短期负荷

摘要： 背景:p38抑制剂干预治疗相关疾病已经取得了很好的成效,但是关于短期大强度负荷下p38抑制剂对兔髌腱及髌骨髌腱结合部中炎性反应的影响仍有许多疑问.目的:在实验室建立的定量跳跃动物模型上,观察短期内大强度运动负荷下,p38抑制剂对兔髌腱及髌骨髌腱结合部中主要炎性因子白细胞介素1β、白细胞介素6和转化生长因子β1表达的影响.方法:34只18周龄新西兰大白兔,随机分为对照组(n=4)、跳跃组1,3,5 d(n=5)及跳跃+p38抑制剂组1,3,5 d(n=5).各跳跃组进行电刺激跳跃训练,每次电刺激引发兔向前上方跳跃,跳跃高度达到10 cm定义为合格,每次训练共进行150次合格跳跃.跳跃+p38抑制剂组在每次训练后腹腔注射SB203580(0.5 mg/kg),对照组不训练,预适应过程及饲养时间相同.各组训练结束后麻醉处死取材,采用SABC法对组织进行免疫组织化学染色,并通过Metamorph图形处理软件对各炎症因子的阳性细胞密度进行定量计算.结果 与结论:①髌腱及髌骨髌腱结合部中白细胞介素1β、白细胞介素6和转化生长因子β1的免疫组化结果显示,短期大强度负荷运动下髌腱及髌骨髌腱结合部的炎症因子变化情况不一致;②与跳跃组相比,跳跃+p38抑制剂组髌腱与髌骨髌腱结合部中3个炎症因子白细胞介素1β、白细胞介素6和转化生长因子β1的表达水平均没有显著变化(P>0.05);③结果 提示大强度运动后急性期p38抑制剂可能不会影响髌腱及腱止点的炎症反应.

摘要： 为了识别用户端典型用电负荷模式,解决传统聚类算法中仅使用单视角数据致使典型模式识别不全面的问题,提出一种基于多视角网络融合的典型用电负荷模式挖掘方法.采用多视角网络融合算法对三个粒度视角数据进行融合,利用谱聚类算法与共现矩阵度量方法识别典型用电负荷模式,结合教育行业和房地产行业用户基本信息对其用电负荷曲线趋势进行挖掘与分析.结果表明,与单视角数据相比,挖掘出的典型用电负荷模式更为准确且具有较好的鲁棒性,能够结合不同行业特点为电网系统在不同时段采取错峰用电、削峰填谷等措施提供指导.

摘要： 在国家经济发展的过程中,电力行业是不可或缺的支柱,并且与国家的安全稳定、人民的安居乐业息息相关。为了提高电力负荷预测系统的预测精度,这次研究结合电力系统的动态特性,将动态型Elman神经网络算法应用于短期电力负荷预测模型的研究,从激励函数、学习规则两个角度进行了算法优化,并与目前研究较多的BP神经网络算法进行了MATLAB仿真实验对比。研究结果显示,在短期电力负荷的预测上,BP神经网络和优化后的Elman神经网络平均预测精度分别是97.75%和98.74%,优化后的Elman神经网络模型预测效果明显更优。Elman神经网络算法的优化思路,可以为电力负荷预测系统的研究提供一些参考和数据支撑,并能在实际应用中为提高电力负荷预测精度提供一些帮助。

摘要： 为了解决发电公司在计划、运营和控制城市日负荷方面面临的经济和技术挑战,考虑温度、湿度和风速等因素,设计了一个基于卷积神经网络支持向量回归机的预测模型。最后使用东南亚某邦调度中心的历史数据对模型进行了程序模拟,并获得了不错的日负荷预测表现。结果表明,预测模型对于实践具有很强的借鉴意义。

摘要： 文章基于时间序列线性数学模型,对电力系统短期负荷进行预测。首先,讨论了电力系统短期负荷预测的意义;其次,探讨了电力系统短期负荷的特性和影响因素;最后,应用时间序列线性数学模型,对电力系统短期负荷进行了分析。结果表明,回归误差最小的气象因素是进一步提升电力系统短期负荷预测精度的关键因素。

摘要： 校园综合能源系统是对包括可再生能源在内的各种能源进行分配、转化、存储、消费的系统,其中,短期负荷预测对于系统的正常运行发挥着决定性的作用.在对GBRBM+BBRBM+BP深度置信网络理论分析的基础上,构建了校园短期负荷预测模型,完成了模型的结构和参数的设置,进行离线训练后,对校园的电、冷热负荷进行了预测,误差小于3％,满足了校园能源系统的协调和调度需求.

摘要： 为提升能源系统短期负荷预测精度,解决需求响应给能源系统带来的全新挑战,提出基于深度学习的能源系统需求响应短期负荷预测方法.构建栈式自编码神经网络SAE-NN深度学习模型,考虑能源系统的需求响应,并对其数据进行调整,得到用户预期收益和舒适度是影响短期负荷变化的两项重要因素.在构建的SAE-NN深度学习模型中进行样本训练,提取深层特征.利用逻辑回归(LR)模型预测能源系统的短期负荷,提升模型预测精度.仿真结果表明,所提方法的短期负荷预测结果与实际负荷基本一致,测得的相对误差为0.61％,平均绝对误差为1.88％,均方根误差为0.523,希尔不等系数为0.009,均低于对比方法,短期负荷预测精度高,预测效果好.

摘要： 针对电力负荷随机性强、稳定性差、预测精度不理想等问题,提出了一种基于粒子群优化PSO和最小二乘支持向量机LS-SVM的短期负荷预测方法.模型的输入因子是负荷数据和气象信息等.粒子群优化算法用于实现支持向量机参数的自动优化,建立了基于粒子群优化的最小二乘支持向量机短期负荷预测模型.通过仿真验证了改进前后预测模型的准确性和有效性,结果表明,改进的预测方法具有收敛性好、预测精度高、训练速度快的优点.本研究为我国短期负荷预测方法的发展提供了参考和借鉴.

摘要： 为了提高楼宇电力负荷预测精度,解决传统聚类算法楼宇用电曲线聚类效果差的问题,提出一种基于DTW-LSTM的楼宇短期电力负荷预测模型.采用DTW聚类算法对楼宇日用电曲线进行聚类与编码,分析楼宇用电行为.根据楼宇10天的日用电曲线编码,利用马尔科夫链对未来一天的用电曲线编码进行预测,得到用电曲线原型.将编码作为一个特征,结合历史用电数据对楼宇的短期负荷进行预测,结果表明,相对于传统的聚类算法,所提方法的聚类结果更加合理且预测精度也有所提升.

摘要： 针对麻雀算法(SSA)早熟、易陷入局部最优解的问题,采用混沌策略反向学习初始化种群代替随机初始化种群,增强种群多样性;同时引入黄金正弦因子更新发现者位置以平衡局部和全局搜索能力;引入自适应t分布改进跟随者位置。与粒子群算法、灰狼算法作对比,在测试函数上验证改进麻雀算法的优越性。采用改进后的麻雀算法优化BP神经网络模型(GSASSA-BP)对短期负荷问题进行预测,结果表明,提出的GSASSA-BP模型在短期负荷问题上预测效果更好。

摘要： 结合电力短期负荷的特点,将模糊神经网络应用于电力短期负荷预测.本文阐述了人工神经网络相关理论,模糊神经网络系统理论,模糊神经网络应用于负荷预测流程,BP学习算法相关知识.通过对实际数据分析仿真,建立模糊神经网络负荷预测模型,预测结果较为理想,达到了预期效果.

摘要： 天然气是一种重要的清洁能源,如何预知未来时刻的天然气负荷,对于燃气公司与上游气源及下游用户之间制定合适的商业计划具有重要的意义.针对天然气短期负荷预测问题,提出基于EMD(Empirical Mode Decomposition,EMD,经验模态分解)-近似熵和LSSVM (Least Squares Support Vector Machine,LSSVM,最小二乘支持向量机)的天然气短期负荷预测模型.首先,针对小波变换方法的不足,采用EMD方法对天然气短期负荷进行多尺度分析,为了减少计算规模及提高预测的准确性,通过EMD-近似熵,将天然气短期负荷时间序列分解为若干个复杂度差异明显的子序列;其次,对各子序列建立LSSVM预测模型,建立没有经过EMD处理的RBF (Radial Basis Function,RBF,径向基函数)神经网络和LSSVM预测模型;最后,以某市天然气门站实际采集的数据样本为算例进行研究.结果表明:EMD-LSSVM预测模型无论在训练时间和预测精度上均优于RBF神经网络预测模型,可满足天然气负荷预测的需要,为在线工程的实际应用提供了理论参考.

摘要： 电力系统短期负荷预测作为同业对标重要考核内容,是电网调度机构制定发供电计划和做好电网供需平衡的关键,同时在电网规划和电网建设中发挥着重要的作用.以某地区电网短期负荷预测管理系统为平台,以日负荷相对误差、日负荷预测准确率、日最高负荷预测准确率、日最低负荷预测准确率为评价指标,分别对比了该系统采用的时间序列法、相似日法、人工神经网络法、基于数据库的新方法的精度,并对预测结果进行了分析和比较,给出了未来短期负荷预测的发展方向.

摘要： 电力系统短期负荷预测是电力调度部门的重要工作之一，负荷预测的精度直接影响到电网的平安、经济和稳定运行。影响电力负荷的因素很多，这些因素对负荷的影响具有非线性、复杂性、滞后性等特征。本文以某市某地区历史日用电负荷、日气温等数据为作为样本数据，并对原始数据预处理后作为预测模型的输入数据，综合考虑温度、星期类型等因素对短期电力负荷的影响，运用SPSS Clementine 进行神经网络建模对预测日用电负荷进行预测。经验证表明，该模型能有效地反映气温、星期类型和负荷之间的变化关系。

摘要： 随着混沌科学的发展，预测的方法可以不必事先建立主观模型，而直接根据数据序列本身所计算出来的客观规律(如Lyapunov指数等)进行预测，从而提高预测的精度和可信度。运用最大李雅普诺夫指数法对贵州输配电网短期负荷进行预测，结果表明此预测方法具有可行性。

摘要： 本文针对电力系统短期负荷预测的建模问题，提出了一种动态递归模糊神经网络模型（DRFNN）。主要通过在网络隐层中引入局部递归单元，使得复杂模糊规则容易提取，模糊推理功能易于实现。以我国南方某市电网的实际负荷数据进行验证该模型，仿真结果显示本文提出的新的负荷预测建模方法具有更好的预测效果。

摘要： 系统、深入地分析了影响湖南电网短期负荷预测准确率的主要原因，提出了健全负荷预测管理制度，重点研究预测分析技术，提高预测人员综合素质的建议措施。

摘要： 省级电网企业要求下级电网企业(地市公司)对辖区内的网供负荷进行预测。下级单位的负荷预测含有该区域内较多的信息。充分利用下级单位的负荷预测结果，可以提高短期负荷预测精度。在利用下级单位负荷预测结果时，需要解决统计口径不一致的问题，本文解决了该问题，并提出了利用下级单位负荷预测结果提高省级电网负荷预测精度的具体方法。算例表明本文所提出的方法是有效可行的。

摘要： 本文借鉴国内外的一些经验对电力系统负荷预测问题的特点、内容和方法,进行总结和提炼.并根据四平供电公司负荷预测工作的具体情况,提出了一些建议。目前，国内适用的短期负荷预测系统绝大多数采用的是综合模型预测方案。该方案的实现原理是:寻找出与预测日各种影响因素相似的历史日期;采用不同的预测算法对其进行虚拟预测;比较该日实际历史负荷与虚拟预测结果的拟合准确度以确定各种算法的权重分配;应用所得到的各算法的权重做第2日负荷预测。以当日及以前已知的实况信息为已知条件，采用短期负荷预测对当日未知负荷点的数据进行预测，并用预测结果作为这些点的数据的合理估计值，从而“弥补”上当日缺失的负荷值。对国内某电力系统利用近几年的负荷数据进行预测，按上述方案补足当日负荷数据，并应用它参与次日的短期负荷预测，与传统的短期负荷预测方法相比，其预测准确度可提高约2%。而且，由于短期负荷预测充分应用了当日最新的负荷信息和气象信息，对日负荷变化跟踪迅速，因此，它尤其适用于负荷变化幅度大、日负荷影响因素多的电力系统。

摘要： 电力系统负荷变化受多方而因素的影响，因此负荷曲线呈现出强烈的非线性。为实现非线性的电力负荷在线预测，应用改进的泛回归神经网络(GRNN)，运用递推史新的样本数据集训练GRNN，构成动态泛回归神经网络。该动态神经网络训练方便快捷，能够满足在线预测的实时性的要求。仿真实验表明预测值较观测值有一定滞后，但均能尾随观测值而变化，达到了预期的目标。

摘要： 本发明公开了一种换热站超短期热负荷预测的方法。首先利用随机森林算法对特征进行筛选降维；然后对数据进行标准化处理；接着建立基于长短期时间序列网络的热负荷预测模型，模型通过卷积层和循环层捕捉长短期的特征信息，然后引入循环跳跃层这一概念，捕捉更长期的特征信息，同时利用自回归算法为模型添加线性处理能力，增强了模型的鲁棒性。该方法利用逐时负荷自身的周期特性来解决神经网络在处理长序列数据时信息丢失的问题，从而提高了模型预测的性能。

摘要： 电力工业是国民经济的基础产业，在整个国民经济的发展起着举足轻重的作用。负荷预测是电力系统规划建设的依据。负荷预测的准确程度将直接影响到投资、网络布局和运行的合理性，因此，负荷预测在规划中显得尤其重要。然而电力负荷预测问题的解决已经成为电力行业人员面临的重要而艰巨的任务。本发明提出了一种基于历史天气数据和预测数据,和历史电力负荷数据进而预测短期电力负荷的系统和方法。本方法基于一种基于递归神经网络的长短期记忆模型来预测短期电力负荷的系统模型可以极大的提高预测准确度。

摘要： 本发明公开了一种基于负荷分解技术的家庭用户短期负荷预测方法，涉及电力数据的分解和检测技术领域，通过非入式电力负荷监测技术，将家庭用户的用电设备进行分类，选取负荷用电设备，对用电设备进行分解，获取用电设备的运行状态；然后将用电设备的运行状态转化为数据信息，再将用电设备的运行状态转化的数据信息，并将其与原始负荷时间序列一起输入免疫神经元训练，以获取对未来某一时刻电力设备所用的电量值，从而对家庭设备用电量进行预测。本发明能够保证预测误差在可接受的范围之内，并使预测性能的提高更具可行性和成本效益。

摘要： 提供一种短期负荷预测方法和短期负荷预测装置。所述短期负荷预测方法包括：获取过去时段的负荷数据和预测时段的外部参数；通过小波分解将过去时段的负荷数据分解为第二级细节分量、第三级近似分量和第三级细节分量；基于第二级细节分量，获取预测时段的预测负荷数据的第二级细节分量；基于过去时段的负荷数据的第三级近似分量和第三级细节分量以及所述外部参数，获取预测时段的预测负荷数据的第三级近似分量和第三级细节分量；通过小波重构将预测负荷数据的第二级细节分量、预测负荷数据的第三级近似分量和第三级细节分量重构为预测时段的预测负荷数据。根据短期负荷预测方法和短期负荷预测装置，能够准确地预测短期负荷。

摘要： 本发明公开了一种短期负荷预测方法、短期负荷预测模型训练方法、装置、可读介质及电子设备，该方法包括：获取待预测数据，待预测数据包括负荷时序数据和影响因素数据；基于负荷时序数据和已训练的预测模型中的长短期记忆网络，获取第一负荷时序特征；基于影响因素数据和已训练的预测模型中的全连接网络，获取影响因素特征；基于第一负荷时序特征、影响因素特征和已训练的预测模型中的输出网络，获取短期负荷预测结果。本发明提供的技术方案通过引入多源数据即负荷时序数据和影响因素数据，并利用长短期记忆网络和全连接网络准确学习到多源特征即第一负荷时序特征和影响因素特征，从而使得基于多源特征获取到的短期负荷预测结果准确性较高。

摘要： 本发明公开了一种基于长短期记忆网络的短期负荷预测方法，采集短期负荷数据，将所采集的短期负荷数据作为训练样本进行VMD分解，得到n个随机分量IMF；对于分解出的n个分量，每个分量构建对应的WOA‑LSTM模型，利用WOA对模型中的LSTM参数寻优，找出最合适的参数；采用最优参数的LSTM分别对分量数据IMF进行训练，得到各个分量的预测结果；基于分别寻优后构建的LSTM模型，分别利用LSTM模型对短期负荷数据进行测，每个LSTM模型输出相应的预测结果；通过将所有预测结果进行相加得到最终的负荷预测结果。

摘要： 本发明专利公开一种基于长短期记忆神经网络的燃气短期负荷预测方法，该方法运用主成分相关分析(PCCA)算法、小波阈值去噪(LMD)算法及局部均值分解优化(WTD)算法优化长短期记忆神经(LSTM)网络模型，并运用该种新的燃气负荷组合预测方法，对城市燃气负荷量进行预测分析，PCCA‑LMD‑WT D‑LSTM预测模型在城市燃气负荷预测中，采用该种模型获得的最终MAPE精度均属于高精度水平，该模型预测结果优于单一的LSTM模型、BPNN模型和GRU模型。本发明解决了传统循环神经网络中的长时期依赖问题，适用于数据长度大的时间序列预测，且稳定性更高，可靠性更强。

摘要： 本发明公开了一种基于深度长短期记忆网络的短期负荷预测方法，解决了现有技术的不足，该方法包括以下步骤：步骤10)，获取样本特征变量历史数据，建立历史样本数据集；步骤20)，建立预测模型嵌入维输入数据集；步骤30)，建立深度长短期记忆神经网络预测模型并初始化网络权重；步骤40)，更新训练步骤30)建立的深度长短期记忆神经网络预测模型内部状态参数；步骤50)，计算输出本轮负荷预测值；步骤60)，引入本轮负荷真实值，计算损失函数；步骤70)，更新深度长短期记忆神经网络网络权重；步骤80)，根据判别函数判别迭代是否结束；步骤90)，迭代结束，输出深度长短期记忆神经网络预测模型。

摘要： 本发明涉及电力系统调度与运行技术领域，具体涉及一种基于长短期记忆与自适应提升的微电网短期负荷预测方法,包括：步骤1，调取历史负荷数据；步骤2，对其进行整合以获得训练集和测试集；步骤3，对训练集和测试集进行进集成经验模态分解并调整，输出训练样本集和测试样本集；步骤4，建立组合预测核模型，设置超参数数值；步骤5，输入训练样本集，输出预测结果；步骤6，设置循环次数N，大于N时，进入步骤7；小于N时，进入步骤5；步骤7，计算均方根误差，并判断是否稳定，稳定进入步骤,9，不稳定进入步骤8；步骤8，调整超参数，进入步骤5；步骤9，输入测试样本集，输出预测结果。本发明预测精度高、误差小，适应性强，实用性强。

摘要： 本发明公开了一种基于历史负荷数据的短期负荷预测与修复方法，该方法包括：对历史负荷数据集进行数据预处理，得到预处理后的历史负荷数据集；通过深度自编码器对预处理后的历史负荷数据集进行特征提取处理，得到重构数据集；通过Stacking集成模型对重构数据集进行负荷预测，得到预测值；根据预测值对历史负荷数据集进行修复，得到修复后的历史负荷数据集。通过使用本发明，能够通过准确的提取历史负荷数据的潜在特征从而提高对异常负荷数据的检测精度。本发明作为一种基于历史负荷数据的短期负荷预测与修复方法，可广泛应用于电力负荷数据挖掘技术领域。