CN114897248A - 一种基于人工智能的电网负荷预测方法 - Google Patents
一种基于人工智能的电网负荷预测方法 Download PDFInfo
- Publication number
- CN114897248A CN114897248A CN202210542533.7A CN202210542533A CN114897248A CN 114897248 A CN114897248 A CN 114897248A CN 202210542533 A CN202210542533 A CN 202210542533A CN 114897248 A CN114897248 A CN 114897248A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- influence factor
- target
- load 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 26
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000010219 correlation analysis Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000012098 association analyses Methods 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims 8
- 230000007547 defect Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/23—Clustering techniques
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及负荷预测,具体涉及一种基于人工智能的电网负荷预测方法,构建电网负荷的影响因素集,从历史数据中获取各影响因素集中的影响因素数据与负荷数据;计算影响因素集对应影响因素与电网负荷的关联度,并基于关联度筛选出目标影响因素;根据目标影响因素对历史数据中的负荷数据进行聚类,并训练得到各目标影响因素对应的负荷预测神经网络模型;获取目标日对应的影响因素数据,将影响因素数据输入对应的负荷预测神经网络模型中,得到目标日的第一负荷预测结果;对第一负荷预测结果、第二负荷预测结果进行综合评判,得到最终负荷预测结果;本发明提供的技术方案能够克服对电网负荷预测的准确度较低,同时预测的针对性和适用性都比较差的缺陷。
Description
技术领域
本发明涉及负荷预测,具体涉及一种基于人工智能的电网负荷预测方法。
背景技术
智能电网旨在创建自动化和高效的能源输送网络,通过提高电力输送的可靠性和质量,以满足能源效率和需求侧管理等方面的要求。对于电网负荷的预测,是保证电网安全可靠运行、减少电网经济损失的关键所在,提高电网负荷预测的精度多年来一直是人们研究的重点。
针对电网负荷预测目前已有许多预测方法,例如,采用前馈神经网络、循环神经网络、序列到序列的神经网络,或者时间卷积神经网络等机器学习模型进行电网负荷的预测。将机器学习的算法应用于电网负荷预测,能够处理负荷数据的波动性和随机性等问题,在一定程度上提高对电网负荷预测的精度,为电网的管理和调度提供准确依据。
然而,现有电网负荷预测方法的针对性和适用性都比较差,并且由于城市内人们的经济活动以及气候的季节性,电网负荷往往表现出较强的周期性和趋势性,但是现有电网负荷预测方法没有很好地结合周期性特点对电网负荷进行有效预测。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点,本发明提供了一种基于人工智能的电网负荷预测方法,能够有效克服现有技术所存在的对电网负荷预测的准确度较低,同时预测的针对性和适用性都比较差的缺陷。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于人工智能的电网负荷预测方法,包括以下步骤:
S1、构建电网负荷的影响因素集,从历史数据中获取各影响因素集中的影响因素数据与负荷数据;
S2、计算影响因素集对应影响因素与电网负荷的关联度,并基于关联度筛选出目标影响因素;
S3、根据目标影响因素对历史数据中的负荷数据进行聚类,并训练得到各目标影响因素对应的负荷预测神经网络模型;
S4、获取目标日对应的影响因素数据,将影响因素数据输入对应的负荷预测神经网络模型中,得到目标日的第一负荷预测结果;
S5、在不同周期下对历史数据中的负荷数据进行相关性分析,基于相关性分析结果利用电网负荷神经网络模型获取目标日在不同周期下的负荷预测序列;
S6、对负荷预测序列进行波动分解,基于波动分解结果生成预测特征序列,利用预测特征序列得到目标日的第二负荷预测结果;
S7、对基于影响因素得到的第一负荷预测结果、基于时间周期得到的第二负荷预测结果进行综合评判,得到最终负荷预测结果。
优选地,S2中计算影响因素集对应影响因素与电网负荷的关联度,包括:
将各影响因素集中的影响因素数据作为比较序列,将各影响因素数据对应的负荷数据作为参考序列,基于灰色关联分析确定各影响因素与电网负荷的关联度。
优选地,S2中基于关联度筛选出目标影响因素,包括:
筛选出与电网负荷的关联度大于预设关联度阈值的影响因素作为目标影响因素。
优选地,S3中根据目标影响因素对历史数据中的负荷数据进行聚类,并训练得到各目标影响因素对应的负荷预测神经网络模型,包括:
对相同类型的目标影响因素数据与对应的负荷数据进行聚类,得到聚类数据集,并将聚类数据集划分为训练集和测试集;
基于训练集训练得到初始神经网络模型,并利用测试集对初始神经网络模型进行测试;
若初始神经网络模型的预测精度没有达到预设精度阈值时,将测试集中的部分数据转移至训练集,并再次进行模型训练,直至得到符合预测精度要求的负荷预测神经网络模型。
优选地,S4中获取目标日对应的影响因素数据,将影响因素数据输入对应的负荷预测神经网络模型中,包括:
将目标日对应的影响因素数据作为比较序列,将各目标影响因素中的目标影响因素数据作为参考序列,基于灰色关联分析确定影响因素数据对应的目标影响因素,并将影响因素数据输入对应的负荷预测神经网络模型中。
优选地,S4中得到目标日的第一负荷预测结果,包括:
根据各负荷预测神经网络模型得到的预测结果,确定目标日的第一负荷预测结果。
优选地,S5中在不同周期下对历史数据中的负荷数据进行相关性分析,包括:
通过去趋势互相关法对历史数据中的负荷数据进行相关性分析,得到负荷数据在相邻周期内的趋势相关性和去趋势相关性。
优选地,所述通过去趋势互相关法对历史数据中的负荷数据进行相关性分析,得到负荷数据在相邻周期内的趋势相关性和去趋势相关性,包括:
获取负荷数据在每个周期下的数据序列,并对数据序列进行顺序累加得到累加序列;
对累加序列划分窗口,拟合出每个窗口的局部趋势;
将窗口内的累加序列与局部趋势相减得到残差序列,根据残差序列和局部趋势计算趋势相关性和去趋势相关性。
优选地,S5中基于相关性分析结果利用电网负荷神经网络模型获取目标日在不同周期下的负荷预测序列,包括:
在各周期下,利用对应的趋势相关性和去趋势相关性得到互相关特征向量,同时利用负荷数据得到负荷特征向量;
对互相关特征向量、负荷特征向量进行融合,利用全连接网络得到各周期下的负荷预测序列。
(三)有益效果
与现有技术相比,本发明所提供的一种基于人工智能的电网负荷预测方法,一方面筛选出与电网负荷关联度较高的目标影响因素,并得到各目标影响因素对应的负荷预测神经网络模型,利用负荷预测神经网络模型能够得到基于影响因素的第一负荷预测结果,有效提高了电网负荷预测的针对性和适用性;另一方面通过相关性分析,利用电网负荷神经网络模型获取目标日在不同周期下的负荷预测序列,并生成预测特征序列,利用预测特征序列能够得到基于时间周期的第二负荷预测结果,最终通过对第一负荷预测结果、第二负荷预测结果的综合评判,实现对电网负荷的精准预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图;
图2为本发明中基于影响因素得到第一负荷预测结果的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
一种基于人工智能的电网负荷预测方法,如图1和图2所示,①构建电网负荷的影响因素集,从历史数据中获取各影响因素集中的影响因素数据与负荷数据。
②计算影响因素集对应影响因素与电网负荷的关联度,并基于关联度筛选出目标影响因素,具体包括:
将各影响因素集中的影响因素数据作为比较序列,将各影响因素数据对应的负荷数据作为参考序列,基于灰色关联分析确定各影响因素与电网负荷的关联度,筛选出与电网负荷的关联度大于预设关联度阈值的影响因素作为目标影响因素。
③根据目标影响因素对历史数据中的负荷数据进行聚类,并训练得到各目标影响因素对应的负荷预测神经网络模型,具体包括:
对相同类型的目标影响因素数据与对应的负荷数据进行聚类,得到聚类数据集,并将聚类数据集划分为训练集和测试集;
基于训练集训练得到初始神经网络模型,并利用测试集对初始神经网络模型进行测试;
若初始神经网络模型的预测精度没有达到预设精度阈值时,将测试集中的部分数据转移至训练集,并再次进行模型训练,直至得到符合预测精度要求的负荷预测神经网络模型。
④获取目标日对应的影响因素数据,将影响因素数据输入对应的负荷预测神经网络模型中,得到目标日的第一负荷预测结果,具体包括:
将目标日对应的影响因素数据作为比较序列,将各目标影响因素中的目标影响因素数据作为参考序列,基于灰色关联分析确定影响因素数据对应的目标影响因素,并将影响因素数据输入对应的负荷预测神经网络模型中;
根据各负荷预测神经网络模型得到的预测结果,确定目标日的第一负荷预测结果。
本申请技术方案中,上述步骤①-⑤筛选出与电网负荷关联度较高的目标影响因素,并得到各目标影响因素对应的负荷预测神经网络模型,利用负荷预测神经网络模型能够得到基于影响因素的第一负荷预测结果,有效提高了电网负荷预测的针对性和适用性。
如图1所示,⑤在不同周期下对历史数据中的负荷数据进行相关性分析,基于相关性分析结果利用电网负荷神经网络模型获取目标日在不同周期下的负荷预测序列。
其中,在不同周期下对历史数据中的负荷数据进行相关性分析,包括:
通过去趋势互相关法对历史数据中的负荷数据进行相关性分析,得到负荷数据在相邻周期内的趋势相关性和去趋势相关性。
上述得到负荷数据在相邻周期内的趋势相关性和去趋势相关性的具体过程,包括:
获取负荷数据在每个周期下的数据序列,并对数据序列进行顺序累加得到累加序列;
对累加序列划分窗口,拟合出每个窗口的局部趋势;
将窗口内的累加序列与局部趋势相减得到残差序列,根据残差序列和局部趋势计算趋势相关性和去趋势相关性。
其中,基于相关性分析结果利用电网负荷神经网络模型获取目标日在不同周期下的负荷预测序列,包括:
在各周期下,利用对应的趋势相关性和去趋势相关性得到互相关特征向量,同时利用负荷数据得到负荷特征向量;
对互相关特征向量、负荷特征向量进行融合,利用全连接网络得到各周期下的负荷预测序列。
⑥对负荷预测序列进行波动分解,基于波动分解结果(对应的周期分量和趋势分量)生成预测特征序列,利用预测特征序列得到目标日的第二负荷预测结果。
本申请技术方案中,上述步骤⑤-⑥通过相关性分析,利用电网负荷神经网络模型获取目标日在不同周期下的负荷预测序列,并生成预测特征序列,利用预测特征序列能够得到基于时间周期的第二负荷预测结果。
⑦对基于影响因素得到的第一负荷预测结果、基于时间周期得到的第二负荷预测结果进行综合评判,得到最终负荷预测结果。
最终通过对第一负荷预测结果、第二负荷预测结果的综合评判,实现对电网负荷的精准预测。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于人工智能的电网负荷预测方法,其特征在于:包括以下步骤:
S1、构建电网负荷的影响因素集,从历史数据中获取各影响因素集中的影响因素数据与负荷数据;
S2、计算影响因素集对应影响因素与电网负荷的关联度,并基于关联度筛选出目标影响因素;
S3、根据目标影响因素对历史数据中的负荷数据进行聚类,并训练得到各目标影响因素对应的负荷预测神经网络模型;
S4、获取目标日对应的影响因素数据,将影响因素数据输入对应的负荷预测神经网络模型中,得到目标日的第一负荷预测结果;
S5、在不同周期下对历史数据中的负荷数据进行相关性分析,基于相关性分析结果利用电网负荷神经网络模型获取目标日在不同周期下的负荷预测序列;
S6、对负荷预测序列进行波动分解,基于波动分解结果生成预测特征序列,利用预测特征序列得到目标日的第二负荷预测结果;
S7、对基于影响因素得到的第一负荷预测结果、基于时间周期得到的第二负荷预测结果进行综合评判,得到最终负荷预测结果。
2.根据权利要求1所述的基于人工智能的电网负荷预测方法,其特征在于:S2中计算影响因素集对应影响因素与电网负荷的关联度,包括:
将各影响因素集中的影响因素数据作为比较序列,将各影响因素数据对应的负荷数据作为参考序列,基于灰色关联分析确定各影响因素与电网负荷的关联度。
3.根据权利要求2所述的基于人工智能的电网负荷预测方法,其特征在于:S2中基于关联度筛选出目标影响因素,包括:
筛选出与电网负荷的关联度大于预设关联度阈值的影响因素作为目标影响因素。
4.根据权利要求1所述的基于人工智能的电网负荷预测方法,其特征在于:S3中根据目标影响因素对历史数据中的负荷数据进行聚类,并训练得到各目标影响因素对应的负荷预测神经网络模型,包括:
对相同类型的目标影响因素数据与对应的负荷数据进行聚类,得到聚类数据集,并将聚类数据集划分为训练集和测试集;
基于训练集训练得到初始神经网络模型,并利用测试集对初始神经网络模型进行测试;
若初始神经网络模型的预测精度没有达到预设精度阈值时,将测试集中的部分数据转移至训练集,并再次进行模型训练,直至得到符合预测精度要求的负荷预测神经网络模型。
5.根据权利要求1所述的基于人工智能的电网负荷预测方法,其特征在于:S4中获取目标日对应的影响因素数据,将影响因素数据输入对应的负荷预测神经网络模型中,包括:
将目标日对应的影响因素数据作为比较序列,将各目标影响因素中的目标影响因素数据作为参考序列,基于灰色关联分析确定影响因素数据对应的目标影响因素,并将影响因素数据输入对应的负荷预测神经网络模型中。
6.根据权利要求5所述的基于人工智能的电网负荷预测方法,其特征在于:S4中得到目标日的第一负荷预测结果,包括:
根据各负荷预测神经网络模型得到的预测结果,确定目标日的第一负荷预测结果。
7.根据权利要求1所述的基于人工智能的电网负荷预测方法,其特征在于:S5中在不同周期下对历史数据中的负荷数据进行相关性分析,包括:
通过去趋势互相关法对历史数据中的负荷数据进行相关性分析,得到负荷数据在相邻周期内的趋势相关性和去趋势相关性。
8.根据权利要求7所述的基于人工智能的电网负荷预测方法,其特征在于:所述通过去趋势互相关法对历史数据中的负荷数据进行相关性分析,得到负荷数据在相邻周期内的趋势相关性和去趋势相关性,包括:
获取负荷数据在每个周期下的数据序列,并对数据序列进行顺序累加得到累加序列;
对累加序列划分窗口,拟合出每个窗口的局部趋势;
将窗口内的累加序列与局部趋势相减得到残差序列,根据残差序列和局部趋势计算趋势相关性和去趋势相关性。
9.根据权利要求7所述的基于人工智能的电网负荷预测方法,其特征在于:S5中基于相关性分析结果利用电网负荷神经网络模型获取目标日在不同周期下的负荷预测序列,包括:
在各周期下,利用对应的趋势相关性和去趋势相关性得到互相关特征向量,同时利用负荷数据得到负荷特征向量;
对互相关特征向量、负荷特征向量进行融合,利用全连接网络得到各周期下的负荷预测序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210542533.7A CN114897248A (zh) | 2022-05-18 | 2022-05-18 | 一种基于人工智能的电网负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210542533.7A CN114897248A (zh) | 2022-05-18 | 2022-05-18 | 一种基于人工智能的电网负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897248A true CN114897248A (zh) | 2022-08-12 |
Family
ID=82723407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210542533.7A Pending CN114897248A (zh) | 2022-05-18 | 2022-05-18 | 一种基于人工智能的电网负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897248A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029491A (zh) * | 2022-11-28 | 2023-04-28 | 国网河北省电力有限公司 | 一种电力调度管理***及其控制方法 |
CN116186548A (zh) * | 2023-05-04 | 2023-05-30 | 广州三晶电气股份有限公司 | 电力负荷预测模型训练方法及电力负荷预测方法 |
-
2022
- 2022-05-18 CN CN202210542533.7A patent/CN114897248A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029491A (zh) * | 2022-11-28 | 2023-04-28 | 国网河北省电力有限公司 | 一种电力调度管理***及其控制方法 |
CN116186548A (zh) * | 2023-05-04 | 2023-05-30 | 广州三晶电气股份有限公司 | 电力负荷预测模型训练方法及电力负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232203B (zh) | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 | |
EP3571809B1 (en) | Method and apparatus for analysing performance of a telecommunications network | |
CN114897248A (zh) | 一种基于人工智能的电网负荷预测方法 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN112910690A (zh) | 基于神经网络模型的网络流量预测方法、装置及设备 | |
CN108446714B (zh) | 一种多工况下的非马尔科夫退化***剩余寿命预测方法 | |
CN108415885A (zh) | 基于近邻回归的实时公交客流预测方法 | |
CN111985719A (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及*** | |
Vijayan | Energy consumption prediction in low energy buildings using machine learning and artificial intelligence for energy efficiency | |
CN115713044B (zh) | 一种多工况切换下的机电设备剩余寿命分析方法和装置 | |
CN116894153A (zh) | 基于奇异谱分析和arima-lstm组合模型的滑坡位移预测方法 | |
CN111539558A (zh) | 一种采用优化极限学习机的电力负荷预测方法 | |
CN116646917A (zh) | 一种校园多步概率电力负荷预测方法及*** | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN115983477A (zh) | 基于K-means聚类与卷积神经网络模型的负荷预测方法 | |
CN115759455A (zh) | 一种基于时序高斯混合密度网络的负荷概率密度预测方法 | |
CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
Grandon et al. | Electricity demand forecasting with hybrid statistical and machine learning algorithms: Case study of ukraine | |
CN114970711A (zh) | 一种基于Seq2Seq的电力负荷预测模型的构建方法及应用 | |
CN111143774B (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 | |
CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及*** | |
CN110188967B (zh) | 基于混沌人群算法和贝叶斯网络的电力负荷概率性预测方法 | |
CN112926777A (zh) | 考虑商业建筑用能行为的日前负荷预测方法及*** | |
Gomez-Martinez et al. | Scenario selection of wind forecast errors for stochastic unit commitment: A uk case 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 |