-
公开(公告)号：CN113902207A
公开(公告)日：2022-01-07
申请号：CN202111215767.2
申请日：2021-10-19
Applicant: 南京工程学院
Abstract: 本发明公开了一种基于TCN‑LSTM的短期负荷预测方法，包括：获取样本数据；对样本数据进行预处理，剔除异常数据，填充残缺数据，并进行标准化处理；训练神经网络模型；具体为：以电力负荷数据与连续的非时序数据作为输入，以预测日各个采样点的电力预设负荷为输出，对时间卷积网络和LSTM结合的神经网络模型进行训练，得到基于TCN‑LSTM的短期负荷预测模型；本方法为电网系统提供了更加精确的预测结果，也为电网系统灵活调节供电量提供了更加可靠的依据。
-
公开(公告)号：CN112686821A
公开(公告)日：2021-04-20
申请号：CN202011605285.3
申请日：2020-12-30
Applicant: 南京工程学院
Abstract: 本发明属于图像识别和图像预测领域，涉及到一种基于改进对抗网络的负荷数据修补方法。在现阶段采集到的实际负荷数据中，由于监测系统的故障或者人为原因，负荷数据集中有可能有缺失数据，会影响负荷模型的可靠性。本发明提供的方法将由历史电力负荷数据形成高光谱图片先通过图片软件降低分辨率；代入训练样本图片对DCGAN网络进行训练；将测试样本图片上随机去除30个数据点后代入训练完成的DCGAN网络，得出修补后的图片；将修补后的图片使用HSV色彩空间方法转化为数据；使用相对误差（RE）和均方根误差（RMSE）两种误差指标对修补数据进行误差评价。本发明提供的方法负荷数据集中不缺失数据，负荷模型的可靠性高。
-
公开(公告)号：CN113902202A
公开(公告)日：2022-01-07
申请号：CN202111201606.8
申请日：2021-10-15
Applicant: 南京工程学院
Abstract: 本发明提供了基于双重注意力机制和LSTM的短期负荷预测模型和方法，包括输入向量、特征注意力层、3层LSTM网络、时序注意力层、全连接层输出，所述输入向量结合前一时刻LSTM网络的隐藏状态值ht‑1，经过特征注意力层计算得到各特征量对当前预测情况的影响权重，经过两层LSTM网络学习特征，再通过时序注意力层计算出各历史时刻输出信息的影响权重αti并得到最终输出的当前时刻的隐藏层状态值输出，最后输入到全连接层得到最终预测结果。本发明提供了基于双重注意力机制和LSTM的短期负荷预测方法。利用特征注意力机制自主分析历史信息与输入特征之间的关联关系，提取重要特征。时序注意力机制自主选取LSTM网络关键时间点的历史信息，提升较长时间段预测效果的稳定性。
-
Patent Agency Ranking
公开(公告)号：CN114611741A
公开(公告)日：2022-06-10
申请号：CN202011442482.8
申请日：2020-12-08
Applicant: 南京工程学院
Abstract: 本发明公开了一种基于PIO‑LSSVM的短期负荷预测方法，涉及PIO‑LSSVM负荷预测领域，其技术方案要点是：LSSVM模型对电力需求总量变化趋势进行预测，并引人基于PIO算法的参数优化技术来提高LSSVM预测短期负荷量的精度和收敛速度，LSSVM最小二乘支持向量机将最小二乘线性系统引入支持向量机，最小二乘支持向量机的优化指数采用平方项，采用等式约束用于替换标准支持向量机方法中的不等式约束，并把标准支持向量机中解的二次规划问题简化成求解线性方程问题，利用海量外部因素数据，该模型以负荷数据和气象、经济信息为输入因子，引入鸽群优化算法优化模型参数，通过仿真验证了改进预测模型的准确性和有效性。
-
公开(公告)号：CN114611738A
公开(公告)日：2022-06-10
申请号：CN202011441261.9
申请日：2020-12-08
Applicant: 南京工程学院
Abstract: 本发明公开了一种基于用户用电行为分析的负荷预测方法，涉及用电信息采集系统应用技术领域，其技术方案要点是：提取用户的特征向量，A类用户的负荷曲线同时含有日相关、时间邻近相关两种特性，B类用户的负荷曲线只有日相关特性。利用FCM算法对已经分类A、B两类用户进行相似日选取工作，对于A类用户，利用步骤（3）介绍方法计算出待预测日d+1时刻的局部相似序列，将选取的局部相似序列与前d点历史负荷值作为用户信息集，B类用户只具有日相关性，利用FCM算法计算出相似差最小的局部相似序列，并作为用户信息集，利用时序数据提高负荷预测模型精度，提高用户的预测模型精度。
-
公开(公告)号：CN113902206A
公开(公告)日：2022-01-07
申请号：CN202111215742.2
申请日：2021-10-19
Applicant: 南京工程学院
Abstract: 本发明公开了一种基于VMD‑BiGRU的短期负荷预测方法，包括：选取预设时间段预设区域的多个观测点的历史负荷数据作为原始数据集并进行预处理；采用VMD方法将原始负荷序列分解为多个特征互异的模态分量，对每个分量分别建立BiGRU网络学习其内部动态变化规律，使用Adam算法，根据损失函数对BiGRU网络进行更新；将各分量的预测结果分别进行反归一化处理，重构叠加各分量的预测值，可以得到最终的负荷预测结果。本方法提出的混合模型有更高的预测精度。
-
公开(公告)号：CN114154676A
公开(公告)日：2022-03-08
申请号：CN202111215326.2
申请日：2021-10-19
Applicant: 南京工程学院
Abstract: 本发明公开了一种基于PSO和双向GRU的短期负荷预测模型，包括如下步骤：对样本数据进行预处理，剔除异常数据，填充残缺数据，将输入数据转换为矩阵形式，初始化PSO算法参数；定义适应度，采用BiGRU网络预测值的均方差作为粒子适应度值fit；以粒子的位置信息作为BiGRU网络的参数，构建多个BiGRU网络；训练所有网络，得到每个粒子的自适应度值，更新个体极值和群体极值；本发明的有益效果是：能够充分考虑历史时期以及未来时期负荷影响因素对当前预测负荷的影响，以历史负荷作为网络输入数据，迭代输入，充分挖掘数据的内部信息，建立预测模型，提高了短期负预测精度。
-
公开(公告)号：CN113902205A
公开(公告)日：2022-01-07
申请号：CN202111214515.8
申请日：2021-10-19
Applicant: 南京工程学院
Abstract: 本发明提供了一种基于小波变换与BiGRU‑NN的短期负荷预测方法，包括以下步骤：步骤S01：输入荷特征数据，运用小波变换将负荷特征数据分解为高频数据和低频数据；步骤S02：将高频数据作为高频BiGRU‑NN模块的输入；将低频数据作为低频BiGRU‑NN模块的输入；步骤S03：将高频BiGRU‑NN模块的输出和低频BiGRU‑NN模块的输出，经过小波反变换得到预测负荷数据。本发明提出了基于小波变换与BiGRU‑NN的短期负荷预测方法，不仅能够考虑到历史时刻负荷影响因素对于当前负荷的影响，同时也考虑到未来时刻负荷影响因素对于当前负荷的影响，并且能够很好地学习负荷数据的非线性以及时序性特征。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.026 seconds)
