公开(公告)号：CN114611829A

公开(公告)日：2022-06-10

申请号：CN202210310701.X

申请日：2022-03-28

Applicant: 华北电力大学

Inventor： 王子乐 ,  黄弦超

IPC: G06Q10/04 ,  G06N3/04 ,  G06N3/08 ,  G06Q50/06 ,  H02J3/00

Abstract: 本发明提出了一种基于互补集合经验模态分解的短期电力负荷预测方法，步骤1：获取电力负荷数据，并对所得到的数据集进行预处理；步骤2：将数据集划分为训练集和验证集两部分；步骤3：将输入数据通过互补集合经验模态分解(CEEMD)分解为有限个IMF分量和一个残余分量；步骤4：对各分量应用LSTM神经网络进行预测，并用贝叶斯算法对LSTM网络超参数寻优；步骤5：将各分量预测结果叠加重构后，得到最终的预测结果，并将预测结果与真实负荷数据值对比。本发明采用CEEMD分解方法，继承了EMD和EEMD方法善于处理非线性非平稳信号序列的优点，且CEEMD在信号分解的过程中，加入正负成对的辅助白噪声，在集合平均时相消，能有效提高分解效率，克服EEMD重构误差大、分解完备性差的问题，且本发明引入贝叶斯优化算法，使得模型预测精度得到进一步的提升，能得到较为满意的预测效果。

公开(公告)号：CN114298408A

公开(公告)日：2022-04-08

申请号：CN202111624805.X

申请日：2021-12-28

Applicant: 华北电力大学

Inventor： 王子乐 ,  黄弦超

IPC: G06Q10/04 ,  G06Q50/06 ,  G06N3/04 ,  G06N3/08 ,  G06N7/00 ,  H02J3/00

Abstract: 本发明提出了一种基于CEEMD‑LSTM‑MLR的短期电力负荷预测方法，步骤1：获取电力负荷数据，并对所得到的数据集进行预处理；步骤2：将输入数据通过CEEMD分解为有限个IMF分量和一个残余分量，根据各分量波动周期长短合并重组为高频分量和低频分量；步骤3：对高频分量应用LSTM神经网络进行预测，并用贝叶斯算法对LSTM网络超参数寻优；步骤4：对低频分量应用MLR进行预测；步骤5：将各分量预测结果叠加重构后，得到最终的预测结果，并将预测结果与真实负荷数据值对比。本发明采用CEEMD分解方法，解决了传统EMD分解方法模态混叠的问题及EEMD重构误差大问题，并基于不同频率分别预测的思想，引入贝叶斯优化算法，使得模型预测精度得到进一步的提升。

公开(公告)号：CN113361744A

公开(公告)日：2021-09-07

申请号：CN202110452019.X

申请日：2021-04-26

Applicant: 华北电力大学

Inventor： 王子乐 ,  黄弦超

IPC: G06Q10/04 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出了一种基于LSTM算法的室内温度预测方法，步骤1：获取一段时间内每间隔15分钟的室内温度，室外温度，风速，室外湿度，天气数据（晴，多云，雨，雪)，太阳辐射强度（用温度等效），空气源热泵的启停状态及供水温度等数据，并对所得到的数据集进行预处理；步骤2：将数据集转化为有监督学习数据集，同时将除当前时刻需要预测的室内温度外所有因素移除；步骤3：将数据集划分为训练集和验证集两部分；步骤4：搭建LSTM神经网络模型，利用训练集训练LSTM神经网络模型并调整LSTM参数，返回每一代的损失值，根据建立好的LSTM神经网络模型预测后一时段内每间隔15分钟的室内温度。本发明考虑了太阳辐射因素的影响，所使用的LSTM算法用时短，大大提高了室温预测的准确性。