CN116845882A - 考虑温湿指数与耦合特性的综合能源负荷短期预测方法 - Google Patents

考虑温湿指数与耦合特性的综合能源负荷短期预测方法 Download PDF

Info

Publication number
CN116845882A
CN116845882A CN202310896925.8A CN202310896925A CN116845882A CN 116845882 A CN116845882 A CN 116845882A CN 202310896925 A CN202310896925 A CN 202310896925A CN 116845882 A CN116845882 A CN 116845882A
Authority
CN
China
Prior art keywords
load
data
coupling
matrix
loads
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
Application number
CN202310896925.8A
Other languages
English (en)
Inventor
张力
金立
任炬光
罗钰
刘季涛
刘小兵
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.)
Xihua University
Original Assignee
Xihua 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 Xihua University filed Critical Xihua University
Priority to CN202310896925.8A priority Critical patent/CN116845882A/zh
Publication of CN116845882A publication Critical patent/CN116845882A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Public Health (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及考虑温湿指数与耦合特性的综合能源负荷短期预测方法，包括步骤：获取综合能源负荷的影响因素数据，对影响因素数据进行预处理；所述影响因素数据包括内生影响因素、外生影响因素，其中内生影响因素包括历史冷电负荷数据，外生影响因素包括温湿指数、耦合特征、日期类型；将预处理后的影响因素数据作为训练集和测试集，对KPCA‑GRU‑Attention预测模型进行训练，得到完成训练的预测模型。本发明同时考虑负荷的内生影响因素和外生影响因素，对短期的负荷进行预测。

Description

考虑温湿指数与耦合特性的综合能源负荷短期预测方法
技术领域
本发明涉及综合能源负荷预测技术领域，特别涉及一种考虑温湿指数与耦合特性的综合能源负荷短期预测方法。
背景技术
综合能源多元负荷预测是制定能量管理策略的重要基础，同时也是满足多能供需平衡的前提保障。但综合能源中异质能量的耦合特性以及复杂多变的气象因素影响在一定程度上给开展多能负荷预测应用研究带来了巨大挑战，对***运行水平的进一步提升产生了重要影响。
同时相较于中长期负荷预测，短期负荷预测是以未来小时为时间尺度，对于指导实时用能感知、峰荷调控等具有更为重要的意义。对其预测方法，可按发展历程分为传统型和现代型两种。在早期的预测研究中，由于传统电力负荷成分简单且预测场景对象单一，预测方法较多依赖于自身历史统计数据并通过回归分析、时间序列、灰色理论等传统预测方法，使其建模分析具有考虑影响不全面、误差较大、精度不理想等局限。20世纪70年代以来，得益于国内外学者的大量研究成果，基于数据驱动的现代预测方法逐渐得到广泛认可与应用，尤其是机器学***得到大幅提升。但现代负荷预测方法所需的海量数据样本更加繁杂、数据之间的耦合程度更高，亟需在保证信息完整性的前提下对输入空间进行降维处理，并进一步提取出差异化特性，对构建高效智能的预测模型具有实用价值。
相较于以往单一用电需求预测的模型方法选用，综合能源多元负荷短期预测建模与精度提升在此基础上增加了对多个影响因素的计及。根据综合能源的运行原理，其异质能量之间具有较强的耦合转化特征与不确定性，多元负荷之间以及负荷与多因素之间相互呈现出交错影响。但现有综合能源多元负荷预测方法大多还是仅考虑单一气象因素影响或多个单一因素的简单叠加作为特征输入，缺乏对综合气象因素共同作用的影响考虑。
此外，在现有研究中对于综合能源多元负荷耦合特性的深度挖掘缺乏异质能量间特征影响的因果关系分析，并在此基础上还需进一步从负荷自身的内耦合特征与负荷之间的外耦合特征两个方面来综合构建多元负荷耦合特征，但目前鲜有该方面的相关研究。以上方法虽然进行了综合能源负荷的关联关系分析，但对耦合特征的深度识别有限。此外，有部分方法利用挖掘算法构造了综合能源多元负荷的耦合特征，取得了很好的预测效果，但对于负荷之间的外耦合特征计算仍沿用了负荷自身内耦合特征的Pearson相关性分析方法，对外耦合特征的因果关系识别不足。
总的来说，综合能源负荷所受到的不可控因素较多，随之表现出一定的不确定性，且随时间推移会或多或少表现出一定的周期规律特征。而对于一个预测模型来说，尤其是针对负荷变化快，实效性要求较高的短期负荷预测模型，其输入特征至关重要，它通常决定了最终预测效果的好坏，因此对影响负荷短期预测的相关因素进行分类研究分析必不可少。
发明内容
本发明的目的在于同时考虑负荷的内生影响因素和外生影响因素，对短期的负荷进行预测，提供一种考虑温湿指数与耦合特性的综合能源负荷短期预测方法。
本发明首先解决的技术问题是同时考虑负荷的内生影响因素和外生影响因素，对短期的负荷进行预测，提供了以下技术方案：
考虑温湿指数与耦合特性的综合能源负荷短期预测方法，包括以下步骤：
步骤1，获取综合能源负荷的影响因素数据，对影响因素数据进行预处理；所述影响因素数据包括内生影响因素、外生影响因素，其中内生影响因素包括历史冷电负荷数据，外生影响因素包括温湿指数、耦合特征、日期类型；
步骤2，将预处理后的影响因素数据作为训练集和测试集，对KPCA-GRU-Attention预测模型进行训练，得到完成训练的预测模型。
在上述方案中，不仅考虑了负荷的内生影响因素，即负荷的历史数据，还考虑了对影响到负荷的外生影响因素，将这些影响因素共同作为训练预测模型的数据，训练出来的预测模型能更加准确的对负荷进行预测。
更进一步地，外生影响因素中的耦合特征包括负荷自身的特征，以及负荷之间的特征，为了有效的利用这些特征，所述步骤1中，对耦合特征进行预处理的步骤，包括：
利用收敛交叉映射法量化负荷间的因果关系及其强度，获取负荷之间的非线性外耦合特征；
基于负荷自身的内耦合特征与负荷之间的外耦合特征，计算综合能源负荷的耦合特征。
更进一步地，所述利用收敛交叉映射法量化负荷间的因果关系及其强度，获取负荷之间的非线性外耦合特征的步骤，包括：
数据归一化，读取两个时序变量的初始数据X＝[x1,x2,...,xt]和Y＝[y1,y2,...,yt]，进行归一化处理；
流形重构，按照延时嵌入原则分别重构X和Y的吸引子流形：
Mx,i＝[xi,xi-τ,...,xi-(E-1)τ]
My,i＝[yi,yi-τ,...,yi-(E-1)τ]
其中，E为嵌入维度；τ为时间滞后；i表示采样点，i＝1,2...,t-(E-1)τ；Mx表示初始数据X经过滞后潜入构建的吸引子流形，Mx,i表示在Mx上选取的第i个点；My表示初始数据Y经过滞后潜入构建的吸引子流形，My,i表示在My上选取的第i个点；
流形预测，在Mx上寻找Mx,i的E+1个由近到远的近邻点计算离Mx,i的欧式距离，得到权重u：
其中，表示第j个近邻点/>离Mx,i的欧式距离，j＝1,2,...,E+1；表示第1个近邻点/>离Mx,i的欧式距离；uj表示第j个近邻点/>的权重；
同时，在My上寻找My,i对应的E+1个近邻点计算Mx,i预测My,i的预测值：
计算因果关系强度ρ：
其中，i表示第i个采样点，L为采样点长度，L＝t-(E-1)τ；Y(i)表示初始数据Y的第i个采样点；表示初始数据Y的第i个采样点对应的预测值；/>表示初始数据Y的平均值；/>表示初始数据Y的平均值对应的预测值；随着采样点的增加，/>将逐渐收敛于Y(i)，最终ρ收敛于[0,1]。
在上述方案中，随着采样点的增加，将逐渐收敛于Y(i)，最终ρ收敛于[0,1]，表示存在Y→X的因果关系。上述是使用初始数据X预测初始数据Y，即用果X来反推因Y，则初始数据X主要用于求取权重后进一步求取预测值/>为Y的预测值。
更进一步地，所述基于负荷自身的内耦合特征与负荷之间的外耦合特征，计算综合能源负荷的耦合特征的步骤，包括：
构建综合能源负荷的冷电负荷拓展矩阵Z：
其中，表示冷电负荷拓展矩阵Z中冷负荷第i个采样点的k次幂，/>表示冷电负荷拓展矩阵Z中电负荷第i个样本的k次幂，i＝1,2...,t-(E-1)τ，k＝1,2,...,D；
计算负荷自身的内耦合关系矩阵：
其中，表示冷负荷的k1、k2次幂的Pearson相关系数；
其中，表示电负荷的k1、k2次幂的Pearson相关系数；
以负荷间的因果关系强度ρ作为负荷间的外耦合关系量化指标；
将冷电负荷拓展矩阵Z的行向量划分为单负荷扩展矩阵和多负荷扩展矩阵，通过基于类泰勒展开方法表示变量间的耦合关系，冷负荷的计算公式为：
其中，⊙为两个同阶矩阵的哈达码积；U＝[1/(1！),1/(2！),...,1/(D！)]为建立类泰勒展开方法的系数权重矩阵；Zext(i)为负荷自身的单负荷拓展矩阵中的第i个样本，Zint(i)表示负荷自身与其他负荷的多负荷拓展矩阵；ρC表示使用冷负荷求取其他负荷的预测值后的因果关系强度矩阵，为ρC的转置。
电负荷计算方式为：
其中，ρEl表示使用电负荷求取其他负荷的预测值后的因果关系强度矩阵，为ρEl的转置。
在上述方案中，计算了基于负荷自身的内耦合特征与负荷之间的外耦合特征的耦合特征。
更进一步地，所述步骤1中，温湿指数为：
THI＝32+1.8T-0.55(1-R)(1.8T-26)
其中，THI为温湿指数；T为温度，单位℃；R为相对湿度，单位％。
在上述方案中，温湿指数对综合能源负荷有着直接的影响，例如在温度较高的供冷季，对冷负荷有较大需求，电制冷设备的大量使用亦会提高对电负荷的需求。而相较于单一气象因素，考虑多种气象因素共同作用的综合气象指标更能体现人体的用能舒适度，现有研究表明综合气象因素指标中温度指数对综合能源负荷的影响最为显著。
更进一步地，所述步骤1中，日期类型为，该日若为周休日则标注为0，若为工作日则标注为1。
在上述方案中，综合能源多元负荷以周为时间单位进行周期性规律的波动变化，其中工作日的用能需求远远大于周休日，故考虑的特征包括预测日的日期以及日期类型。
更进一步地，所述步骤2具体包括以下步骤：
使用KPCA对外生影响因素进行特征降维；
对特征降维后的外生影响因素与内生影响因素进行数据归一化；
将归一化后的数据经过GRU的隐含层相关函数运算，得到隐含层输出结果；
将隐含层输出结果传输到Attention层，进行权重参数赋值，最终输出预测值。
更进一步地，所述使用KPCA对外生影响因素进行特征降维的步骤，包括：
得到高维空间中的映射数据H(x)的协方差矩阵的特征值及特征向量：
λvF＝FvF
其中，H(x)表示映射数据；F为协方差矩阵；λ为F的特征值；vF为F的特征向量；F的计算公式如下：
其中，m为外生影响因素的种类；H(xj)为第j个种类的映射数据，xj表示第j个种类的输入数据，j＝1,2,...,m；T表示矩阵转置；
根据Mercer定理，存在核矩阵可将特征值λ转换为：
其中， 表示核矩阵，K表示/>的核函数；xi表示第i个种类的输入数据，i＝1,2,...,m，i≠j；λt为经核矩阵转换后的第t个特征值，t＝1,2,...,k；βt为第t个特征值的组成系数，/>为βt的转置；
最终求得特征向量在空间F上的映射投影：
其中，x(t)为KPCA输出至GRU的第t个非线性主元；βt,j为第t个特征值对应的第j个样本系数。
更进一步地，所述将归一化后的数据经过GRU的隐含层相关函数运算，得到隐含层输出结果的步骤，包括：
GRU计算公式为：
其中，为t时刻隐含层激活状态，h(t)为t时刻的隐含层状态，h(t-1)为t-1时刻隐含层状态，r(t)为重置门，z(t)为更新门；wz、uz、wr、ur、w、u为参数权重；σ为sigmoid激励函数。
更进一步地，所述将隐含层输出结果传输到Attention层，进行权重参数赋值，最终输出预测值的步骤，包括：
Attention层的计算表达式为：
s(ht,q)＝VTtanh(Wht+Uq)
其中，CA表示注意力分配权重；se、sb分别由GRU输出向量在e、b时刻确定的注意力概率分布的值，e＝1,2,...,k，b＝1,2,...,k；V、W、U为权重系数。
与现有技术相比，本发明的有益效果：
本发明不仅考虑了负荷的内生影响因素，即负荷的历史数据，还考虑了对影响到负荷的外生影响因素，即温湿指数、耦合特征、日期类型，将这些影响因素共同作为训练预测模型的数据，训练出来的预测模型能更加准确的对负荷进行预测。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明方法流程图；
图2为本发明实施例1中KPCA-GRU-Attention预测模型的结构示意图；
图3为本发明实施例1中Attention层的结构示意图；
图4为本发明实施例2中预测模型的主成分累计折旧贡献率计算结果图4中的(a)为对电负荷的计算结果，图4中的(b)为对冷负荷的计算结果。
具体实施方式
下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性，或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。另外，术语“相连”、“连接”等可以是元件之间直接相连，也可以是经由其他元件的间接相连。
实施例1：
本发明通过下述技术方案实现，如图1所示，考虑温湿指数与耦合特性的综合能源负荷短期预测方法，包括以下步骤：
步骤1，获取综合能源负荷的影响因素数据，对影响因素数据进行预处理；所述影响因素数据包括内生影响因素、外生影响因素，其中内生影响因素包括历史冷电负荷数据，外生影响因素包括温湿指数、耦合特征、日期类型。
负荷预测通用公式：
L(t)＝α1g1(t)+α2g2(t)+...+αKgK(t)
其中，L(t)为t时刻的电力负荷预测值；gK(t)为t时刻第K个输入特征的预测分量；αK为第K个影响因素的权重系数，且α1+α2+...+αK＝1。
本方案的负荷包括冷负荷、电负荷，统称为冷电负荷，或负荷。由于负荷随时间变化的周期性和连续性，历史冷电负荷会与当前冷电负荷具有一定的联系，同时，除了负荷内生影响因素外，如历史冷电负荷数据，还有一些负荷外生影响因素，包括综合能源负荷的温湿指数、耦合特征以及日期类型。
综合能源负荷的耦合特征可用不同能源类型负荷间的耦合关系特征变量加以描述，耦合特征一般包括单一负荷自身的内耦合特征与不同类型能源负荷间的外耦合特征，其中，内耦合特征通过计算负荷的自相关性得到，而外耦合特征则通过计算不同负荷间的关联关系实现，但相关性分析方法无法完全表征负荷间的非对称耦合影响关系，因此利用收敛交叉映射法(Convergent Cross-Mapping,CCM)量化负荷间的因果关系强度，挖掘负荷之间的非线性外耦合特征。
收敛交叉映射法以Takens状态空间重构和嵌入定理为理论基础，利用变量的重构相空间之间微分同胚的特点，通过相空间之间的相互预测来判断变量之间的因果关系及其强度。对变量彼此之间具有时序关联关系场景的适用性较好，其计算过程如下：
步骤P1，数据归一化。读取两个时序变量的初始数据X＝[x1,x2,...,xt]和Y＝[y1,y2,...,yt]，进行归一化处理。
其中，X表示一种负荷的初始数据，如电负荷，Y表示另一种负荷的初始数据，如冷负荷。
步骤P2，流形重构。按照延时嵌入原则分别重构X和Y的吸引子流形：
Mx,i＝[xi,xi-τ,...,xi-(E-1)τ]
My,i＝[yi,yi-τ,...,yi-(E-1)τ]
其中，E为嵌入维度；τ为时间滞后；i表示采样点，i＝1,2...,t-(E-1)τ；Mx表示初始数据X经过滞后潜入构建的吸引子流形，Mx,i表示在Mx上选取的第i个点；My表示初始数据Y经过滞后潜入构建的吸引子流形，My,i表示在My上选取的第i个点。
步骤P3，流形预测。在Mx上寻找Mx,i的E+1个由近到远的近邻点计算/>离Mx,i的欧式距离，得到权重u：
其中，表示第j个近邻点/>离Mx,i的欧式距离，j＝1,2,...,E+1；表示第1个近邻点/>离Mx,i的欧式距离；uj表示第j个近邻点/>的权重。
同时，在My上寻找My,i对应的E+1个近邻点计算Mx,i预测My,i的预测值：
步骤P4，计算因果关系强度ρ：
其中，i表示第i个采样点，L为采样点长度，L＝t-(E-1)τ；Y(i)表示初始数据Y的第i个采样点；表示初始数据Y的第i个采样点对应的预测值；/>表示初始数据Y的平均值；表示初始数据Y的平均值对应的预测值。
随着采样点的增加，将逐渐收敛于Y(i)，最终ρ收敛于[0,1]，表示存在Y→X的因果关系。上述是使用初始数据X预测初始数据Y，即用果X来反推因Y，则初始数据X主要用于求取权重后进一步求取预测值/>为Y的预测值。
在此基础上，基于负荷自身的内耦合特征与负荷之间的外耦合特征的耦合特征计算如下：
步骤S1，构建综合能源负荷的冷电负荷扩展矩阵。由于异质能量电、冷负荷之间具有较强的耦合转化特性呈现出非线性特点。因此，本方案将原始数据拓展到更高维度以描述变量高次幂的非线性关系以增强耦合特征的表达能力。
其中，表示冷电负荷拓展矩阵Z中冷负荷第i个采样点的k次幂，/>表示冷电负荷拓展矩阵Z中电负荷第i个样本的k次幂，i＝1,2...,t-(E-1)τ，k＝1,2,...,D。在完整描述非线性关系的同时为进一步提高计算效率，一般取k＝3。
步骤S2，计算负荷自身的内耦合关系矩阵。将原始负荷数据矩阵进行高维拓展后，通过计算自身不同次数幂间的Pearson相关系数进行自相关性建模。
其中，表示冷负荷的k1、k2次幂的Pearson相关系数。
其中，表示电负荷的k1、k2次幂的Pearson相关系数。
步骤S3，计算负荷间的外耦合关系。计算冷、电原始负荷数据间的因果关系强度ρ作为外耦合关系的量化指标。
步骤S4，计算耦合特征。将冷电负荷拓展矩阵Z的行向量划分为单负荷扩展矩阵和多负荷扩展矩阵，通过基于类泰勒展开方法来表示变量间的耦合关系，冷负荷的计算公式为：
其中，⊙为两个同阶矩阵的哈达码积；U＝[1/(1！),1/(2！),...,1/(D！)]为建立类泰勒展开方法的系数权重矩阵；Zext(i)为负荷自身的单负荷拓展矩阵中的第i个样本，Zint(i)表示负荷自身与其他负荷的多负荷拓展矩阵；ρC表示使用冷负荷求取其他负荷的预测值后的因果关系强度矩阵(冷负荷为果，其他负荷为因)，为ρC的转置。
电负荷计算方式为：
其中，ρEl表示使用电负荷求取其他负荷的预测值后的因果关系强度矩阵(电负荷为果，其他负荷为因)，为ρEl的转置。
温湿指数对综合能源负荷有着直接的影响，例如在温度较高的供冷季，对冷负荷有较大需求，电制冷设备的大量使用亦会提高对电负荷的需求。而相较于单一气象因素，考虑多种气象因素共同作用的综合气象指标更能体现人体的用能舒适度，现有研究表明综合气象因素指标中温度指数对综合能源负荷的影响最为显著。因此，本方案将温湿指数作为特征变量输入预测模型以提高结果精度，其计算如下：
THI＝32+1.8T-0.55(1-R)(1.8T-26)
其中，THI为温湿指数；T为温度，单位℃；R为相对湿度，单位％。
此外，通常情况下，综合能源多元负荷以周为时间单位进行周期性规律的波动变化，其中工作日的用能需求远远大于周休日。故需要考虑的特征包括预测日的日期以及日期类型。具体的输入方法如下：预测日的日期序号，该日若为周休日则标注为0，若为工作日则标注为1。
步骤2，将预处理后的影响因素数据作为训练集和测试集，对KPCA-GRU-Attention预测模型进行训练，得到完成训练的预测模型。
考虑多种影响因素输入，并基于KPCA-GRU-Attention预测模型作为综合能源负荷短期的预测模型，请参见图2，该预测模型的计算流程为：
步骤F1，将外生影响因素数据经过KPCA降维处理后，与历史冷电负荷数据进行数据归一化后作为预测模型的输入。
步骤F2，经过GRU隐含层的相关函数运算后，得到隐含层输出结果。
步骤F3，将隐含层输出结果传输到Attention层，进行权重参数赋值。
步骤F4，将Attention层输出结果经最后一层的处理，得到预测模型最终输出的预测值。
由于现代负荷预测方法所需的海量数据样本更加复杂，数据之间的耦合成都更高，因此，本方案在保证有效信息的前提下采用核主成分分析法(Kernel PrincipalComponentAnalysis，KPCA)对输入空间进行降维处理，提高预测模型的学习能力和泛化能力。门控循环单元(Gated RecurrentUnit，GRU)神经网络作为LSTM神经网络的变种，具有更高的计算效率，因此选择门控循环单元神经网络实现对综合能源负荷的短期预测，并采用Attention机制实现重要特征差异化提取，以增强预测精度。故本发明基于核主成分分析、门控循环单元、Attention机制构造了综合能源负荷短期预测模型，请参见图2。
请继续参见图2，核主成分分析法(Kernel Principal ComponentAnalysis，KPCA)是利用核函数将原始数据映射到高维空间，使用核函数来计算在新构建特征空间中的内积，借此降低甚至消除变量之间的非线性耦合关系，然后在该映射空间中进行主成分分析对外生影响因素(包括温湿指数、耦合特征、日期类型)进行降维处理。
首先得到高维空间中的映射数据H(x)的协方差矩阵的特征值及特征向量：
λvF＝FvF
其中，H(x)表示映射数据；F为协方差矩阵；λ为F的特征值；vF为F的特征向量。F的计算公式如下：
其中，m为外生影响因素的种类，m＝3，分别为温湿指数、耦合特征、日期类型；H(xj)为第j个种类的映射数据，xj表示第j个种类的输入数据，j＝1,2,...,m；T表示矩阵转置。
根据Mercer定理，存在核矩阵可将特征值λ转换为：
其中， 表示核矩阵，K表示/>的核函数；xi表示第i个种类的输入数据，i＝1,2,...,m，i≠j；λt为经核矩阵转换后的第t个特征值，t＝1,2,...,k；βt为第t个特征值的组成系数，/>为βt的转置。
最终求得特征向量在协方差矩阵F上的映射投影：
其中，x(t)为KPCA输出至GRU的第t个非线性主元；βt,j为第t个特征值对应的第j个样本系数。
门控循环单元(Gated Recurrent Unit，GRU)神经网络是通过引入门控结构单元来解决传统神经网络遇到的梯度问题，使得循环体单元可以实现对有效信息的保留与冗余信息遗忘，可以提高预测精度和稳定性。GRU神经网络的内部循环体单元的输入量保留了两个，即当前时刻的输入数据、上一时刻的输入信息。GRU神经网络通过堆叠多个循环体单元来构建多层神经网络，每层之间的隐藏状态能够互相传递信息，提高模型的表达能力。
其中，为t时刻隐含层激活状态，t＝1,...,k，h(t)为t时刻的隐含层状态，h(t-1)为t-1时刻隐含层状态，x(t)为输入，r(t)为重置门，z(t)为更新门，利用更新门z(t)控制t-1时刻隐含层状态的传递流动以及信息的保留程度，重置门r(t)控制t时刻隐含层状态的影响程度。GRU计算公式为：
其中，wz、uz、wr、ur、w、u为参数权重；σ为sigmoid激励函数。
Attention机制是为了解决编码器模型因输入序列增加，而分量权重不变引起的一系列问题，请参见图3，其与神经网络相同，能够模拟人类大脑思维模式，学习人脑对重要信息或变化信息的关注能力，让模型更加几种“思想”，更加专注的提取有用信息，过滤无效信息，从而提高了神经网络的性能。
其中，q为查询向量，wt为第t个特征的注意力分布；ht为GRU的隐藏层的第t个输出特征，其表达式为：
s(ht,q)＝VTtanh(Wht+Uq)
其中，CA表示注意力分配权重；se、sb分别由GRU输出向量在e、b时刻确定的注意力概率分布的值，e＝1,2,...,k，b＝1,2,...,k；V、W、U为权重系数。
请继续参见图1，使用影响因素数据对KPCA-GRU-Attention预测模型进行训练，除了可将影响因素数据分为训练集和测试集外，还可以分为验证集，在训练过程中，每训练完一个轮次，使用验证集对预测模型的性能进行验证，以优化网络参数。当训练完预设轮次后，使用测试集对预测模型进行测试，得到预测模型的预测结果。最后对预测模型的性能精度进行评估。
为了评估预测模型的性能精度，本发明选用平均绝对百分误差(Mean AbsolutePercentage Error,MAPE)、均方根误差(Root Mean Square Error,RMSE)作为负荷预测模型的评价指标以表征预测误差，其值越低模型精度越高，计算公式为：
其中，y(t)表示真实值，表示预测值。
本发明为了实现综合能源负荷的精准预测，在负荷特性分析与因果关系分析的基础上，以温湿指数以及综合能源负荷耦合特征作为KPCA-GRU-Attention模型的输入，具有以下几个优势：
(1)电、冷负荷考虑温湿指数和负荷耦合特征后的RMSE、MAPE指标分别为1025kW、2.7％和2167kW、2.9％，在与对照模型的对比分析中精度最高，充分说明了本发明的有效性。
(2)KPCA-GRU-Attention模型有效的降低了电、冷负荷预测模型的特征输入维度，采用Attention机制后RMSE、MAPE会分别降低27％、22％和37％、39％，得到了更加精准的预测效果。
(3)虽然电负荷整体预测精度高于冷负荷，但冷负荷在模型预测过程中以温湿指数和负荷耦合特征作为输入，相较于电负荷获得了更多高质量的耦合关联信息，使得精度增强效果好于电负荷。
实施例2：
本实施例在上述实施例1的基础上进行实验验证，以某校园的综合能源负荷为研究对象，该综合能源负荷地处热带沙漠区域，全年气候干燥、夏热冬暖，供冷需求大、持续时间长，因此，冷负荷和电负荷量级远远大于热负荷，热负荷由于数量级太小，与其他能源的耦合特征难以体现，因此为了不失一般性，本方案选取冷、电负荷数据以及气象数据(30min)来验证所提预测模型的有效性。选取预测日前一天的历史冷电负荷数据特征48维；预测时刻的温湿指数THI特征1维；预测日前一天的冷电负荷耦合特征96维；预测日所述的日期类型特征2维，共147维作为综合能源负荷的预测模型的输入特征。将6月1日-8月24日的数据按照9:1的比例分为训练集和验证集，8月25日-8月31日的数据作为测试集，对于KPCA-GRU-Attention预测模型的超参数设置如表1所示。
表1预测模型的超参数设置
将本方案提出的KPCA-GRU-Attention预测模型与多组对照模型进行预测效果的对比分析，设置的对照模型包括：
模型一(本方案模型)：基于KPCA-GRU-Attention预测模型，考虑温湿指数和耦合特征作为输入，分别对冷、电负荷进行预测。
模型二：基于KPCA-GRU预测模型，考虑温湿指数和耦合特征作为输入，分别对冷、电负荷进行预测。
模型三：基于KPCA-GRU-Attention预测模型，考虑温度和耦合特征作为输入，分别对冷、电负荷进行预测。
模型四：基于KPCA-GRU-Attention预测模型，考虑温湿指数作为输入，分别对冷、电负荷进行预测。
本方案的预测模型在训练之前首先对输入的外生影响因素数据进行KPCA降维解耦，为保证所选主成分能够更好的保留原始数据信息，选择累积贡献率大于90％的主成分构成新的特征输入数据集，预测模型的主成分累计折旧贡献率计算结果如图4所示，图4中的(a)为对电负荷的计算结果，图4中的(b)为对冷负荷的计算结果。
由图4可知，当电负荷输入特征经降维处理后的主元个数取9个时其累积贡献率可达到90％以上，而当冷负荷输入特征经降维处理后的主元个数取4个时其累积贡献率即可达到90％以上。最终结果表明，经过KPCA法处理后数据维度得到了有效的降低，原始数据的电负荷输入维度由147维降为了53维，冷负荷由147维降为了58维，有利于加快预测模型训练速度，提高计算效率。
由于各个模型具体的拟合精度无法通过曲线图直观的体现，因此针对各个预测结果的RMSE、MAPE评价指标计算结果如表2所示。
表2各模型的评价指标计算结果
由表2可知，模型一以温湿指数和耦合特征作为预测模型的输入在电、冷负荷进行预测时的精度最高，其RMSE、MAPE两种指标均为最低。以电负荷为例，相较于不考虑Attention机制的模型二，模型一的RMSE、MAPE分别降低了27％、22％。相较于不考虑温湿指数而以温度作为特征变量的模型三，模型一的RMSE、MAPE分别降低了32％、35％。相较于不考虑耦合特征作为特征变量的模型四，模型一的RMSE、MAPE分别降低了29％、31％。此外，电负荷的MAPE均值相较于冷负荷低了约14％，电负荷整体的预测精度更高，但采用本方案电负荷和冷负荷的MAPE仅相差9％，说明在对供冷季综合能源负荷进行预测时，模型一冷负荷相较于电负荷获得了更多高质量的耦合关联信息，从而进一步提升了预测精度。
结果表明，考虑温湿指数与耦合特征的KPCA-GRU-Attention预测模型，相较于传统的以温度作为气象影响因素输入，温湿指数对负荷变化具有更强的影响作用，同时能够有效利用学习到的耦合特征来减少预测误差。Attention机制则实现各个训练模型中重要特征的差异化提取，进一步提高了预测的准确性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.考虑温湿指数与耦合特性的综合能源负荷短期预测方法，其特征在于：包括以下步骤：
步骤1，获取综合能源负荷的影响因素数据，对影响因素数据进行预处理；所述影响因素数据包括内生影响因素、外生影响因素，其中内生影响因素包括历史冷电负荷数据，外生影响因素包括温湿指数、耦合特征、日期类型；
步骤2，将预处理后的影响因素数据作为训练集和测试集，对KPCA-GRU-Attention预测模型进行训练，得到完成训练的预测模型。
2.根据权利要求1所述的考虑温湿指数与耦合特性的综合能源负荷短期预测方法，其特征在于：所述步骤1中，对耦合特征进行预处理的步骤，包括：
利用收敛交叉映射法量化负荷间的因果关系及其强度，获取负荷之间的非线性外耦合特征；
基于负荷自身的内耦合特征与负荷之间的外耦合特征，计算综合能源负荷的耦合特征。
3.根据权利要求2所述的考虑温湿指数与耦合特性的综合能源负荷短期预测方法，其特征在于：所述利用收敛交叉映射法量化负荷间的因果关系及其强度，获取负荷之间的非线性外耦合特征的步骤，包括：
数据归一化，读取两个时序变量的初始数据X＝[x1,x2,...,xt]和Y＝[y1,y2,...,yt]，进行归一化处理；
流形重构，按照延时嵌入原则分别重构X和Y的吸引子流形：
Mx,i＝[xi,xi-τ,...,xi-(E-1)τ]
My,i＝[yi,yi-τ,...,yi-(E-1)τ]
其中，E为嵌入维度；τ为时间滞后；i表示采样点，i＝1,2...,t-(E-1)τ；Mx表示初始数据X经过滞后潜入构建的吸引子流形，Mx,i表示在Mx上选取的第i个点；My表示初始数据Y经过滞后潜入构建的吸引子流形，My,i表示在My上选取的第i个点；
流形预测，在Mx上寻找Mx,i的E+1个由近到远的近邻点计算离Mx,i的欧式距离，得到权重u：
其中，表示第j个近邻点/>离Mx,i的欧式距离，j＝1,2,...,E+1；表示第1个近邻点/>离Mx,i的欧式距离；uj表示第j个近邻点/>的权重；
同时，在My上寻找My,i对应的E+1个近邻点计算Mx,i预测My,i的预测值：
计算因果关系强度ρ：
其中，i表示第i个采样点，L为采样点长度，L＝t-(E-1)τ；Y(i)表示初始数据Y的第i个采样点；表示初始数据Y的第i个采样点对应的预测值；/>表示初始数据Y的平均值；/>表示初始数据Y的平均值对应的预测值；随着采样点的增加，/>将逐渐收敛于Y(i)，最终ρ收敛于[0,1]。
4.根据权利要求3所述的考虑温湿指数与耦合特性的综合能源负荷短期预测方法，其特征在于：所述基于负荷自身的内耦合特征与负荷之间的外耦合特征，计算综合能源负荷的耦合特征的步骤，包括：
构建综合能源负荷的冷电负荷拓展矩阵Z：
其中，表示冷电负荷拓展矩阵Z中冷负荷第i个采样点的k次幂，/>表示冷电负荷拓展矩阵Z中电负荷第i个样本的k次幂，i＝1,2...,t-(E-1)τ，k＝1,2,...,D；
计算负荷自身的内耦合关系矩阵：
其中，表示冷负荷的k1、k2次幂的Pearson相关系数；
其中，表示电负荷的k1、k2次幂的Pearson相关系数；
以负荷间的因果关系强度ρ作为负荷间的外耦合关系量化指标；
将冷电负荷拓展矩阵Z的行向量划分为单负荷扩展矩阵和多负荷扩展矩阵，通过基于类泰勒展开方法表示变量间的耦合关系，冷负荷的计算公式为：
其中，⊙为两个同阶矩阵的哈达码积；U＝[1/(1！),1/(2！),...,1/(D！)]为建立类泰勒展开方法的系数权重矩阵；Zext(i)为负荷自身的单负荷拓展矩阵中的第i个样本，Zint(i)表示负荷自身与其他负荷的多负荷拓展矩阵；ρC表示使用冷负荷求取其他负荷的预测值后的因果关系强度矩阵，为ρC的转置。
电负荷计算方式为：
其中，ρEl表示使用电负荷求取其他负荷的预测值后的因果关系强度矩阵，为ρEl的转置。
5.根据权利要求1所述的考虑温湿指数与耦合特性的综合能源负荷短期预测方法，其特征在于：所述步骤1中，温湿指数为：
THI＝32+1.8T-0.55(1-R)(1.8T-26)
其中，THI为温湿指数；T为温度，单位℃；R为相对湿度，单位％。
6.根据权利要求1所述的考虑温湿指数与耦合特性的综合能源负荷短期预测方法，其特征在于：所述步骤1中，日期类型为，该日若为周休日则标注为0，若为工作日则标注为1。
7.根据权利要求1所述的考虑温湿指数与耦合特性的综合能源负荷短期预测方法，其特征在于：所述步骤2具体包括以下步骤：
使用KPCA对外生影响因素进行特征降维；
对特征降维后的外生影响因素与内生影响因素进行数据归一化；
将归一化后的数据经过GRU的隐含层相关函数运算，得到隐含层输出结果；
将隐含层输出结果传输到Attention层，进行权重参数赋值，最终输出预测值。
8.根据权利要求7所述的考虑温湿指数与耦合特性的综合能源负荷短期预测方法，其特征在于：所述使用KPCA对外生影响因素进行特征降维的步骤，包括：
得到高维空间中的映射数据H(x)的协方差矩阵的特征值及特征向量：
λvF＝FvF
其中，H(x)表示映射数据；F为协方差矩阵；λ为F的特征值；vF为F的特征向量；F的计算公式如下：
其中，m为外生影响因素的种类；H(xj)为第j个种类的映射数据，xj表示第j个种类的输入数据，j＝1,2,...,m；T表示矩阵转置；
根据Mercer定理，存在核矩阵可将特征值λ转换为：
其中， 表示核矩阵，K表示/>的核函数；xi表示第i个种类的输入数据，i＝1,2,...,m，i≠j；λt为经核矩阵转换后的第t个特征值，t＝1,2,...,k；βt为第t个特征值的组成系数，/>为βt的转置；
最终求得特征向量在空间F上的映射投影：
其中，x(t)为KPCA输出至GRU的第t个非线性主元；βt,j为第t个特征值对应的第j个样本系数。
9.根据权利要求8所述的考虑温湿指数与耦合特性的综合能源负荷短期预测方法，其特征在于：所述将归一化后的数据经过GRU的隐含层相关函数运算，得到隐含层输出结果的步骤，包括：
GRU计算公式为：
其中，为t时刻隐含层激活状态，h(t)为t时刻的隐含层状态，h(t-1)为t-1时刻隐含层状态，r(t)为重置门，z(t)为更新门；wz、uz、wr、ur、w、u为参数权重；σ为sigmoid激励函数。
10.根据权利要求9所述的考虑温湿指数与耦合特性的综合能源负荷短期预测方法，其特征在于：所述将隐含层输出结果传输到Attention层，进行权重参数赋值，最终输出预测值的步骤，包括：
Attention层的计算表达式为：
s(ht,q)＝VTtanh(Wht+Uq)
其中，CA表示注意力分配权重；se、sb分别由GRU输出向量在e、b时刻确定的注意力概率分布的值，e＝1,2,...,k，b＝1,2,...,k；V、W、U为权重系数。
CN202310896925.8A 2023-07-20 2023-07-20 考虑温湿指数与耦合特性的综合能源负荷短期预测方法 Pending CN116845882A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310896925.8A CN116845882A (zh) 2023-07-20 2023-07-20 考虑温湿指数与耦合特性的综合能源负荷短期预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310896925.8A CN116845882A (zh) 2023-07-20 2023-07-20 考虑温湿指数与耦合特性的综合能源负荷短期预测方法

Publications (1)

Publication Number Publication Date
CN116845882A true CN116845882A (zh) 2023-10-03

Family

ID=88172481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310896925.8A Pending CN116845882A (zh) 2023-07-20 2023-07-20 考虑温湿指数与耦合特性的综合能源负荷短期预测方法

Country Status (1)

Country Link
CN (1) CN116845882A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117434486A (zh) * 2023-12-20 2024-01-23 智联信通科技股份有限公司 一种直流分路计量误差分析处理方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117434486A (zh) * 2023-12-20 2024-01-23 智联信通科技股份有限公司 一种直流分路计量误差分析处理方法
CN117434486B (zh) * 2023-12-20 2024-03-08 智联信通科技股份有限公司 一种直流分路计量误差分析处理方法

Similar Documents

Publication Publication Date Title
CN108022001B (zh) 基于pca和分位数回归森林的短期负荷概率密度预测方法
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN112633604B (zh) 一种基于i-lstm的短期用电量预测方法
CN113128113B (zh) 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法
CN105760952A (zh) 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法
CN110837915B (zh) 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法
CN106022954A (zh) 基于灰色关联度的多重bp神经网络负荷预测方法
CN115688579A (zh) 一种基于生成对抗网络的流域多点水位预测预警方法
CN112232575A (zh) 一种基于多元负荷预测的综合能源***调控方法和装置
CN116845882A (zh) 考虑温湿指数与耦合特性的综合能源负荷短期预测方法
CN115656857A (zh) 一种锂离子电池剩余使用寿命的多尺度融合预测方法
CN112834927A (zh) 锂电池剩余寿命预测方法、***、设备及介质
CN107944612A (zh) 一种基于arima和相空间重构svr的母线净负荷预测方法
CN114119273A (zh) 一种园区综合能源***非侵入式负荷分解方法及***
CN117114160A (zh) 一种短期光伏功率预测方法
CN116468138A (zh) 空调负荷预测方法、***、电子设备及计算机存储介质
CN115456287A (zh) 一种基于长短时记忆网络的综合能源***多元负荷预测方法
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***
CN112836876B (zh) 一种基于深度学习的配电网线路负荷预测方法
CN117554818A (zh) 一种锂离子电池剩余使用寿命预测方法
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及***
CN117132132A (zh) 基于气象数据的光伏发电功率预测方法
CN117390550A (zh) 考虑排放训练集的低碳园区碳排放动态预测方法及***
CN115204362A (zh) 一种机械设备剩余寿命区间预测方法
CN115577748A (zh) 一种集成挤压激励注意力机制的双通道风电预测方法

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