制造业短期瞬时能耗预测的深度学习
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
提出了一种混合模型,结合了卷积神经网络和堆叠双向长短期记忆架构,以准确预测达卡市电力需求的短期预测,该方法在比较中表现最佳,优于其他基准模型,并且对于负载预测也超过了现有的某些研究成果。
Jun, 2024
本研究通过使用历史能源数据、占用模式和天气条件,引入了一种基于长短期记忆(LSTM)模型的建筑能源消耗预测方法。该 LSTM 模型对于住宅和商业建筑的短期、中期和长期能源预测相比现有的预测模型具有更高的准确性。通过与线性回归、决策树和随机森林等已有预测方法的比较,我们的 LSTM 模型在所有指标上表现出色,具有 0.97 的最高 R2 得分和 0.007 的最佳平均绝对误差(MAE)。我们的模型还具有在受限数据集上实现高效能源消耗预测的能力。通过在实际数据上的严格训练和评估,我们解决了过拟合(方差)和欠拟合(偏差)的问题。总结而言,我们的研究通过提供一种优于其他方法的、具有出色效率、普适性和可靠性的强大 LSTM 模型,为能源预测做出了贡献。
Sep, 2023
本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet), 用于解决多元时间序列预测等问题,并在复杂混合循环模式数据上实现了显著的性能提升。
Mar, 2017
本文提出了一种利用文本新闻特征的长短期记忆网络(LSTM)来成功预测英国国家电力需求的确定性和概率任务。实验结果表明,带有文本特征的 LSTM 相对于纯 LSTM 基准模型改进了 3% 以上,相对于官方基准模型改进了近 10%。此外,该模型能够通过缩小置信区间和使预测分布更接近真实值来有效地降低预测的不确定性。
Sep, 2023
本文提出了一种基于 LSTM 网络的公共建筑物能耗预测方法,包括数据处理、训练和验证、预测三个步骤,并使用 MAE 和 MAPE 等评价指标对英国国家档案馆主楼的每半小时测量数据集进行了测试。
Jul, 2022
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
本文研究如何更好地利用消费者的电表读数来估算负载情况以实现电力网络规划优化,并使用深度神经网络方法与传统方法进行比较,结果表明深度神经网络方法优于传统方法,该方法可用于提高动态定价的支持。
Jun, 2016