首页 专利交易 科技果 科技人才 科技服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

【发明公布】基于时间序列预测与深度学习互补的短期负荷预测方法_国网辽宁省电力有限公司;国网辽宁省电力有限公司辽阳供电公司_202311867723.7 

申请/专利权人:国网辽宁省电力有限公司;国网辽宁省电力有限公司辽阳供电公司

申请日:2023-12-29

公开(公告)日:2024-05-10

公开(公告)号:CN118014119A

主分类号:G06Q10/04

分类号:G06Q10/04;G06Q10/0637;G06Q50/06;G06F30/27;G06N3/006;G06N3/0442;G06N3/086;H02J3/00

优先权:

专利状态码:在审-实质审查的生效

法律状态:2024.05.28#实质审查的生效;2024.05.10#公开

摘要:一种基于时间序列预测与深度学习互补的短期负荷预测方法,涉及负荷预测技术领域技术领域。该方法首先利用ADF检验和KPSS检验对历史负荷数据序列进行平稳性检验,若不平稳则进行差分处理直至信号平稳。其次,通过在蜣螂优化算法中引入周期突变机制以提升算法的寻优能力,并利用改进后的蜣螂优化算法对差分整合移动平均自回归模型参数p和q进行定阶,实现ARIMA对负荷的预测。然后,使用LSTM将ARIMA预测的非线性的残差序列进行预测。最后,将得到的负荷预测结果进行校验,大幅度提升模型的预测准确率,得到更为精确的短期负荷预测结果。达到更高的精度。

主权项:1.一种基于时间序列预测与深度学习互补的短期负荷预测方法,其特征在于,包括如下步骤:S1:对多元历史负荷数据样本序列进行平稳性检验,得到的平稳序列数据进行步骤S3;S2:对所述步骤1中不平稳的数据,进行差分运算,得到平稳的序列数据进行步骤S3;S3:由所述步骤S1和S2中得到的平稳数据,通过改进的蜣螂优化算法对ARIMA模型的参数p和q定阶;S4:根据S3中的参数p和q构建IDBO-ARIMA模型,由所述IDBO-ARIMA模型,对负荷序列进行短期预测,得到线性序列和非线性序列;S5:由所述步骤S4中的IDBO-ARIMA模型预测后的非线性序列,使用LSTM网络对其进行预测,得到非线性序列结果;S6:由所述步骤S4和步骤S5中的负荷序列预测结果,将线性预测和非线性预测叠加重构,得到短期负荷预测的结果。

全文数据:

权利要求:

百度查询: 国网辽宁省电力有限公司;国网辽宁省电力有限公司辽阳供电公司 基于时间序列预测与深度学习互补的短期负荷预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。