典型文献
基于随机森林与长短期记忆网络的电力负荷预测方法
文献摘要：
电力负荷具有非线性和时序性的特点,为了深入研究各特征变量对于电力负荷预测的重要性,进而获得更高的电力负荷预测精度,提出了基于随机森林(random forest,RF)算法及长短期记忆网络(long short-term memory,LSTM)的混合负荷预测模型.首先根据时间日期因素及气候因素建立高维特征数据集作为随机森林模型的输入,通过随机森林算法筛选出重要特征量,并使其与历史负荷结合作为LSTM模型的输入,经过粒子群算法对LSTM模型进行参数寻优后得到RF-LSTM混合模型及负荷预测结果.使用该方法对河北电网某台区的电力负荷进行预测,结果表明该混合模型的预测精度比未经特征变量筛选的传统单一的随机森林算法、LSTM模型以及BP神经网络更为理想.
文献关键词：
随机森林;长短期记忆网络;电力负荷预测;混合模型
中图分类号：
作者姓名：
董彦军;王晓甜;马红明;王立斌;李梦宇;岳凡丁;袁欢
作者机构：
国网河北省电力有限公司,河北省 石家庄市 050081;国网河北省电力有限公司营销服务中心,河北省 石家庄市 050081;西安交通大学电气工程学院,陕西省 西安市 710049
文献出处：
引用格式：
[1]董彦军;王晓甜;马红明;王立斌;李梦宇;岳凡丁;袁欢-.基于随机森林与长短期记忆网络的电力负荷预测方法)[J].全球能源互联网,2022(02):147-156
A类：
B类：
长短期记忆网络,电力负荷预测,负荷预测方法,时序性,特征变量,random,forest,RF,long,short,term,memory,负荷预测模型,气候因素,高维特征,特征数据集,随机森林模型,随机森林算法,特征量,粒子群算法,参数寻优,混合模型,北电,台区,变量筛选,更为理想
AB值：
0.26999
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。
