CN115967077A - 一种短期预测电力负荷预测方法及*** - Google Patents
一种短期预测电力负荷预测方法及*** Download PDFInfo
- Publication number
- CN115967077A CN115967077A CN202211054394.XA CN202211054394A CN115967077A CN 115967077 A CN115967077 A CN 115967077A CN 202211054394 A CN202211054394 A CN 202211054394A CN 115967077 A CN115967077 A CN 115967077A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- power load
- gru neural
- data
- 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 45
- 238000003062 neural network model Methods 0.000 claims abstract description 53
- 238000005457 optimization Methods 0.000 claims abstract description 46
- 239000002245 particle Substances 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 7
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种短期预测电力负荷预测方法及***，包括：获取数据样本，对数据样本进行预处理；采用改进的GRU神经网络模型对预处理后的样本数据进行处理，得到预测的电力负荷值；对预测的电力负荷值进行评价；其中，获取改进的GRU神经网络模型包括：确定寻优参数，寻优参数包括GRU神经网络模型的神经元数量L1、L2、训练迭代次数K、学习率lr；将寻优参数作为粒子寻优的特征，采用PSO算法对GRU神经网络模型进行参数寻优，得到改进的GRU神经网络模型。本方案通过PSO算法对GRU模型进行超参数优化，得到的改进的GRU模型获得更高的预测性能，使用该改进的GRU模型能够有效提高短期电力负荷预测的准确性及稳定性。
Description
技术领域
本发明涉及电力预测技术领域，特别涉及一种短期预测电力负荷预测方法及***。
背景技术
电力负荷预测是指将用电负荷关联度较高的部分影响因素通过某种数学公式来进行求解，预测得出在一段时间内满足一定要求的用电负荷的过程。根据预测时间可分为长期、中期、短期和超短期。其中短期电力负荷预测有助于维持发电端和用电端的动态平衡，可以保障电力***的稳定，使其运行效率更加高效，还能减少发电成本和资源浪费，提高经济效益。
目前，针对电力负荷预测模型，主要可以分为统计学***均法(auto regressive integrated movingaverage model，ARIMA)和卡尔曼滤波分析法(kalman filtering，KF)等，此类方法模型较为简单，处理线性序列和平稳性序列时有较为良好的预测效果，但受限于原始数据本身的分布规律，对原始数据的要求很高，针对非线性因素的影响难以反映。智能预测方法主要包括支持向量机(support vector machine，SVM)和人工神经网络(artificial neuralnetwork，ANN)等。支持向量机计算速度较快，泛化能力强，但对原始数据要求较高，处理大规模数据困难。人工神经网络具有较好的鲁棒性，自主学***稳性和时序性的特点，ARIMA法和KF法难以体现非线性因素，支持向量机处理大规模数据较为困难，ANN法中人为提取特征会降低负荷数据的连续性。GRU(gated recurrentunit，GRU)预测模型可以充分挖掘大规模负荷数据中的信息特征，王悦如等人使用GRU模型进行了短期电力数据预测，结果表明，该模型具有较高预测精度，该模型用于电力预测是合理且有效的。但是GRU中的部分超参数需要人为设置，而不同的超参数训练出的模型具有巨大的性能差异，同时预测结果也将随超参数的改变而改变，因此选择合适的超参数尤其重要。为了克服神经网络的超参数难以确定的问题，同时避免人工调参存在一定的偶然性和过于依赖专家经验的缺陷，因此，亟需一种短期电力负荷预测方法来解决上述问题。
发明内容
针对上述问题，提出了一种短期预测电力负荷预测方法及***，通过PSO算法对GRU预测模型进行超参数优化，得到的改进的GRU模型获得更高的预测性能，使用该改进的GRU模型能够有效提高短期电力负荷预测的准确性及稳定性。
一方面为了实现上述技术目的，本发明提供了一种短期预测电力负荷预测方法，包括：
获取数据样本，对数据样本进行预处理；
采用改进的GRU神经网络模型对预处理后的样本数据进行处理，得到预测的电力负荷值；
对所述预测的电力负荷值进行评价；
其中，获取所述改进的GRU神经网络模型包括：
确定寻优参数，所述寻优参数包括GRU神经网络模型的神经元数量L1、L2、训练迭代次数K、学习率lr；
将所述寻优参数作为粒子寻优的特征，采用PSO算法对GRU神经网络模型进行参数寻优，得到改进的GRU神经网络模型。
采用PSO算法对GRU神经网络模型进行参数寻优，得到改进的GRU神经网络模型包括：
S1、初始化粒子群；S2、确定各个粒子的适应度值，采用GRU神经网络模型预测值的均方误差作为粒子适应度值fit；S3、基于各个粒子的适应度值更新个体最优解pbest和群体最优解gbest；S4、判断是否满足粒子群算法的收敛条件，若满足，则输出最优参数，若不满足，则执行S5到S7，S5、依据全局最优解和个体最优解来更新每个粒子的速度和位置；S6、更新全局最优解和个体最优解；S7、返回S3继续执行，直到满足收敛条件，输出最优参数，重新训练GRU神经网络模型进行预测。
可选地，所述数据样本的类型基于影响电力负荷变化的因素得到，所述影响因素包括气象因素和时间因素。
可选地，所述预处理为：对数据样本进行归一化处理。
可选地，所述归一化处理包括：负荷数据标准化处理、温度数据标准化处理、星期类型的划分以及标准化处理和湿度数据的选择。
可选地，对所述预测电力负荷值进行评价中的评价指标包括：根均方差、平均绝对误差、平均相对百分误差、决定系数。
另一方面为了实现上述目的，本发明还公开了一种短期预测电力负荷预测***，包括：
第一获取模块，用于获取数据样本，对数据样本进行预处理；
分析模块，用于采用改进的GRU神经网络模型对预处理后的样本数据进行处理，得到预测的电力负荷值；
评价模块，用于对所述预测的电力负荷值进行评价；
所述分析模块包括第二获取模块，用于构建所述改进的GRU神经网络模型；
其中，第二获取模块包括：第一计算模块，用于确定寻优参数，所述寻优参数包括GRU神经网络模型的神经元数量L1、L2、训练迭代次数K、学习率lr；第二计算模块，用于将所述寻优参数作为粒子寻优的特征，采用PSO算法对GRU神经网络模型进行参数寻优，得到改进的GRU神经网络模型。
可选地，所述第一获取模块包括：第一预处理模块，用于对负荷数据标准化处理；
第二预处理模块，用于对温度数据标准化处理；
第三预处理模块，用于对星期类型进行划分以及标准化处理；
第四预处理模块，用于选择湿度数据。
本发明具有如下技术效果：本发明采用PSO算法对GRU神经网络模型进行超参数优化得到改进后GRU神经网络模型，克服了神经网络的超参数难以确定的问题，同时避免人工调参存在一定的偶然性和过于依赖专家经验的缺陷；再采用改进的GRU神经网络模型对预处理后的样本数据进行处理，得到预测的电力负荷值，提高了预测精度、稳定性。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的短期预测电力负荷预测方法流程图；
图2为本发明实施例二提供的短期预测电力负荷预测***结构图；
图3为本发明实施例一提供的寻优过程示意图；
图4为本发明实施例一提供的PSO-GRU网络模预测曲线图；
图5为本发明实施例一提供的LSTM网络模预测曲线图；
图6为本发明实施例一提供的GRU网络模型预测曲线图
图7为本发明实施例一提供的PSO-GRU对比LSTM，GRU网络模型预测曲线图；
图8为本发明实施例一提供的采用PSO算法对GRU神经网络模型进行参数寻优，得到改进的GRU神经网络模型流程示意图。
具体实施方式
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，所描述的实施例仅仅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做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。
本发明提供了如下方案：
如图1所示，一种短期预测电力负荷预测方法，包括：
获取数据样本，对数据样本进行预处理；进一步地，将预处理后的数据划分为训练样本和测试样本，例如，可以将训练样本和测试样本的比例设置为7：3。
采用改进的GRU神经网络模型对预处理后的样本数据进行处理，得到预测的电力负荷值；
对所述预测的电力负荷值进行评价；
其中，获取所述改进的GRU神经网络模型包括：
确定寻优参数，所述寻优参数包括GRU神经网络模型的神经元数量L1、L2、训练迭代次数K、学习率lr；寻优过程如图3所示。
将所述寻优参数作为粒子寻优的特征，采用PSO算法对GRU神经网络模型进行参数寻优，得到改进的GRU神经网络模型，得到的预测曲线如图4所示，同时对比LSTM，GRU网络模型，预测曲线如图7所示。本实施例中，GRU的数学表达式：
其中，I表示单位矩阵，x表示矩阵的数乘，[，]表示矩阵连接，xt表示输入变量；ht表示当前时刻记忆变量；ht-1表示上一时刻记忆变量；
表示当前时刻的候选集状态，yt表示当前时刻的输出变量；此外，令
分别为更新门、重置门、候选集、输出向量与xt及ht-1构成的连接矩阵相乘的权重。
进一步地，如图8所示，采用PSO算法对GRU神经网络模型进行参数寻优，得到改进的GRU神经网络模型包括：
S1、初始化粒子群：给每个粒子赋予随机的初始位置和速度；还需要确定粒子的种群规模、学习因子、迭代次数以及速度和位置取值的区间；本实施例中，相关参数设置为：惯性权重ω＝0.8，学习因子c1＝1.5，c2＝1.5，PSO-GRU由输入层、两个GRU隐含层和输出层构成。PSO算法粒子寻优最大迭代次数为10，粒子个数N＝5，GRU隐藏层单元的个数范围为L1,L2∈[1,200]，训练次数取值范围为K∈[10,100]，学习率范围为lr∈[0.001,0.01]。
S2、确定各个粒子的适应度值，采用GRU神经网络模型预测值的均方误差作为粒子适应度值fit：
其中，yi为第i个采样点的真实值；
为第i个采样点的预测值。
S3、基于各个粒子的适应度值更新个体最优解pbest和群体最优解gbest；
S4、判断是否满足粒子群算法的收敛条件，若满足，则输出最优参数，若不满足，则执行S5到S7；
S5、依据全局最优解和个体最优解来更新每个粒子的速度和位置；
S6、更新全局最优解和个体最优解；
S7、返回S3继续执行，直到满足收敛条件，输出最优参数，重新训练GRU神经网络模型进行预测。
进一步优化方案，所述数据样本的类型基于影响电力负荷变化的因素得到，所述影响因素包括气象因素和时间因素。进一步地，气象因素主要包括温度、湿度等，时间因素主要包括星期类型、节假日、日夜变换等。本实施例中，为了使短期电力负荷预测结果更加准确，考虑了温度、湿度、星期类型的影响。拟用第一天的29个值(平均温度、最高温度、最低温度、相对湿度，星期类型以及24个整点电力负荷值)与预测日的5个气象值(平均温度、最高温度、最低温度、相对湿度，星期类型)作为输入，以预测日的24个整点电力负荷值作为输出。
进一步优化方案，所述预处理为：对数据样本进行归一化处理。由于GRU模型对数据尺度的敏感性较高，进行归一化处理可以减少量纲对电力负荷的预测效果的影响。
进一步优化方案，所述归一化处理包括：负荷数据标准化处理、温度数据标准化处理、星期类型的划分以及标准化处理和湿度数据的选择。
其中，负荷数据标准化处理包括：
式中：xi，x′i分别为处理前后的电力负荷数据。
温度数据标准化处理包括：
式中：Ti，T′分别为处理前后的温度数据；Tmax，Tmin分别为原始数据样本中温度的最大值和最小值。
星期类型的划分以及标准化处理包括：
电力负荷在一周内变化情况会有较大差别，本文将周一量化为0.7，周二到周五量化为0.8，周六量化为0.4，周日量化为0.3。采取的湿度数据为相对湿度，数值位于[0,1]之间。
进一步优化方案，对所述预测电力负荷值进行评价中的评价指标包括：根均方差、平均绝对误差、平均相对百分误差、决定系数。
根均方差RMSE的表达式为：
平均绝对误差MAE的表达式为：
平均相对百分误差MAPE的表达式为：
决定系数R2的表达式为：
其中，N为实验预测次数；
为模型预测值；yn为真实值；y为真实值平均值。RMSE、MAE、MAPE数值越小，预测结果与真实值偏差越小，结果更准确；R2越接近1，代表拟合优度越大，模型预测效果越好。
对上述预测模型，计算其在测试样本上的各评价指标的对比结果，如表2所示。本方法相对于LSTM,GRU模型来说，R2最大，达到了93.7％，而RMSE,MAE,MAPE与其他两种模型相比在不同程度上也有降低，其中MAPE分别降低了1.44％，1.15％。说明预测性能较好，预测精度也比其他两种模型更高，预测结果更加准确。即采用本方法相比于传统的LSTM,GRU模型，能够更准确的预测负荷的走势，与真实负荷曲线有更好的拟合度，具有更高的预测精度。
表2
实施例二
如图2所示，一种短期预测电力负荷预测***，包括：
第一获取模块，用于获取数据样本，对数据样本进行预处理；
分析模块，用于采用改进的GRU神经网络模型对预处理后的样本数据进行处理，得到预测的电力负荷值；
评价模块，用于对所述预测的电力负荷值进行评价；
所述分析模块包括第二获取模块，用于构建所述改进的GRU神经网络模型；
其中，第二获取模块包括：
第一计算模块，用于确定寻优参数，所述寻优参数包括GRU神经网络模型的神经元数量L1、L2、训练迭代次数K、学习率lr；
第二计算模块，用于将所述寻优参数作为粒子寻优的特征，采用PSO算法对GRU神经网络模型进行参数寻优，得到改进的GRU神经网络模型。
进一步优化方案，所述第一获取模块包括：
第一预处理模块，用于对负荷数据标准化处理；
第二预处理模块，用于对温度数据标准化处理；
第三预处理模块，用于对星期类型进行划分以及标准化处理。
第四预处理模块，用于选择湿度数据。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种短期预测电力负荷预测方法，其特征在于，包括：
获取数据样本，对数据样本进行预处理；
采用改进的GRU神经网络模型对预处理后的样本数据进行处理，得到预测的电力负荷值；
对所述预测的电力负荷值进行评价；
其中，获取所述改进的GRU神经网络模型包括：
确定寻优参数，所述寻优参数包括GRU神经网络模型的神经元数量L1、L2、训练迭代次数K、学习率lr；
将所述寻优参数作为粒子寻优的特征，采用PSO算法对GRU神经网络模型进行参数寻优，得到改进的GRU神经网络模型；
采用PSO算法对GRU神经网络模型进行参数寻优，得到改进的GRU神经网络模型包括：
S1、初始化粒子群；S2、确定各个粒子的适应度值，采用GRU神经网络模型预测值的均方误差作为粒子适应度值fit；S3、基于各个粒子的适应度值更新个体最优解pbest和群体最优解gbest；S4、判断是否满足粒子群算法的收敛条件，若满足，则输出最优参数，若不满足，则执行S5到S7，S5、依据全局最优解和个体最优解来更新每个粒子的速度和位置；S6、更新全局最优解和个体最优解；S7、返回S3继续执行，直到满足收敛条件，输出最优参数，重新训练GRU神经网络模型进行预测。
2.根据权利要求1所述的方法，其特征在于：所述数据样本的类型基于影响电力负荷变化的因素得到，所述影响因素包括气象因素和时间因素。
3.根据权利要求1所述的方法，其特征在于：所述预处理为：对数据样本进行归一化处理。
4.根据权利要求3所述的方法，其特征在于：所述归一化处理包括：负荷数据标准化处理、温度数据标准化处理、星期类型的划分以及标准化处理和湿度数据的选择。
5.根据权利要求1所述的方法，其特征在于：对所述预测电力负荷值进行评价中的评价指标包括：根均方差、平均绝对误差、平均相对百分误差、决定系数。
6.一种短期预测电力负荷预测***，其特征在于，包括：
第一获取模块，用于获取数据样本，对数据样本进行预处理；
分析模块，用于采用改进的GRU神经网络模型对预处理后的样本数据进行处理，得到预测的电力负荷值；
评价模块，用于对所述预测的电力负荷值进行评价；
所述分析模块包括第二获取模块，用于构建所述改进的GRU神经网络模型；
其中，第二获取模块包括：第一计算模块，用于确定寻优参数，所述寻优参数包括GRU神经网络模型的神经元数量L1、L2、训练迭代次数K、学习率lr；第二计算模块，用于将所述寻优参数作为粒子寻优的特征，采用PSO算法对GRU神经网络模型进行参数寻优，得到改进的GRU神经网络模型。
7.根据权利要求6所述的***，其特征在于：所述第一获取模块包括：第一预处理模块，用于对负荷数据标准化处理；
第二预处理模块，用于对温度数据标准化处理；
第三预处理模块，用于对星期类型进行划分以及标准化处理；
第四预处理模块，用于选择湿度数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211054394.XA CN115967077A (zh) | 2022-08-30 | 2022-08-30 | 一种短期预测电力负荷预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211054394.XA CN115967077A (zh) | 2022-08-30 | 2022-08-30 | 一种短期预测电力负荷预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115967077A true CN115967077A (zh) | 2023-04-14 |
Family
ID=87362377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211054394.XA Pending CN115967077A (zh) | 2022-08-30 | 2022-08-30 | 一种短期预测电力负荷预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115967077A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109426889A (zh) * | 2017-09-01 | 2019-03-05 | 南京理工大学 | 基于kpca与改进神经网络结合的短期负荷预测方法 |
| 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 |
| CN112633577A (zh) * | 2020-12-23 | 2021-04-09 | 西安建筑科技大学 | 一种短期家庭用电负荷预测方法、***、存储介质及设备 |
| CN113326968A (zh) * | 2021-04-20 | 2021-08-31 | 国网浙江省电力有限公司台州供电公司 | 基于调整pso惯性权重的母线短期负荷预测方法及装置 |
-
2022
- 2022-08-30 CN CN202211054394.XA patent/CN115967077A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109426889A (zh) * | 2017-09-01 | 2019-03-05 | 南京理工大学 | 基于kpca与改进神经网络结合的短期负荷预测方法 |
| 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 |
| CN112633577A (zh) * | 2020-12-23 | 2021-04-09 | 西安建筑科技大学 | 一种短期家庭用电负荷预测方法、***、存储介质及设备 |
| CN113326968A (zh) * | 2021-04-20 | 2021-08-31 | 国网浙江省电力有限公司台州供电公司 | 基于调整pso惯性权重的母线短期负荷预测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| RUNHAI JIAO等: "Short-Term Non-Residential Load Forecasting Based on Multiple Sequences LSTM Recurrent Neural Network", 《 IEEE ACCESS》, no. 6, pages 59438 - 59448, XP011693985, DOI: 10.1109/ACCESS.2018.2873712 * |
| 谢崇波等: "基于GA-GRU环境空气污染物预测研究", 《测控技术》, vol. 38, no. 7, pages 97 - 103 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108280551B (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
| CN109902801B (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
| CN111783953B (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
| CN106448151B (zh) | 一种短时交通流预测方法 | |
| CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
| CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
| CN111105104A (zh) | 一种基于相似日和rbf神经网络的短期电力负荷预测方法 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN111028100A (zh) | 考虑气象因素的精细化短期负荷预测方法、装置及介质 | |
| CN109637196A (zh) | 航路扇区交通概率密度预测方法 | |
| CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
| CN115271186B (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
| CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
| CN114648170A (zh) | 基于混合深度学习模型的水库水位预测预警方法及*** | |
| CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
| CN109740818A (zh) | 一种应用于航路扇区交通的概率密度预测*** | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及*** | |
| CN113868938A (zh) | 基于分位数回归的短期负荷概率密度预测方法、装置及*** | |
| CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
| CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及*** | |
| Sen | Time series prediction based on improved deep learning | |
| CN114819395A (zh) | 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法 | |
| Sukanda et al. | Wave forecast using bidirectional GRU and GRU method case study in Pangandaran, Indonesia | |
| Reis et al. | A scalable load forecasting system for low voltage grids |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230414 |
|
| RJ01 | Rejection of invention patent application after publication |