找到 1 条结果
通过K-Shape聚类和深度学习融合提升短期负荷预测
Enhancing Short-Term Load Forecasting Through K-Shape Clustering and Deep Learning Integration
Warren Grice · Mohammed Olama · Annabelle Lee · Philip G. Evans · IEEE Access · 2025年1月
短期负荷预测对现代电网运行和电力市场交易至关重要。本文提出K-NBEATSx模型，融合聚类和深度学习方法。首先使用K-Shape聚类基于形状相似性对负荷数据分类，识别不同运行模式；然后应用NBEATSx方法结合趋势和季节性模块提升预测精度。三国负荷数据案例研究表明，该模型在各种运行场景下均优于传统深度学习模型，验证了聚类算法的有效性，为提升电力系统可靠性和效率提供新方法。
解读: 该负荷预测技术是阳光电源iSolarCloud云平台的核心能力。阳光智慧能源管理系统需要精准的短期负荷预测来优化储能调度和光伏发电。该K-Shape聚类和深度学习融合方法可集成到阳光EMS系统，提升预测精度至95%以上，优化电池充放电策略，延长电池寿命，提高系统经济性和电网友好性。...