典型文献
基于多负荷特征和TCN-GRU神经网络的负荷预测
文献摘要：
传统负荷预测未深入考虑负荷序列对模型预测精度的影响.为提高预测精度,提出了多负荷特征组合(multi-load feature combination,MLFC),并结合时间卷积网络(temporal convolution network,TCN)和门控循环单元(gated recurrent unit,GRU)构建了负荷预测框架.首先,引入负荷变化率特征和基于集合经验模态分解的负荷分量特征,并与负荷、日期特征构成MLFC;其次,选取TCN和GRU进行特征提取和预测,基于MLFC搭建MLFC-TCN-GRU预测框架;最后,采用不同模型验证所提方法.结果表明:MLFC有助于预测精度提升,且适用于不同模型.同时,MLFC-TCN-GRU相较于其他模型有着较高预测精度.
文献关键词：
负荷预测;集合经验模态分解;时间卷积网络;门控循环单元
中图分类号：
作者姓名：
郑豪丰;杨国华;康文军;刘志远;刘世涛;伍弘;张鸿皓
作者机构：
宁夏大学 物理与电子电气工程学院,宁夏 银川 750021;国网宁夏电力公司电力科学研究院,宁夏 银川 750001
文献出处：
引用格式：
[1]郑豪丰;杨国华;康文军;刘志远;刘世涛;伍弘;张鸿皓-.基于多负荷特征和TCN-GRU神经网络的负荷预测)[J].中国电力,2022(11):142-148
A类：
MLFC
B类：
负荷特征,TCN,GRU,负荷预测,未深,负荷序列,特征组合,multi,load,feature,combination,时间卷积网络,temporal,convolution,network,门控循环单元,gated,recurrent,unit,负荷变化,集合经验模态分解,模型验证,精度提升
AB值：
0.288984
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。
