某地区某地区17-19年电力负荷数据（95节点）

CIT_LSTM_TimeSeries 用于电力负荷预测的LSTM模型最佳深度学习使用特征选择和遗传算法进行电力负荷预测的LSTM模型：与机器学习方法的比较Salah Bouktif，Ali Fiaz，Ali Ouni和M. Adel Serhani

论文研究-基于改进粒子群-模糊神经网络的短期电力负荷预测.pdf,  为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络, 实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测. 仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力, 提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.

电表电压电流数据（某用户2年的电流表记录）

为提高电力负荷预测的准确性,提出蝙蝠算法优化极限学习的电力负荷预测模型.首先收集电力负荷历史数据,然后采用蝙蝠算法对延迟时间和嵌入维以及极限学习的隐含层结点数目进行优化,利用电力负荷历史数据进行重构,最后采用最优隐含层结点数目的极限学习机建立电力负荷预测模型,并采用具体数据仿真测试.实验结果表明:模型建立了整体性能优异的电力负荷预测模型,提高了电力负荷的预测精度.

基于机器学习的短期电力负荷预测方法研究

基于TensorFlow深度学习框架和聚类回归模型的大用户短期电力负荷预测

此应用程序使用消费者负载模型生成房屋的综合电力负载配置文件。 用户可以更改选择的模型参数值并为不同的时间分辨率和周期生成数据。 该应用程序使用在此处发布的消费者负载模型： https : //doi.org/10.1016/j.apenergy.2014.06.048 可以在此处找到强调应用程序的使用、假设和限制的出版物： https : //ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8378371

用Matlab的ANN工具箱实现电力负荷的预测

完整代码，可直接运行