典型文献
基于完整自适应噪声集成经验模态分解的LSTM-Attention网络短期电力负荷预测方法
文献摘要：
短期电力负荷预测在电网安全运行和制定合理调度计划方面发挥着重要作用.为了提高电力负荷时间序列预测的准确度,提出了一种由完整自适应噪声集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和基于注意力机制的长短期记忆神经网络(long short-term memory network based on attention mechanism,LSTM-Attention)相结合的短期电力负荷预测模型.完整自适应噪声集成经验模态分解有效地将负荷时间序列分解成多个层次规律平稳的本征模态分量,并通过神经网络模型预测极大值,结合镜像延拓方法抑制边界效应,提高分解精度,同时基于注意力机制的长短期记忆神经网络自适应地提取电力负荷数据输入特征并分配权重进行预测,最后各预测模态分量叠加重构后获得最终预测结果.通过不同实际电力负荷季节数据分别进行实验,并与其他电力负荷预测模型结果分析进行比较,验证了该预测方法在电力负荷预测精度方面具有更好的性能.
文献关键词：
负荷预测;长短期记忆神经(LSTM)网络;注意力机制;经验模态分解(EMD);边界效应
中图分类号：
作者姓名：
刘文杰;刘禾;王英男;杨国田;李新利
作者机构：
华北电力大学控制与计算机工程学院,北京市102206
文献出处：
引用格式：
[1]刘文杰;刘禾;王英男;杨国田;李新利-.基于完整自适应噪声集成经验模态分解的LSTM-Attention网络短期电力负荷预测方法)[J].电力建设,2022(02):98-108
A类：
B类：
自适应噪声,集成经验模态分解,Attention,短期电力负荷预测,负荷预测方法,电网安全,调度计划,时间序列预测,complete,ensemble,empirical,mode,decomposition,adaptive,noise,CEEMDAN,注意力机制,长短期记忆神经网络,long,short,term,memory,network,attention,mechanism,负荷预测模型,时间序列分解,分解成,本征模态分量,极大值,镜像延拓,边界效应,网络自适应,负荷数据,输入特征,分配权重,节数
AB值：
0.247644
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。
