负荷预测论文笔记
骑着蜗牛逛世界
只当个人学习记录之用
展开
-
aibert
对bert的三大改造《1词嵌入向量参数的因式分解O(V * H) to O(V * E + E * H) 参数量少了几十倍《2跨层参数共享参数共享能显著减少参数。共享可以分为全连接层、注意力层的参数共享;注意力层的参数对效果的减弱影响小一点。《3段落连续性任务。正例,使用从一个文档中连续的两个文本段落;负例,使用从一个文档中连续的两个文本段落,但位置调换了其他改进变化:《1去掉drpout《2为加快训练速度,使用LAMB做为优化器《3使用n-gram(uni-gram,bi-gram, tri-gram)来原创 2022-06-17 18:35:00 · 358 阅读 · 0 评论 -
18、Effect of Automatic Hyperparameter Tuning for Residential Load Forecasting via Deep Learning
亮点:自动超参数调整,数学很高深,不容易理解。自动超参数调整的有效性基于深度学习的住宅负荷预测 短期住宅负荷预测在本文中,我们扩展了一个基于深度长期内存(LSTM)的负载,具有自动超参数调整的预测框架针对高度不稳定的住宅负荷解决STLF问题。基于树结构的Parzen估计器的超参数调整方法被有效地集成到STLF框架中找到最佳的超参数集 高温 - 通常发现ture与高电力密...原创 2018-11-10 22:41:33 · 287 阅读 · 0 评论 -
17、Energy Load Forecasting Using Deep Learning
基于深度学习的能源负荷预测对未来电力进行准确的颗粒预测需求、确保效率和防止能源浪费盗窃在这项工作中,我们评估智能电表能耗。家庭数据利用自相关建立决定性因素基于GRU(门控递归单元)的深度恢复参数学习。 准确预测能源消耗将有助于消除其他能源消耗。不必要的因素,如能源浪费和盗窃。电力供应商和用户都从稳定中受益电价合理。最大的因素影响能源的产生和分配是供应需求比率。 ...原创 2018-09-22 21:05:00 · 280 阅读 · 0 评论 -
16、Short-term electricity load forecasting method based on multilayered self-normalizing GRU network
多层自规范GRU一种多层自正规门控递归算法提出了短期电力负荷的单元(MS-GRU)模型。预测该模型引入比例指数线性单元。(SELU)激活函数将隐藏状态压缩为计算模型的输出。挤压状态也有助于更新门、复位门的计算GRU的候选状态,爆炸和消失堆叠GRU神经网络可以克服梯度问题网络采用这种自规范化方法。模糊聚类方法(FCM)算法用于相似日的选择。电力负荷...原创 2018-09-22 11:32:51 · 446 阅读 · 0 评论 -
15、Short-term CHP Heat Load Forecast Method based on Concatenated LSTMs
亮点:提出了一种级联LSTM模型,很有创新性基于短期热电联产热负荷预测方法级联LSTMCHP (combined heat and power):热电联供 首先对输入数据进行归一化处理;并将其分为历史气候和热负荷数据。然后将分离的数据馈送到两个LSTM神经网络。最后,这两个LSTM模型被连接成另一个输入。LSTM模型紧跟着两个稠密层。使用Relu函数作为致...原创 2018-09-22 10:39:49 · 375 阅读 · 0 评论 -
14、Improved Day-Ahead Predictions of Load and Renewable Generation by Optimally Exploiting Multi-Sca
亮点:提出了一种Gated-Feedback LSTM,门控反馈的LSTM用于短期负荷预测改进的负载和预测的日前预测通过最优开发实现可再生能源多尺度依赖可再生能源在电力中的份额越来越大主要来源于风能和光伏(PV)的系统资料来源,使得系统不稳定提出一种门控反馈LSTM双层循环选择最佳模型 ...原创 2018-09-10 23:07:57 · 160 阅读 · 0 评论 -
11、Electric Load Forecasting in Smart Grids Using Long-Short-Term-Memory based Recurrent Neural Netw
亮点:是不是典型的LSTM,还是基于RNN的LSTM呢?再细看那一部分把数据集两个:飞机乘客和电力数据集智能电网中的电力负荷预测基于长时程记忆的复发神经网络 短期:several hours to several weeks ahead.由于非线性,短期电力的非平稳性和非季节性小规模电力系统负荷时间序列的精确预测具有挑战性。LSTM-based RNN is able to ...原创 2018-09-06 11:42:56 · 527 阅读 · 0 评论 -
13、Probabilistic Short-term Wind Power Forecasting Based on Deep Neural Networks
概率短期风电功率预测基于深度神经网络(清华)除了传统的预测方法ods,概率预测被认为是最佳的预测铸造解决方案因为它提供了丰富的宝贵不确定性风电信息。本文以一种新颖的方法为基础关于确定性短路的深度神经网络(DNN)提出了风电场风电预测基于概率预测关于条件错误分析也已实施。 有利由于精心设计,实现了概率预测的结果基于聚类分析设定的条件划分。中国东北的几个风电场。传统上,风力发...原创 2018-09-05 20:22:48 · 705 阅读 · 0 评论 -
12、Türkiye Elektrik Tüketimi Tahmini ˙ Için RNN Tabanlı Zaman Serisi Yakla¸ sımı A RNN Based Time Se
亮点:分12个不同时段,求得平均MAPE,RNN,LSTM,GRU不同层数的架构未来打算:双向RNN,S2S土耳其用电量预测˙RNN for基于时间序列近似基于RNN的时间序列方法预测土耳其电力负荷本文介绍了递归神经网络(RNN)、长时记忆(LSTM)基于门控递归单元(GRU)的时间序列预测土耳其电力负荷预测的TIN试验结果我们实验的成功率达到0.71。基于ARIMA和人工神经的现...原创 2018-09-05 15:07:50 · 1240 阅读 · 0 评论 -
10、Short-Term Prediction of Wind Power Based on Deep Long Short-Term Memory
就是PCA+LSTM,我尼玛竟然读了一小时基于的风电短期预报深度长短期记忆主成分分析(PEA)用于选择输入样本并减少输入的维数、BP神经网络与支持向量机的比较反映信息的有效信息风电场的特征提取采用主成分分析法。这个选择主成分作为LSTM的输入。PCA的主要原理:是找到合适的线性。变换将相互关联的变量转换为相互独立的新变量。每个新变量有其独特的含义,其中,方差较大的变量可以...原创 2018-09-05 10:19:57 · 577 阅读 · 0 评论 -
9、Building Energy Load Forecasting using Deep Neural Networks
亮点:考虑了LSTM和S2S的不同层结构对训练和测试集的结构影响。 基于深度神经网络的建筑能量负荷预测网络所介绍的工作调查了两个LSTM基础架构:1)标准LSTM和2)基于LSTM序列到序列(S2S)架构。两种方法都是在电力消耗的基准数据集上实施来自一个住宅客户的数据。这两种架构都是经过一小时一分钟的训练和测试分辨率数据集。表明标准LSTM在一分钟分辨率数据时失败在一小时的...原创 2018-09-02 09:27:50 · 477 阅读 · 1 评论 -
5 、Short-Term Residential Load Forecasting based on LSTM Recurrent Neural Network
亮点:住宅用户的电力负荷预测,应该是纯LSTM基于短期住宅负荷预测LSTM回归神经网络研究预测单个能源用户的电力负荷本文提出了一种基于长短时记忆(LSTM)递归神经网络(RNN)的框架...原创 2018-08-25 20:11:30 · 917 阅读 · 0 评论 -
4 Short-Term Load Forecasting using A Long Short- Term Memory Network
本人亮点在于:给LSTM的输入很特别,只使用了负荷数据,但是方式不同以往,所以称为新方法,无语尼玛的 历史住宅消费数据的数量In this paper, a novel approach to short-term load forecasting using a LSTM(long short-term memory) network based on RNNs (recur...原创 2018-08-25 15:51:17 · 413 阅读 · 0 评论 -
8、Energy Load Forecast Using S2S Deep Neural Networks with k-Shape Clustering
用S2S深度神经网络预测能量负荷具有k形聚类的网络特别是长短期记忆(LSTM)具有序列到序列(S2S)架构的算法。我们在预测聚合时,提高预测准确性通过使用k-Shape聚类算法加载网络创建更容易预测的消费者群体本文中描述的方法在现实世界数据上进行了测试斯洛伐克企业的用电量。电力消费者通常都有随机行为,使个人消费需求变得艰难预测。为了解决这个问题的消费数据是汇总的。出于这个原因,使...原创 2018-09-01 12:00:03 · 629 阅读 · 1 评论 -
7、Deep Learning for Solar Power Forecasting – An Approach Using Autoencoder and LSTM Neural Networks
深度学习太阳能预测 -这些算法的组合显示了他们的预测强度与标准MLP和物理预测模型相比在预测21个太阳能发电厂的能源产量。•为a创建数值天气预报(NWP)某些时间范围和使用物理的某个位置天气预报模型。•基于此NWP,预测算法可预测未来发电用于某种再生能源发电机。在这项工作中,我们分析了物理预测 模型,多层感知器,长短期记忆网络(LSTM),深度信任网络和自动编码器例如Auto...原创 2018-09-01 10:31:17 · 910 阅读 · 0 评论 -
6、Long Term Load Forecasting with Hourly Predictions based on Long-Short-Term-Memory Networks
亮点:小时级长期预测,置信区间计算 每小时预测的长期负荷预测基于长短期记忆网络长期负荷的传统方法预测主要限于电力负荷数据 每月或每年的粒度在本文中,一种新的长期负荷方法 建议采用 每小时分辨率进行预测ISO新英格兰电力市场的时间数据。从2004年到2015年的公开数据为12年,预测从2011年开始,为期五年到2015年滚动具有平均绝对百分比误差(MAP...原创 2018-08-31 15:42:09 · 617 阅读 · 4 评论 -
3 Deep Neural Networks for Energy Load Forecasting
亮点:现在以为负荷数据上做一维卷积,在和一起时间天气因素一起输入到全连接网络做预测 用于能量负荷预测的深度神经网络 本文介绍的工作研究使用卷积神经网络的有效性用于执行能量负荷预测的网络(CNN)个人建筑水平。所提出的方法使用关于历史载荷的卷积。输出来自卷积操作被馈送到完全连接的层与其他相关信息。提出的方法是在电力消耗的基准数据集上实施对于单个住宅客户。从CNN获得的结果与...原创 2018-08-22 15:29:35 · 326 阅读 · 0 评论 -
2、A Smart Adaptive LSTM Technique for Electrical Load Forecasting at Source
汇总:这尼玛也能发SCI,自适应体现在哪?LR、SVR、MLP、LSTM、跑了一遍单负荷值数据 智能自适应LSTM技术用于电力负荷预测的来源有几个障碍例如时间序列的非线性属性或季节性模式已经提出了几种技术来解决这个问题如统计模型,模糊系统,人工神经网络(ANNs)和机器学习。预测电力负荷可以分成三组,短期预测(一小时到几个星期),中期预测(几个星期到一个星期几个月)和长期预测(...原创 2018-08-22 14:29:42 · 256 阅读 · 0 评论 -
1 A RNN Based Time Series Approach for Forecasting Turkish Electricity Load
基于RNN的时间序列方法土耳其电力负荷预测 本文介绍回归神经网络(RNN),长短期记忆(LSTM),基于门控循环单位(GRU)的时间序列预测 -土耳其电力负荷预测的实验。造成%0.71 MAPE成功的我们的实验产生更好的结果比现有的基于ARIMA和人工神经网络的研究土耳其电力负荷预测的网络有%2.6和%1.8的成功率分别。 表I:使用的属性小时每周的一周工作Sma /假日24小...原创 2018-08-22 12:53:37 · 512 阅读 · 1 评论