一种基于卷积神经网络和支持向量回归模型的电力消费预测方法

MMOct, 2018

一种基于卷积神经网络和支持向量回归模型的电力消费预测方法

A Regressive Convolution Neural network and Support Vector Regression Model for Electricity Consumption Forecasting

Youshan Zhang, Qi Li

TL;DR本篇研究提出了一种基于 RCNN 和 SVR 的电力消费预测方法，通过提取历史数据的特征来预测矿业企业的电力消费，相比传统方法，该方法有更高的准确性，并降低了预测误差率。

Abstract

electricity consumption forecasting has important implications for the mineral companies on guiding quarterly work, normal power system operation, and the management. However, electricity consumption prediction f

electricity consumption forecasting mineral company regressive convolution neural network support vector machine prediction

发现论文，激发创造

基于分段线性回归和扩张因果卷积神经网络的中长期日电力消费预测

日常电力消耗预测是一个经典问题，本研究通过使用分段线性回归和扩张因果卷积神经网络构建两阶段预测方法，将每日电力消耗系列拆分为趋势、季节和残差三个组件，并引入距离变量来挑战传统节日预测，最终预测结果通过两阶段预测的求和得出，实验结果表明该方法较现有方法具有更高的准确性。

Oct, 2023

制造业短期瞬时能耗预测的深度学习

本文研究了如何在短期内准确预测能源消耗，对比了使用 LSTM、CNN、混合 CNN-LSTM 和 TCN 等多种深度学习算法的表现，通过实验结果表明 TCN 是最可靠的预测短期能源消耗的方法。

Jul, 2022

集成能源系统短期多能源需求预测的深度卷积神经网络

开发基于卷积神经网络的六种新型预测模型，用于预测集成能源系统的多能源需求，评估结果使用信噪比和均方根误差进行。

Dec, 2023

卷积序列到序列非侵入式负荷监测

提出了一种卷积序列到序列的非侵入式负载监测模型，并成功地将其应用于 REDD 数据集来进行电器分解，并与文献中的卷积序列对点模型进行比较。结果表明，该模型能够为具有不同特征的电器提供令人满意的分解性能。

Jun, 2018

本田智能家居房屋用电量预测方法比较

本文通过对多元预测方法在 Honda Smart Home US 数据集中的应用进行对比，发现支持向量回归方法对于电力消耗预测更具优越性。

Aug, 2022

基于混合统计和机器学习算法的电力需求预测：以乌克兰为例

该研究使用统计学和机器学习方法来预测国家电力需求，构建了一个完整的长、中、短期电力需求预测模型，其中跨度长的年度趋势采用宏观经济回归分析，中期模型采用温度和日历回归器，短期模型通过多个 ARMA 模型来捕捉小时级别的季节性，结果表明两年外部采样预测精度可达 96.83％。

Apr, 2023

一种用于多步风力预测的并行 CNN-RNN 方法

本文提出了一种融合卷积神经网络和循环神经网络的 CNN-RNN 结构，使用来自地理网格多个点的气象数据和风电场的时间信息进行日前风电预测，并在全球预测中取得了较好的结果，与传统模型相比，更好的实现了空间特征提取。

Jan, 2023

时间序列预测的深度学习：电力负荷案例

本文探讨了在智能电网等关键基础设施中实现高效运营所需的精确电力负荷预测的问题，提出了基于深度学习模型应用于电力负荷预测问题的最新趋势，并通过实验评估了前馈神经网络、循环神经网络、序列到序列模型和时空卷积神经网络等多种深度学习模型在短期负荷预测方面的性能表现。

Jul, 2019

基于大数据和神经网络的智能电网背景下的城市电力消费预测

基于大数据和神经网络，本文建立了一个模型来预测智能城市中的电力消费，并构建了评估模型来确定电力消费的核心特征值。

Sep, 2023

负载预测的自动深度学习

电力消耗预测是确保电网性能和稳定性的关键，本文介绍了自动深度学习在负荷预测中的应用，并通过自动选择特征和优化网络架构和超参数，展示了能够超越现有方法的原创深度学习模型。

May, 2024