-
公开(公告)号：CN116404637A
公开(公告)日：2023-07-07
申请号：CN202310326869.4
申请日：2023-03-29
申请人： 清华大学
IPC分类号： H02J3/00 , G06F18/23 , G06N3/0455 , G06N3/096
摘要： 本发明提供一种电力系统短期负荷预测和电力系统短期负荷预测装置，涉及电力技术领域，包括：基于每个预测场景各自的短期负荷历史曲线，结合每个短期负荷历史曲线的时序和分布相似性进行聚类，得到最优聚类结果；根据目标应用场景的不同，建立基于Transformer的不同负荷预测模型，并利用短期负荷历史曲线和已知特征，对每个类别中的负荷预测模型进行模型训练和评估得到每个类别各自的性能最佳模型；对每个类别各自的性能最佳模型进行模型迁移，以使得每个性能最佳模型各自应用于类间其它应用场景中进行短期负荷预测。本发明简洁地对任意应用场景进行短期负荷预测。提升低层级负荷预测精度，运算量小、运算速度较快。
-
公开(公告)号：CN114881343A
公开(公告)日：2022-08-09
申请号：CN202210551151.0
申请日：2022-05-18
申请人： 清华大学
摘要： 本申请公开了一种基于特征选择的电力系统短期负荷预测方法及装置，其中，方法包括：获取电力系统的候选特征集；基于预先搭建的神经网络前馈长短期记忆网络对候选特征集进行特征选择，得到最优特征子集；将最优特征子集输入预先训练的目标短期负荷预测模型，得到电力系统的短期负荷，其中，目标短期负荷预测模型由电力系统的最优训练特征子集和对应的目标负荷训练得到，从而充分考虑到候选特征的相关性、冗余性和交互性，提高了短期负荷预测的精度。由此，解决了相关技术中难以分析特征之间的交互作用、冗余权重降低模型的收敛速度以及当特征空间较大时，运行代价过大等问题。
-
公开(公告)号：CN117856253A
公开(公告)日：2024-04-09
申请号：CN202410131342.0
申请日：2024-01-30
申请人： 清华大学
IPC分类号： H02J3/00 , G06F17/18 , G06N3/0442 , G06N3/0455 , G06N3/0464
摘要： 本公开提供了一种电力系统概率负荷预测方法和装置，涉及电力技术领域。所述方法包括：获取历史负荷序列和多个历史特征；将所述历史负荷序列和所述多个历史特征输入所述编码器，得到预测的多个高斯分布，所述多个高斯分布用于确定所述历史负荷序列满足的分布；对所述多个高斯分布进行多次采样，得到多个随机数；将所述多个随机数输入所述解码器，对所述多个随机数进行非线性映射，得到所述历史负荷序列满足的分布；将所述多个历史特征输入所述解码器，得到所述解码器在所述历史负荷序列满足的分布的约束下，根据所述多个历史特征预测出的未来负荷序列。
-
公开(公告)号：CN118676916A
公开(公告)日：2024-09-20
申请号：CN202410877754.9
申请日：2024-07-02
申请人： 清华大学
IPC分类号： H02J3/00 , G06F18/214 , G06F30/27 , G06Q50/06 , G06N3/0442 , G06N3/048 , G06N3/082
摘要： 本申请涉及电网技术领域，特别涉及一种可解释短期负荷预测的方法、装置、电子设备及存储介质，其中，方法包括：基于满足预设条件的目标参数，构建基于柯尔莫戈罗夫‑阿诺德网络KAN的第一短期负荷预测模型；训练第一短期负荷预测模型，并将得到的第一训练模型进行剪枝处理，得到处理模型，并确定处理模型中每个神经元的目标激活函数形式，以构建基于KAN的第二短期负荷预测模型，并训练第二短期负荷预测模型，并利用得到的第二训练模型生成目标符号表达式，以解释短期负荷的预测结果。由此，解决了由于人工神经网络的黑盒性质，导致使用人工神经网络训练的STLF模型缺乏可解释性，无法为预测结果提供解释，具有局限性的问题。
-
公开(公告)号：CN114881343B
公开(公告)日：2023-11-14
申请号：CN202210551151.0
申请日：2022-05-18
申请人： 清华大学
IPC分类号： G06Q10/063 , G06Q50/06 , G06N3/0464 , H02J3/00 , G06N3/0442 , G06N3/08
摘要： 本申请公开了一种基于特征选择的电力系统短期负荷预测方法及装置，其中，方法包括：获取电力系统的候选特征集；基于预先搭建的神经网络前馈长短期记忆网络对候选特征集进行特征选择，得到最优特征子集；将最优特征子集输入预先训练的目标短期负荷预测模型，得到电力系统的短期负荷，其中，目标短期负荷预测模型由电力系统的最优训练特征子集和对应的目标负荷训练得到，从而充分考虑到候选特征的相关性、冗余性和交互性，提高了短期负荷预测的精度。由此，解决了相关技术中难以分析特征之间的交互作用、冗余权重降低模型的收敛速度以及当特征空间较大时，运行代价过大等问题。
-
-
-
-
搜索结果
5 条记录 (耗时 0.02 秒)
