基于深度混合学习模型的短期电力负荷预测方法及装置.pdf
爱欢****23
亲,该文档总共16页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于深度混合学习模型的短期电力负荷预测方法及装置.pdf
本发明公开了一种基于深度混合学习模型的短期电力负荷预测方法及装置,所述方法包括:获取关于电力负荷的特征数据集,并构建包含多层神经单元的CNN‑BiLSTM网络;采用所述特征数据集对所述CNN‑BiLSTM网络进行预测训练,得到预测训练模型;利用鲸鱼优化算法对所述预测训练模型的迭代优化,得到优化模型;根据所述优化模型预测短期内的电力负荷,得到电力预测结果。本发明可以预先构建包含CNN网络和BiLSTM网络的深度混合学习模型,以及获取电力负荷的特征数据,采用特征数据对深度混合学习模型进行预测训练,并利用鲸鱼优
基于区间泰勒模型的电力系统短期负荷预测系统及方法.pdf
本发明公开了一种基于区间泰勒模型的电力系统短期负荷预测系统及方法,能够分析基础数据不确定性对预测结果的影响,并大大节省了计算时间。它包括:数据采集模块,用于将数据导入数据库模块;数据预处理模块,用于采用区间算法描述基础数据的不确定性,从而将所有基础数据“区间化”,并将结果传入数据库模块;负荷预测分析模块,用于采用区间泰勒模型短期负荷预测公式进行短期负荷预测;结果管理模块,用于对结果进行转换和导出,并将分析结果传入数据库模块;数据库模块,用于存储数据采集模块产生数据,并存储数据预处理模块、负荷预测分析模块、
基于改进的LSTM模型的电力负荷预测方法.pdf
本发明提供一种基于改进的LSTM模型的电力负荷预测方法,包括以下步骤:获取某一地区的电力负荷数据,并将得到的数据进行预处理和划分;将处理好的数据通过CEEMD进行分解,分解为多个IMF分量;将各个IMF分量应用LSTM进行预测,并利用混沌粒子群算法对LSTM网络的超参数寻找最优解;将各个分量的预测结果叠加重构得到最终预测值。本发明采用的CEEMD分解方法解决了EMD模态混叠问题和EEMD无法很好的恢复原信号问题,引入的混沌粒子群算法解决了传统粒子群算法早熟、易陷入局部最优问题,提高了模型预测的精确度。
基于特征工程和多路深度学习的电力负荷预测方法.pdf
本发明公开了一种基于特征工程和多路深度学习的电力负荷预测方法,包括步骤:S1.采集电力负荷数据以及气温数据;S2.依据目标特征对电力负荷数据以及气温数据进行处理,生成数据集;S3.对数据集进行切分得到N个数据子集;S4.将N个数据子集分别输入到N个径向基函数网络,进行训练,得到N个训练后的径向基函数网络;S5.采集测试数据;S6.从N个已训练的径向基函数网络中选取K个径向基函数网络,并将测试数据分别输入到K个径向基函数网络,输出K个电力负荷预测结果,将K个电力负荷预测结果的求和平均值作为最终的电力负荷预测
电力系统的短期负荷预测方法及装置.pdf
本发明提供了一种电力系统的短期负荷预测方法及装置,该方法包括:获取目标区域内电力系统在历史时长内的历史电力负荷数据;确定所述目标区域在预设的未来时长内的环境信息及电力信息;对所述历史电力负荷数据、环境信息及电力信息进行处理,生成多个预测数据;将各个所述预测数据输入预先训练完成的LSTM模型,应用所述LSTM模型对所述预测数据进行分析,获得所述目标区域的电力系统在所述未来时长内的未来短期负荷。应用本发明提供的方法,通过LSTM模型结合环境信息、电力信息以及历史电力负荷数据等各个因素提高对短期负荷进行预测的准