CN111697560B - 一种基于lstm预测电力系统负荷的方法及系统 - Google Patents
一种基于lstm预测电力系统负荷的方法及系统 Download PDFInfo
- Publication number
- CN111697560B CN111697560B CN202010337050.4A CN202010337050A CN111697560B CN 111697560 B CN111697560 B CN 111697560B CN 202010337050 A CN202010337050 A CN 202010337050A CN 111697560 B CN111697560 B CN 111697560B
- Authority
- CN
- China
- Prior art keywords
- data
- load
- power system
- prediction model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012795 verification Methods 0.000 claims abstract description 26
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 239000010410 layer Substances 0.000 description 41
- 238000010586 diagram Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000000306 recurrent effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000002354 daily effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
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
-
- 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)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于LSTM预测电力系统负荷的方法及系统，属于电力系统技术领域。本发明方法，包括：获取任意区域预设时间段内的电力系统有功负荷数据和无功负荷数据，剔除有功负荷数据和无功负荷数据中的无效数据，生成预处理数据；对预处理数据进行归一化和标准化处理，以预设比例将归一化和标准化处理后的预处理数据分为训练数据和验证数据；确定初步预测模型为预测电力系统负荷的预测模型；使用预测模型，预测目标区域及日期的电力系统负荷。本发明使用历史数据对目标日期数据进行预测，和传统的负荷预测方法进行对比，本发明具有较高的精确度和收敛速度。
Description
技术领域
本发明涉及电力系统仿真技术领域，并且更具体地，涉及一种基于LSTM预测电力系统负荷的方法及系统。
背景技术
电力系统的主要任务是向用户提供经济、可靠、符合电能质量标准的电能，满足社会的各类负荷需求，由于电能难以大量存储以及电力需求时刻变化等特点，这就要求系统发电应随时与负荷的变化动态平衡，准确地负荷预测可对发电厂的出力要求提出预告，合理地安排本网内各发电机组的启停，使系统始终运行在要求的安全范围内，保证电力供应的稳定，减少用电成本，提高供电质量。
负荷预测技术，多采用时间序列法、多元线性回归法及傅立叶展开法等这些纯数学理论为根基的经典预测方法，或者采用诸如前馈人工神经网络、支持向量机、随机森林等浅层网络，循环神经网络是人工智能领域深度学习的一种算法，基于对时间序列回归预测能达到特别好的效果，而电网负荷数据是基于时间序列的，对比传统负荷预测模型，传统模型中没有记忆单元，缺少对时序数据时间相关性的考虑，对复杂系统的数学建模能力有限。
发明内容
针对上述问题本发明一种基于LSTM预测电力系统负荷的方法，包括：
获取任意区域预设时间段内的电力系统有功负荷数据和无功负荷数据，剔除有功负荷数据和无功负荷数据中的无效数据，并根据时间顺序对剔除无效数据的有功负荷数据和无功负荷数据进行排序，生成预处理数据；
对预处理数据进行归一化和标准化处理，以预设比例将归一化和标准化处理后的预处理数据分为训练数据和验证数据；
对训练数据进行学习训练，生成初步预设模型，使用初步预测模型预测电力系统负荷，获取预测数据，对预测数据和验证数据进行对比，获取预测数据和验证数据的均方误差，当均方误差符合预设标准后，确定初步预测模型为预测电力系统负荷的预测模型；
使用预测模型，预测目标区域及日期的电力系统负荷。
可选的，预设标准为均方误差值的范围满足0.001至0.01。
可选的，无效数据为数据值出现缺失或为0的数据。
可选的，预测模型分为两层，一层为隐层中定义具有32个神经元的LSTM，另一层为全连接层；
全连接层作为预测模型的输出层，并具有一个神经元。
本发明还提出了一种基于LSTM预测电力系统负荷的系统，包括：
数据采集模块，获取任意区域预设时间段内的电力系统有功负荷数据和无功负荷数据，剔除有功负荷数据和无功负荷数据中的无效数据，并根据时间顺序对剔除无效数据的有功负荷数据和无功负荷数据进行排序，生成预处理数据；
分类模块，对预处理数据进行归一化和标准化处理，以预设比例将归一化和标准化处理后的预处理数据分为训练数据和验证数据；
训练模块，对训练数据进行学习训练，生成初步预设模型，使用初步预测模型预测电力系统负荷，获取预测数据，对预测数据和验证数据进行对比，获取预测数据和验证数据的均方误差，当均方误差符合预设标准后，确定初步预测模型为预测电力系统负荷的预测模型；
验证模块，使用预测模型，预测目标区域及日期的电力系统负荷。
可选的，预设标准为均方误差值的范围满足0.001至0.01。
可选的，无效数据为数据值出现缺失或为0的数据。
可选的，预测模型分为两层，一层为隐层中定义具有32个神经元的LSTM，另一层为全连接层；
全连接层作为预测模型的输出层，并具有一个神经元。
本发明使用历史数据对目标日期数据进行预测，和传统的负荷预测方法进行对比，本发明具有较高的精确度和收敛速度。
附图说明
图1为本发明一种基于LSTM预测电力系统负荷的方法流程图；
图2为本发明一种基于LSTM预测电力系统负荷的方法有功功率和无功功率数据曲线图；
图3为本发明一种基于LSTM预测电力系统负荷的方法训练和验证损失曲线图；
图4为本发明一种基于LSTM预测电力系统负荷的方法预测数据和实测数据损失曲线图；
图5为本发明一种基于LSTM预测电力系统负荷的方法LSTM和GRU的循环神经网络图；
图6为本发明一种基于LSTM预测电力系统负荷的方法GRU的循环神经网络图；
图7为本发明一种基于LSTM预测电力系统负荷的方法LSTM的循环神经网络图
图8为本发明一种基于LSTM预测电力系统负荷的系统结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
本发明一种基于LSTM预测电力系统负荷的方法，如图1所示，包括：
获取任意一区域预设时间段内的电力系统有功负荷数据和无功负荷数据，剔除有功负荷数据和无功负荷数据中的无效数据，并根据时间顺序对剔除无效数据的有功负荷数据和无功负荷数据进行排序，生成预处理数据；
预设时间段为短期时间段，可为连续几周，或连续1-2月的时间。
对预处理数据进行归一化和标准化处理，以预设比例将归一化和标准化处理后的预处理数据分为训练数据和验证数据；
对训练数据进行学习训练，生成初步预设模型，使用初步预测模型预测电力系统负荷，获取预测数据，对预测数据和验证数据进行对比，获取预测数据和验证数据的均方误差，当均方误差符合预设标准后，确定初步预测模型为预测电力系统负荷的预测模型；
使用预测模型，预测目标区域及日期的电力系统负荷。
预设标准为均方误差值的范围满足0.001至0.01。
无效数据为数据值出现缺失或为0的数据。
预测模型分为两层，一层为隐层中定义具有32个神经元的LSTM，另一层为全连接层；
全连接层作为预测模型的输出层，并具有一个神经元。
下面结合实施例对本发明进行进一步说明：
选取某个区域前一个月的有功负荷(P)、无功负荷(Q)两个量，数据曲线，如图2所示，如果某个值出现了缺失状况，直接去除整条，如果数据无效，如0，null，也选择去除，并假设样本的少量局部去除不会影响数据之间特征的连续性，基于时间(年、月、日、时、分)重新排序数据，为后序数据处理提供了方便。
对数据归一化，统一设置为浮点类型，并将数据标准化，也就是将数据按照一定的比例进行缩放，或者说缩放到某一空间大小(0到1)，这样数据之间的差距将会变小，但是他们之间的对应关系将保持不变，即不改变数据的真实性。
转变为循环神经网络需要的训练集、验证集，如[samples,timesteps,features]形状，samples是集合的数据量，测试集为两月负荷记录，验证集为后2天的负荷记录，timesteps为每个数据的步长，本发明中设置为1，features指特征值的维度，本发明中设置为2。
训练并预测，计算均方误差(MSE)得分为0.006，与传统负荷预测模型比，实际负荷变化范围与预测负荷变化误差较小，预测结果较为准确，通过验证和训练的损失曲线，如图3所示，观察到训练和预测损失曲线趋势基本一致，快速收敛后，评估分稳定，不存在波动，不存在过拟合或欠拟合，模型性能较优秀。
负荷预测值的可视化，如图4所以，显示的是缩放后的预测负荷曲线和验证集负荷曲线对比，在图可以看到，实际负荷曲线和预测负荷曲线存在细微不同，几乎一致。
短期负荷主要用于预测未来几天的负荷数据，而对于日负荷数据而言，具有很强的周期性，具体体现在以下几点：不同日的日负荷曲线其整体规律相似；同一星期类型日负荷规律相似；工作日、休息日负荷规律各自相似；不同年度法定节假日的规律相似。针对日负荷数据周期性很强这一特点；
设计短期负荷预测模型，根据奥卡姆剃刀原理，简单的模型比复杂的模型更不容易过拟合，本发明中预测模型：一共两层，第一个隐层中定义具有32个神经元的循环神经网络的长短期记忆网络模型LSTM(Long short-term memory)，第二层是个全连接层，作为预测负荷的输出层，1个神经元。
预测模型，基于Keras，TensorFlow深度学习框架构建LSTM网络，在单层LSTM网络基础上，进行模型正则化与调节超参数，调节、训练、评估不断迭代，使模型达到最佳性能，对于电力负荷预测而言，数学模型是否合理没有绝对的公式，主要看计算均方误差是否最小。
预测模型训练的批次，对于电力负荷本身而言，负荷的变化具有周期性，短期负荷预测侧重今天和前几天的相关性，对于负荷每天周期性变化，间接决定训练批次(batch_size)的大小，对于深度神经网络而言，每一次迭代更新一次网络权重，每一次权重更新需要batch_size个数据进行Forward运算得到损失函数，再BP算法更新参数，所以对于负荷数据采样频率是每15分钟一次，那么一天96个数据，训练网络过程中发现批次为48，MSE最低，为0.006。
预测模型正则化与调节超参数，通过验证和训练的损失曲线，可以观察模型训练的性能，是否存在过拟合或欠拟合，评估分是否稳定，存在波动，添加L1或L2正则化，添加dropout，使用RNN、LSTM、GRU，或组合各层等，网络结构如图5和图6所示，经不断迭代，仅使用一个LSTM层时均方差最小，网络结构如图7所示，且结果稳定。
循环神经网络的层数、容量越大，表示能力越强。在业务上讲对于年度负荷预测，更多的测试数据(几年的负荷数据)，更复杂的负荷模型(如考虑天气，检修，电源规划，电网网架扩建调整等)，通过循环层堆叠，增加每层单元数和增加层数，或双向RNN等方法提高网络的表示能力可能会提高结果预测精度，但对于基于月度负荷数据的短期预测，且仅有有功负荷无功负荷两个维度的模型，信息量相对不多，反而只有一个LSTM层，均方差最小，模型性能最优。
对于回归模型，一般用计算均方误差(MSE)来衡量模型的性能，本负荷预测模型的得分为0.006，误差主要出现在实际负荷的某个波峰和低谷处，预测曲线和实际负荷曲线基本重合，实际负荷变化范围与预测负荷变化误差较小，预测结果较为准确，且比传统负荷预测模型有更高的精度和收敛速度。
本发明还提出了一种基于LSTM预测电力系统负荷的系统200，如图8所示，包括：
数据采集模块201，获取任意一区域预设时间段内的电力系统有功负荷数据和无功负荷数据，剔除有功负荷数据和无功负荷数据中的无效数据，并根据时间顺序对剔除无效数据的有功负荷数据和无功负荷数据进行排序，生成预处理数据；
分类模块202，对预处理数据进行归一化和标准化处理，以预设比例将归一化和标准化处理后的预处理数据分为训练数据和验证数据；
训练模块203，对训练数据进行学习训练，生成初步预设模型，使用初步预测模型预测电力系统负荷，获取预测数据，对预测数据和验证数据进行对比，获取预测数据和验证数据的均方误差，当均方误差符合预设标准后，确定初步预测模型为预测电力系统负荷的预测模型；
验证模块204，使用预测模型，预测目标区域及日期的电力系统负荷。
预设标准为均方误差值的范围满足0.001至0.01。
无效数据为数据值出现缺失或为0的数据。
预测模型分为两层，一层为隐层中定义具有32个神经元的LSTM，另一层为全连接层；
全连接层作为预测模型的输出层，并具有一个神经元。
本发明使用历史数据对目标日期数据进行预测，和传统的负荷预测方法进行对比，本发明具有较高的精确度和收敛速度。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (4)
1.一种基于LSTM预测电力系统负荷的方法，所述方法包括：
获取任意区域预设时间段内的电力系统有功负荷数据和无功负荷数据，剔除有功负荷数据和无功负荷数据中的无效数据，并根据时间顺序对剔除无效数据的有功负荷数据和无功负荷数据进行排序，生成预处理数据；
对预处理数据进行归一化和标准化处理，以预设比例将归一化和标准化处理后的预处理数据分为训练数据和验证数据；
对训练数据进行学习训练，生成初步预设模型，使用初步预测模型预测电力系统负荷，获取预测数据，对预测数据和验证数据进行对比，获取预测数据和验证数据的均方误差，当均方误差符合预设标准后，确定初步预测模型为预测电力系统负荷的预测模型；
使用预测模型，预测目标区域及日期的电力系统负荷；
所述无效数据为数据值出现缺失或为0的数据；
所述预测模型分为两层，一层为隐层中定义具有32个神经元的LSTM，另一层为全连接层；
所述全连接层作为预测模型的输出层，并具有一个神经元。
2.根据权利要求1所述的方法，所述预设标准为均方误差值的范围满足0.001至0.01。
3.一种基于LSTM预测电力系统负荷的系统，所述系统包括：
数据采集模块，获取任意区域预设时间段内的电力系统有功负荷数据和无功负荷数据，剔除有功负荷数据和无功负荷数据中的无效数据，并根据时间顺序对剔除无效数据的有功负荷数据和无功负荷数据进行排序，生成预处理数据；
分类模块，对预处理数据进行归一化和标准化处理，以预设比例将归一化和标准化处理后的预处理数据分为训练数据和验证数据；
训练模块，对训练数据进行学习训练，生成初步预设模型，使用初步预测模型预测电力系统负荷，获取预测数据，对预测数据和验证数据进行对比，获取预测数据和验证数据的均方误差，当均方误差符合预设标准后，确定初步预测模型为预测电力系统负荷的预测模型；
验证模块，使用预测模型，预测目标区域及日期的电力系统负荷；
所述无效数据为数据值出现缺失或为0的数据；
所述预测模型分为两层，一层为隐层中定义具有32个神经元的LSTM，另一层为全连接层；
所述全连接层作为预测模型的输出层，并具有一个神经元。
4.根据权利要求3所述的系统，所述预设标准为均方误差值的范围满足0.001至0.01。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010337050.4A CN111697560B (zh) | 2020-04-24 | 2020-04-24 | 一种基于lstm预测电力系统负荷的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010337050.4A CN111697560B (zh) | 2020-04-24 | 2020-04-24 | 一种基于lstm预测电力系统负荷的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111697560A CN111697560A (zh) | 2020-09-22 |
| CN111697560B true CN111697560B (zh) | 2022-11-08 |
Family
ID=72476576
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010337050.4A Active CN111697560B (zh) | 2020-04-24 | 2020-04-24 | 一种基于lstm预测电力系统负荷的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111697560B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112417363B (zh) * | 2020-11-11 | 2022-06-24 | 深圳供电局有限公司 | 一种变电站的负载分析方法及系统 |
| CN113837480B (zh) * | 2021-09-29 | 2023-11-07 | 河北工业大学 | 基于改进gru和差分误差补偿的冲击性负荷预测方法 |
| CN114662050A (zh) * | 2022-02-13 | 2022-06-24 | 杭州拓深科技有限公司 | 物联网曲线回归多项式负荷能耗计量方法、介质和设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012244897A (ja) * | 2011-05-13 | 2012-12-10 | Fujitsu Ltd | 短期電力負荷を予測する方法及び装置 |
| CN109657844A (zh) * | 2018-11-28 | 2019-04-19 | 国电南瑞科技股份有限公司 | 电力短期负荷预测方法和装置 |
| CN110826789A (zh) * | 2019-10-30 | 2020-02-21 | 深圳市康必达控制技术有限公司 | 基于电力系统的电力负荷预测方法、装置及终端设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107578124B (zh) * | 2017-08-28 | 2024-05-17 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
| CN109936464B (zh) * | 2017-12-15 | 2022-04-01 | 中国移动通信集团浙江有限公司 | 基于多层lstmrnn的通信能力开放负荷预测方法及装置 |
| CN110334879A (zh) * | 2019-07-11 | 2019-10-15 | 华北电力大学 | 电网母线无功负荷预测方法及装置 |
-
2020
- 2020-04-24 CN CN202010337050.4A patent/CN111697560B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012244897A (ja) * | 2011-05-13 | 2012-12-10 | Fujitsu Ltd | 短期電力負荷を予測する方法及び装置 |
| CN109657844A (zh) * | 2018-11-28 | 2019-04-19 | 国电南瑞科技股份有限公司 | 电力短期负荷预测方法和装置 |
| CN110826789A (zh) * | 2019-10-30 | 2020-02-21 | 深圳市康必达控制技术有限公司 | 基于电力系统的电力负荷预测方法、装置及终端设备 |
Non-Patent Citations (1)
| Title |
|---|
| 基于BP神经网络的电力系统短期负荷预测;朱雨晨等;《黑龙江电力》;20121215(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111697560A (zh) | 2020-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110766212B (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
| CN116596044B (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
| CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
| CN112215442B (zh) | 电力系统短期负荷预测方法、系统、设备及介质 | |
| Zhang et al. | Interval prediction of ultra-short-term photovoltaic power based on a hybrid model | |
| CN112581172A (zh) | 一种基于经验模态分解的多模型融合售电量预测方法 | |
| CN113158572A (zh) | 一种短期负荷的预测方法及装置 | |
| CN116402203A (zh) | 计及天气情况的短时光伏发电量预测方法、系统及介质 | |
| CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
| CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
| CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
| CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
| CN115907131B (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
| CN116091118A (zh) | 电价预测方法、装置、设备、介质及产品 | |
| CN115481788A (zh) | 相变储能系统负荷预测方法及系统 | |
| Mashlakov et al. | Multi-timescale forecasting of battery energy storage state-of-charge under frequency containment reserve for normal operation | |
| Sun et al. | Ultra-short-term wind power interval prediction based on fluctuating process partitioning and quantile regression forest | |
| Ding et al. | A statistical upscaling approach of region wind power forecasting based on combination model | |
| CN117522066A (zh) | 一种基于调峰电源设备组合预测的联合优化方法及系统 | |
| Kedia et al. | Wind power uncertainties forecasting based on long short term memory model for short-term power market | |
| Deng et al. | Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network | |
| CN112036672B (zh) | 一种基于迭代订正的新能源发电超短期功率预测方法及系统 | |
| CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
| CN113723670A (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
| Sala et al. | Smart multi-model approach based on adaptive Neuro-Fuzzy Inference Systems and Genetic Algorithms |
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 |