE071
的前三个值
Figure 433624DEST_PATH_IMAGE072
进行分解，可得到低频序列
Figure 950056DEST_PATH_IMAGE073
，显然，
Figure 994235DEST_PATH_IMAGE074
的前三个数值和
Figure 81271DEST_PATH_IMAGE075
并不相等，说明
Figure 665836DEST_PATH_IMAGE074
这一组分量是基于
Figure 302354DEST_PATH_IMAGE076
整个序列进行分解得到的，
Figure 314172DEST_PATH_IMAGE074
局部的数值仍会包含全部序列的某些信息。所以直接使用
Figure 154083DEST_PATH_IMAGE074
在后续输入神经网络进行预测时会得到很低的误差效果，但是在实际应用中并不能这样进行分解。
进一步地，所述S1013：将电力经济指数与所述低频特征序列进行组合，得到反映长期趋势的特征矩阵；将天气指数与所述高频特征序列进行组合，得到反映短期波动的特征矩阵；具体包括：
将电力经济指数
Figure 276760DEST_PATH_IMAGE077
和电力负荷数据的低频序列
Figure 971047DEST_PATH_IMAGE078
并联拼接成长期趋势的特征矩阵
Figure 153766DEST_PATH_IMAGE079
；
将构建的天气指数
Figure 464662DEST_PATH_IMAGE080
和电力负荷数据高频序列
Figure 130043DEST_PATH_IMAGE081
分别并联拼接成短期波动的特征矩阵
Figure 741153DEST_PATH_IMAGE082
。
进一步地，所述S1014：将历史电力负荷时序数据、反映长期趋势的特征矩阵和短期波动的特征矩阵进行归一化处理；具体包括：
将长期趋势特征矩阵
Figure 94774DEST_PATH_IMAGE083
和短期波动特征
Figure 96228DEST_PATH_IMAGE084
、电力负荷序列
Figure 826287DEST_PATH_IMAGE085
进行归一化处理；
Figure 777056DEST_PATH_IMAGE086
（9）
其中，
Figure 567158DEST_PATH_IMAGE087
为归一化后的数据，
Figure 852646DEST_PATH_IMAGE088
为原始数据。
进一步地，所述S102：对对长期趋势的特征矩阵进行特征提取，得到全局特征矩阵；具体为：
采用全局特征提取模块，对长期趋势的特征矩阵进行特征提取。
如图2所示，所述全局特征提取模块，网络结构包括：
依次连接的多尺度注意力机制的时间卷积神经网络、解码层、第一全连接层、第二全连接层和输出层。
时间卷积神经网络，具有两大优势，一是时间卷积神经网络通过因果卷积部分有效的减轻了预测长时间序列的梯度消失问题，二是强大的多层卷积核又可以高效的提取到序列的局部信息。
时间卷积神经网络采用多尺度注意力机制的时间卷积神经网络，具体结构如图4所示。
多尺度注意力机制的时间卷积神经网络，包括，依次连接的自注意力机制层、第一膨胀卷积层、第二膨胀卷积层和第三膨胀卷积层；
所述第一膨胀卷积层设有第一注意力机制模块；
所述第二膨胀卷积层设有第二注意力机制模块；
所述第三膨胀卷积层设有第三注意力机制模块；
所述自注意力机制层的输出端与第一膨胀卷积层的输入端之间进行残差连接；
所述第一膨胀卷积层的输出端与第二膨胀卷积层的输入端之间进行残差连接；
所述第二膨胀卷积层的输出端与第三膨胀卷积层的输入端之间进行残差连接。
传统的时间卷积神经网络对于整个序列都进行同样程度的卷积操作，无法提取对于不同特征的影响，该发明将自注意力机制和注意力机制引入时间卷积神经网络的不同环节中，使得特征提取更加多尺度化，有效的提取了特征矩阵蕴含的信息，特别是有效提取了对于影响电力负荷变化的长期特征。
这里输入了特征矩阵
Figure 386395DEST_PATH_IMAGE089
，目标就是提取出电力负荷变化的长期趋势特征。多尺度注意力机制的时间卷积神经网络实现公式如式（10）-（14）所示：
进一步地，自注意力机制层的工作原理是：
Figure 644201DEST_PATH_IMAGE090
（10）
Figure 90357DEST_PATH_IMAGE091
（11-1）
Figure 863141DEST_PATH_IMAGE092
（11-2）
Figure 200582DEST_PATH_IMAGE093
（11-3）
其中，式（10）是对
Figure 109632DEST_PATH_IMAGE094
进行自注意力机制的处理，对特征矩阵使用自注意力的机制就是为了将特征矩阵内部信息赋予不同的权值，利用后续神经网络进行特征提取和远距离学习，提升特征提取的效率。
其中，
Figure 992268DEST_PATH_IMAGE095
分别是与
Figure 986769DEST_PATH_IMAGE096
相同的张量，如式（11-1）、（11-2）和（11-3）所示，
Figure 65583DEST_PATH_IMAGE097
分别表示参数矩阵，
Figure 829140DEST_PATH_IMAGE098
表示
Figure 131945DEST_PATH_IMAGE099
的特征维数，
Figure 630054DEST_PATH_IMAGE100
表示激活函数。
接着将得到的
Figure 43718DEST_PATH_IMAGE101
特征矩阵输入到带有注意力机制的时间卷积神经网络中，在每个膨胀卷积层加入了注意力机制的目的是为了在提取特征的过程中可以对卷积运算的结果进行权重赋值，改进了之前传统的时间卷积神经网络对于序列提取特征的单一化操作，显著提升了时间卷积神经网络的特征提取能力。
Figure 927360DEST_PATH_IMAGE102
（12）
式（12）表示时间卷积神经网络的特征提取过程，其中
Figure 604329DEST_PATH_IMAGE103
表示卷积核，
Figure 573422DEST_PATH_IMAGE104
为卷积核数量，
Figure 541509DEST_PATH_IMAGE105
为膨胀系数，
Figure 545237DEST_PATH_IMAGE106
表示了
Figure 189845DEST_PATH_IMAGE107
时刻之前的特征矩阵。
进一步地，所述残差连接是指：
Figure 646235DEST_PATH_IMAGE108
（13）
进一步地，所述第一注意力机制模块、第二注意力机制模块和第三注意力机制模块的工作原理是一致的；其中，所述第一注意力机制模块的工作原理是：
Figure 152433DEST_PATH_IMAGE109
（14）
式（13）表示残差模块部分，每一个残差模块都进行两次
Figure 213930DEST_PATH_IMAGE110
变换，激活函数
Figure 763860DEST_PATH_IMAGE111
使用ReLU激活函数。
式（14）表示利用时间注意力机制得到最后的特征结果。其中
Figure 707546DEST_PATH_IMAGE112
、
Figure 266703DEST_PATH_IMAGE113
为参数矩阵，
Figure 995756DEST_PATH_IMAGE114
表示偏置向量，
Figure 982166DEST_PATH_IMAGE115
为激活函数，
Figure 350831DEST_PATH_IMAGE116
为训练数据长度。
解码层：将时间卷积神经网络的多维输出进行首尾拼接，形成一维向量，达到降维的目的。
通过多尺度注意力机制的时间卷积神经网络提取特征后再通过解码层变为一维，最后通过两个全连接层输出提取到的全局特征
Figure 448100DEST_PATH_IMAGE117
。
进一步地，所述对短期波动的特征矩阵进行特征提取；具体为：
采用带有时间注意力机制的卷积-双向长短期记忆神经网络，对短期波动的特征矩阵进行特征提取，以挖掘不同天气状态对电力变化的影响。
如图3所示，带有时间注意力机制的卷积-双向长短期记忆神经网络，网络结构包括：
依次连接的第一个并联的四个不同感受野的一维卷积神经网络、第二个并联的四个不同感受野的一维卷积神经网络、聚合层、最大池化层、双向长短期记忆神经网络、时间注意力机制层、全连接层和输出层。
其中，第一个并联的四个不同感受野的一维卷积神经网络，包括：并联的第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络；
其中，第二个并联的四个不同感受野的一维卷积神经网络，包括：并联的第五卷积神经网络、第六卷积神经网络、第七卷积神经网络和第八卷积神经网络；
其中，第一卷积神经网络的输出端与第五卷积神经网络的输入端连接；第五卷积神经网络的输出端与聚合层的输入端连接；
第二卷积神经网络的输出端与第六卷积神经网络的输入端连接；第六卷积神经网络的输出端与聚合层的输入端连接；
第三卷积神经网络的输出端与第七卷积神经网络的输入端连接；第七卷积神经网络的输出端与聚合层的输入端连接；
第四卷积神经网络的输出端与第八卷积神经网络的输入端连接；第八卷积神经网络的输出端与聚合层的输入端连接；
所述聚合层，其工作原理是，将输入的特征进行并联。
应理解地，将特征矩阵
Figure 280926DEST_PATH_IMAGE118
输入到两层具有不同感受野的一维卷积神经网络中，不同感受野的卷积神经网络较单一的一维卷积神经网络可以提取到更加完整的局部信息，然后经过最大池化层后输入到双向长短期记忆神经网络中，双向长短期记忆神经网络增加了未来信息与过去信息的交互，更有效记忆到数据之前的特征；针对天气的不断变化对于电力负荷未来有着不同的影响，该方法在双向长短期记忆神经网络提取特征后加入了时间注意力机制，提取天气状态在不同时间段的对电力负荷的影响，带有时间注意力的双向长短期记忆循环神经网络的结构图，如图5所示。在双向长短期记忆神经网络中，是根据式（15）~（21）进行更新的。其中，式（15）~式（20）为长短期记忆循环神经网络方法的步骤，式（21）为双向长短期记忆神经网络的步骤。
Figure 188971DEST_PATH_IMAGE119
（15）
Figure 107248DEST_PATH_IMAGE120
（16）
Figure 8208DEST_PATH_IMAGE121
（17）
Figure 695541DEST_PATH_IMAGE122
（18）
Figure 227017DEST_PATH_IMAGE123
（19）
Figure 117744DEST_PATH_IMAGE124
（20）
Figure 556815DEST_PATH_IMAGE125
（21）
其中
Figure 98655DEST_PATH_IMAGE126
表示输入门处理结果，
Figure 863349DEST_PATH_IMAGE127
表示遗忘门处理结果，
Figure 241371DEST_PATH_IMAGE128
表示输出门结果，
Figure 687396DEST_PATH_IMAGE129
表示激活函数，
Figure 83743DEST_PATH_IMAGE130
、
Figure 753758DEST_PATH_IMAGE131
、
Figure 868345DEST_PATH_IMAGE132
、
Figure 665531DEST_PATH_IMAGE133
表示参数矩阵，
Figure 916383DEST_PATH_IMAGE134
、
Figure 757300DEST_PATH_IMAGE135
、
Figure 359183DEST_PATH_IMAGE136
、
Figure 694481DEST_PATH_IMAGE137
表示偏置向量，
Figure 330998DEST_PATH_IMAGE138
表示上一时刻隐藏状态值，
Figure 342817DEST_PATH_IMAGE139
表示当前状态，
Figure 635258DEST_PATH_IMAGE140
表示当前时刻的输入，
Figure 757935DEST_PATH_IMAGE141
表示当前时刻的临时隐变量，
Figure 734112DEST_PATH_IMAGE142
表示细胞前向结构状态，
Figure 182411DEST_PATH_IMAGE143
表示细胞后向结构状态，
Figure 758886DEST_PATH_IMAGE144
为双向长短期记忆神经网络的输出。
进一步地，所述时间注意力机制层，工作原理包括：
Figure 685253DEST_PATH_IMAGE145
（22）
Figure 781516DEST_PATH_IMAGE146
（23）
Figure 338400DEST_PATH_IMAGE147
（24）
式（22）~（24）为时间注意力机制的实现公式，
Figure 136591DEST_PATH_IMAGE148
和
Figure 866650DEST_PATH_IMAGE149
表示参数矩阵，
Figure 66687DEST_PATH_IMAGE150
表示偏置向量，
Figure 607521DEST_PATH_IMAGE151
对
Figure 893009DEST_PATH_IMAGE152
进行注意力权重的计算，最后将注意力权重使用式（23）计算概率后，利用式（24）进行加权求和，计算输出。
最后，再经过两层全连接层后输出，得到了
Figure 364442DEST_PATH_IMAGE153
个局部特征
Figure 418985DEST_PATH_IMAGE154
，
Figure 379988DEST_PATH_IMAGE155
为训练数据长度。
进一步地，所述将全局特征、局部特征和历史电力负荷时序数据进行特征融合；具体包括：
将电力负荷序列
Figure 915223DEST_PATH_IMAGE156
、全局特征
Figure 987084DEST_PATH_IMAGE157
和局部特征
Figure 161714DEST_PATH_IMAGE158
继续并联拼接成特征矩阵
Figure 28039DEST_PATH_IMAGE159
；
进一步地，所述S103：将融合特征输入到预测模型中，得到电力负荷预测结果；具体包括：
电力负荷预测问题描述为式（25）所示：
Figure 491381DEST_PATH_IMAGE160
（25）
其中
Figure 852086DEST_PATH_IMAGE161
为预测结果，
Figure 881222DEST_PATH_IMAGE162
为设置的多层感知机模型。
为了更好的展示该发明方法的效果，本发明使用了一些评价回归问题的指标进行结果的展示，分别是平均绝对误差(Mean Absolute Error，MAE)，平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)、均方根误差(Root Mean Square Error，RMSE)和平均绝对标度误差(Mean Absolute Scale Error，MASE)。分别对应式（26-29）。
Figure 184028DEST_PATH_IMAGE163
（26）
Figure 931404DEST_PATH_IMAGE164
（27）
Figure 95800DEST_PATH_IMAGE165
（28）
Figure 979442DEST_PATH_IMAGE166
（29）
其中，
Figure 656411DEST_PATH_IMAGE167
表示时间序列在时间
Figure 625504DEST_PATH_IMAGE168
的实际值，
Figure 577280DEST_PATH_IMAGE169
表示
Figure 331740DEST_PATH_IMAGE170
的预测值，
Figure 241928DEST_PATH_IMAGE171
是测试集长度。
该方法时基于Python3.7进行开发。在使用变分模态窗口分解法中，本发明设置分解的数量
Figure 698317DEST_PATH_IMAGE172
，分解的时间窗口设置为20，其中第一项为低频趋势项，第二、三、四、五项为高频趋势项。在全局提取特征模块参数设置中，本发明设计了包含有三个隐藏层的时间卷积神经网络，扩张率分别设置为1、2、4；卷积核数目分别设置为128、128、32；卷积核的窗口为3。在局部特征提取模块参数设置中，本发明设计的一维卷积部分卷积核数目都设置为256，卷积核的窗口为分别为1、3、5、10。在结果预测模块中多层感知机设置为有三个全连接层。
该发明方法与4种方法：差分自回归移动平均模型模型（AutoregressiveIntegrated Moving Average model，ARIMA）、时间卷积神经网络（TemporalConvolutional Network，TCN）、双向长短期记忆神经网络（Bidirectional Long Short-Term Memory Neural Network，Bi-LSTM）、双阶段注意力机制循环神经网络模型（Dual-Stage Attention-Based Recurrent Neural Network，DARNN）进行了对比，本发明的方法的四项指标均为最低，在对比方法中排名第一，证实了本发明方法的有效性。
实施例二
本实施例提供了基于多特征分解与融合的电力负荷预测***；
基于多特征分解与融合的电力负荷预测***，包括：
获取模块，其被配置为：获取目标地区的历史宏观经济数据、历史天气指标数据和历史电力负荷时序数据；根据获取的数据，构建反映长期趋势的特征矩阵和短期波动的特征矩阵；
特征提取模块，其被配置为：对长期趋势的特征矩阵进行特征提取，得到全局特征矩阵；对短期波动的特征矩阵进行特征提取，得到局部特征矩阵；
特征融合模块，其被配置为：将全局特征、局部特征和历史电力负荷时序数据进行特征融合；
预测模块，其被配置为：将融合特征输入到预测模型中，得到电力负荷预测结果。
此处需要说明的是，上述获取模块、特征提取模块、特征融合模块和预测模块对应于实施例一中的步骤S101至S103，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于多特征分解与融合的电力负荷预测方法，其特征是，包括：
获取目标地区的历史宏观经济数据、历史天气指标数据和历史电力负荷时序数据；根据获取的数据，构建反映长期趋势的特征矩阵和短期波动的特征矩阵；
所述根据获取的数据，构建反映长期趋势的特征矩阵和短期波动的特征矩阵；具体包括：
对宏观经济数据进行降维处理得到电力经济指数；对天气指标数据进行降维处理得到天气指数；
对历史电力负荷时序数据进行分解，分解为一个低频特征序列和多个高频特征序列；
将电力经济指数与所述低频特征序列进行组合，得到长期趋势的特征矩阵；将天气指数与所述高频特征序列进行组合，得到短期波动的特征矩阵；
将历史电力负荷时序数据、长期趋势的特征矩阵和短期波动的特征矩阵进行归一化处理；
对长期趋势的特征矩阵进行特征提取，得到全局特征矩阵；
所述对长期趋势的特征矩阵进行特征提取，得到全局特征矩阵；具体为：
采用全局特征提取模块，对长期趋势的特征矩阵进行特征提取；
所述全局特征提取模块，网络结构包括：
依次连接的多尺度注意力机制的时间卷积神经网络、解码层、第一全连接层、第二全连接层和输出层；
多尺度注意力机制的时间卷积神经网络，包括，依次连接的自注意力机制层、第一膨胀卷积层、第二膨胀卷积层和第三膨胀卷积层；
所述第一膨胀卷积层设有第一注意力机制模块；
所述第二膨胀卷积层设有第二注意力机制模块；
所述第三膨胀卷积层设有第三注意力机制模块；
所述自注意力机制层的输出端与第一膨胀卷积层的输入端之间进行残差连接；
所述第一膨胀卷积层的输出端与第二膨胀卷积层的输入端之间进行残差连接；
所述第二膨胀卷积层的输出端与第三膨胀卷积层的输入端之间进行残差连接；
对短期波动的特征矩阵进行特征提取，得到局部特征矩阵；
所述对短期波动的特征矩阵进行特征提取，得到局部特征矩阵；具体为：
采用带有时间注意力机制的卷积-双向长短期记忆神经网络，对短期波动的特征矩阵进行特征提取，以挖掘不同天气状态对电力变化的影响；
带有时间注意力机制的卷积-双向长短期记忆神经网络，网络结构包括：
依次连接的第一个并联的四个不同感受野的一维卷积神经网络、第二个并联的四个不同感受野的一维卷积神经网络、聚合层、最大池化层、双向长短期记忆神经网络、时间注意力机制层、全连接层和输出层；
将全局特征、局部特征和历史电力负荷时序数据进行特征融合；
将融合特征输入到预测模型中，得到电力负荷预测结果。
2.如权利要求1所述的基于多特征分解与融合的电力负荷预测方法，其特征是，对历史电力负荷时序数据进行分解，分解为一个低频特征序列和多个高频特征序列；具体包括：
将电力负荷时序数据利用变分模态窗口分解法进行分解。
3.如权利要求1所述的基于多特征分解与融合的电力负荷预测方法，其特征是，将电力经济指数与所述低频特征序列进行组合，得到反映长期趋势的特征矩阵；将天气指数与所述高频特征序列进行组合，得到反映短期波动的特征矩阵；具体包括：
将电力经济指数
Figure DEST_PATH_IMAGE001
和电力负荷数据的低频序列
Figure 487438DEST_PATH_IMAGE002
并联拼接成长期趋势的特征矩阵
Figure DEST_PATH_IMAGE003
；
将构建的天气指数
Figure 935737DEST_PATH_IMAGE004
和电力负荷数据高频序列
Figure DEST_PATH_IMAGE005
分别并联拼接成短期波动的特征矩阵
Figure 246633DEST_PATH_IMAGE006
。
4.如权利要求1所述的基于多特征分解与融合的电力负荷预测方法，其特征是，第一个并联的四个不同感受野的一维卷积神经网络，包括：并联的第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络；
第二个并联的四个不同感受野的一维卷积神经网络，包括：并联的第五卷积神经网络、第六卷积神经网络、第七卷积神经网络和第八卷积神经网络。
5.如权利要求4所述的基于多特征分解与融合的电力负荷预测方法，其特征是，其中，第一卷积神经网络的输出端与第五卷积神经网络的输入端连接；第五卷积神经网络的输出端与聚合层的输入端连接；
第二卷积神经网络的输出端与第六卷积神经网络的输入端连接；第六卷积神经网络的输出端与聚合层的输入端连接；
第三卷积神经网络的输出端与第七卷积神经网络的输入端连接；第七卷积神经网络的输出端与聚合层的输入端连接；
第四卷积神经网络的输出端与第八卷积神经网络的输入端连接；第八卷积神经网络的输出端与聚合层的输入端连接。
6.如权利要求1所述的基于多特征分解与融合的电力负荷预测方法，其特征是，所述将全局特征、局部特征和历史电力负荷时序数据进行特征融合；具体包括：
将电力负荷序列
Figure DEST_PATH_IMAGE007
、全局特征
Figure 704159DEST_PATH_IMAGE008
和局部特征
Figure DEST_PATH_IMAGE009
继续并联拼接成特征矩阵
Figure 49690DEST_PATH_IMAGE010
；
将融合特征输入到预测模型中，得到电力负荷预测结果；具体包括：
电力负荷预测问题描述为：
Figure DEST_PATH_IMAGE011
（22）
其中
Figure 403311DEST_PATH_IMAGE012
为预测结果，
Figure DEST_PATH_IMAGE013
为设置的多层感知机模型。
7.采用如权利要求1所述的基于多特征分解与融合的电力负荷预测方法的基于多特征分解与融合的电力负荷预测***，其特征是，包括：
获取模块，其被配置为：获取目标地区的历史宏观经济数据、历史天气指标数据和历史电力负荷时序数据；根据获取的数据，构建反映长期趋势的特征矩阵和短期波动的特征矩阵；
特征提取模块，其被配置为：对长期趋势的特征矩阵进行特征提取，得到全局特征矩阵；对短期波动的特征矩阵进行特征提取，得到局部特征矩阵；
特征融合模块，其被配置为：将全局特征、局部特征和历史电力负荷时序数据进行特征融合；
预测模块，其被配置为：将融合特征输入到预测模型中，得到电力负荷预测结果。
CN202210627288.XA 2022-06-06 2022-06-06 基于多特征分解与融合的电力负荷预测方法及*** Active CN114707772B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210627288.XA CN114707772B (zh) 2022-06-06 2022-06-06 基于多特征分解与融合的电力负荷预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210627288.XA CN114707772B (zh) 2022-06-06 2022-06-06 基于多特征分解与融合的电力负荷预测方法及***

Publications (2)

Publication Number Publication Date
CN114707772A CN114707772A (zh) 2022-07-05
CN114707772B true CN114707772B (zh) 2022-08-23

Family

ID=82178036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210627288.XA Active CN114707772B (zh) 2022-06-06 2022-06-06 基于多特征分解与融合的电力负荷预测方法及***

Country Status (1)

Country Link
CN (1) CN114707772B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115440390B (zh) * 2022-11-09 2023-03-24 山东大学 一种传染病病例数量预测方法、***、设备及存储介质
CN115936218A (zh) * 2022-12-06 2023-04-07 山东大学 基于深度学习的综合能源***多元负荷预测方法及***
CN116362503B (zh) * 2023-03-30 2023-11-07 国网河南省电力公司安阳供电公司 基于人工智能的电力调节方法及***
CN116960991B (zh) * 2023-09-21 2023-12-29 杭州半云科技有限公司 一种基于图卷积网络模型的面向概率电力负荷预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738512A (zh) * 2020-06-22 2020-10-02 昆明理工大学 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法
WO2020252784A1 (zh) * 2019-06-21 2020-12-24 西门子股份公司 电力负荷数据的预测方法、装置及存储介质
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112613641A (zh) * 2020-12-07 2021-04-06 河北工业大学 一种基于特征分解的短期电负荷组合预测方法
CN113592185A (zh) * 2021-08-05 2021-11-02 四川大学 一种基于Transformer的电力负荷预测方法
CN114529051A (zh) * 2022-01-17 2022-05-24 杭州电子科技大学 基于层次残差自注意力神经网络的长期电力负荷预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200277A (zh) * 2014-08-12 2014-12-10 南方电网科学研究院有限责任公司 一种中长期电力负荷预测模型建立方法
CN113011630B (zh) * 2021-01-25 2024-01-23 国网浙江省电力有限公司杭州供电公司 一种大数据配电网台区时空负荷短期预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020252784A1 (zh) * 2019-06-21 2020-12-24 西门子股份公司 电力负荷数据的预测方法、装置及存储介质
CN111738512A (zh) * 2020-06-22 2020-10-02 昆明理工大学 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法
CN112613641A (zh) * 2020-12-07 2021-04-06 河北工业大学 一种基于特征分解的短期电负荷组合预测方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN113592185A (zh) * 2021-08-05 2021-11-02 四川大学 一种基于Transformer的电力负荷预测方法
CN114529051A (zh) * 2022-01-17 2022-05-24 杭州电子科技大学 基于层次残差自注意力神经网络的长期电力负荷预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Deep Learning for Load Forecasting: Sequence to Sequence Recurrent Neural Networks With Attention;Ljubisa Sehovac;《IEEE Access》;20200221;全文 *
基于季节调整与神经网络融合算法的售电量预测;陈耀红等;《大众用电》;20180105(第01期);全文 *
经济序列的趋势分析――基于时间序列的混合模型;徐晓;《科技风》;20160515(第09期);全文 *

Also Published As

Publication number Publication date
CN114707772A (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN114707772B (zh) 基于多特征分解与融合的电力负荷预测方法及***
Jiang et al. A novel composite electricity demand forecasting framework by data processing and optimized support vector machine
Wang et al. Multi-step ahead wind speed prediction based on optimal feature extraction, long short term memory neural network and error correction strategy
CN111161535B (zh) 基于注意力机制的图神经网络交通流量预测方法及***
Kankal et al. Modeling and forecasting of Turkey’s energy consumption using socio-economic and demographic variables
Hong et al. Probabilistic electric load forecasting: A tutorial review
López et al. Application of SOM neural networks to short-term load forecasting: The Spanish electricity market case study
Bahrami et al. Short term electric load forecasting by wavelet transform and grey model improved by PSO (particle swarm optimization) algorithm
Zhu et al. Carbon price analysis using empirical mode decomposition
Ouyang et al. Agricultural commodity futures prices prediction via long-and short-term time series network
Hooshmand et al. A hybrid intelligent algorithm based short-term load forecasting approach
Wang et al. A compound framework for wind speed forecasting based on comprehensive feature selection, quantile regression incorporated into convolutional simplified long short-term memory network and residual error correction
CN111680841B (zh) 基于主成分分析的短期负荷预测方法、***及终端设备
Yao et al. Crude oil price prediction based on LSTM network and GM (1, 1) model
Ouyang et al. Discovery and prediction of stock index pattern via three-stage architecture of TICC, TPA-LSTM and multivariate LSTM-FCNs
Zhang et al. Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM
Rathnayaka et al. An unbiased GM (1, 1)-based new hybrid approach for time series forecasting
Li et al. What can be learned from the historical trend of crude oil prices? An ensemble approach for crude oil price forecasting
Wang et al. A transformer-based multi-entity load forecasting method for integrated energy systems
Gao et al. A two-layer SSA-XGBoost-MLR continuous multi-day peak load forecasting method based on hybrid aggregated two-phase decomposition
Precioso et al. Thresholding methods in non-intrusive load monitoring
CN117494906A (zh) 一种基于多元时间序列的天然气日负荷预测方法
CN117151276A (zh) 售电平台的智能化管理***
Cheng et al. Inventory demand forecast based on gray correlation analysis and time series neural network hybrid model
Lim et al. Long-term Time Series Forecasting based on Decomposition and Neural Ordinary Differential Equations

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
GR01 Patent grant
GR01 Patent grant