典型文献
超短期风电功率预测的混合深度学习模型
文献摘要：
针对风电功率预测(WPF)问题,提出一种基于离散小波变换(DWT)、时间卷积网络(TCN)和长短期记忆(LSTM)神经网络的混合深度学习模型(DWT-TCN-LSTM),对超短期风电功率进行预测.将DWT-TCN-LSTM模型分别与差分整合移动平均自回归(ARIMA)模型,支持向量回归(SVR)模型,长短期记忆神经网络模型和卷积长短期记忆(TCN-LSTM)混合模型进行对比实验,通过对称平均绝对百分比误差(SMAPE),均方根误差(RMSE)和平均绝对误差(MAE)3种评价指标值对各个模型进行评价.实验结果表明:DWT-TCN-LSTM模型具有较好的预测性能.
文献关键词：
风力发电;超短期预测;离散小波变换;时间卷积网络;长短期记忆神经网络
中图分类号：
作者姓名：
刘旭丽;莫毓昌;吴哲;严珂
作者机构：
华侨大学计算科学福建省高校重点实验室,福建泉州362021;中国计量大学信息工程学院,浙江杭州310018
文献出处：
引用格式：
[1]刘旭丽;莫毓昌;吴哲;严珂-.超短期风电功率预测的混合深度学习模型)[J].华侨大学学报（自然科学版）,2022(05):668-676
A类：
B类：
超短期风电功率预测,混合深度学习模型,WPF,离散小波变换,DWT,时间卷积网络,TCN,移动平均自回归,ARIMA,支持向量回归,SVR,长短期记忆神经网络模型,混合模型,平均绝对百分比误差,SMAPE,RMSE,平均绝对误差,MAE,指标值,预测性能,风力发电,超短期预测
AB值：
0.209014
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
