典型文献
基于EMD-CNN-LSTM混合模型的短期电力负荷预测
文献摘要：
为了更有效地提取电力负荷数据中的潜藏特征与隐藏信息,提高电力负荷预测精度,针对负荷具有较强非线性、非平稳性和时序性特点,提出一种基于经验模态分解(empirical mode decomposition,EMD)、卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long-term and short-term memory network,LSTM)的混合模型短期电力负荷预测方法,将海量过往负荷数据、温度和历史电价信息以滑动窗口方式构造串联特征向量作为输入,先利用EMD将数据重构成多个分量,将高、中和低频分量各自叠加组合,再运用CNN提取高、中分量的潜藏特征,减少权值数量,并以特征向量的方式输入LSTM网络进行负荷预测,最后叠加各分量预测结果得到最终负荷预测值.实验结果表明,相对于BP神经网络(Back Propagation Neural Network)、支持向量机(support vector machine,SVM)、LSTM模型和EMD-LSTM模型,此模型具有更高的负荷预测精度.
文献关键词：
短期负荷预测;经验模态分解;卷积神经网络;长短期记忆网络;经验模态分解-卷积网络-长短期记忆网络混合模型
中图分类号：
作者姓名：
徐岩;向益锋;马天祥
作者机构：
华北电力大学电气与电子工程学院,河北保定071003;新能源电力系统国家重点实验室(华北电力大学),河北保定071003;国网河北省电力有限公司电力科学研究院,河北石家庄050021
文献出处：
引用格式：
[1]徐岩;向益锋;马天祥-.基于EMD-CNN-LSTM混合模型的短期电力负荷预测)[J].华北电力大学学报（自然科学版）,2022(02):81-89
A类：
B类：
EMD,混合模型,短期电力负荷预测,负荷数据,潜藏,隐藏信息,强非线性,非平稳性,时序性,基于经验,经验模态分解,empirical,mode,decomposition,convolutional,neural,network,长短期记忆网络,long,term,short,memory,负荷预测方法,过往,电价,滑动窗口,特征向量,数据重构,低频分量,加组,权值,Back,Propagation,Neural,Network,support,vector,machine,短期负荷预测,卷积网络
AB值：
0.290579
相似文献
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。
