典型文献
基于VMD-CNN-BIGRU的电力系统短期负荷预测
文献摘要：
为提高负荷预测精度,考虑了历史负荷本身内在规律及外部影响因素,提出一种基于变分模态分解(variational modal decomposition,VMD)-卷积神经网络(convolutional neural networks,CNN)-双向门控循环单元(bi-directional gated recurrent unit,BIGRU)混合网络的短期负荷预测方法,改善了训练时长和预测效果.通过仿真分析验证了所提方法的有效性,且该方法与其他模型相比有更高的负荷预测精度和更强的鲁棒性,能够提高电力系统短期负荷预测的精确度.
文献关键词：
短期负荷预测;变分模态分解;卷积神经网络;双向门控循环单元
中图分类号：
作者姓名：
杨胡萍;余阳;汪超;李向军;胡奕涛;饶楚楚
作者机构：
南昌大学 信息工程学院,江西 南昌 330031;广东电网有限责任公司肇庆供电局,广东 肇庆 526040;南昌大学 软件学院,江西 南昌 330031
文献出处：
引用格式：
[1]杨胡萍;余阳;汪超;李向军;胡奕涛;饶楚楚-.基于VMD-CNN-BIGRU的电力系统短期负荷预测)[J].中国电力,2022(10):71-76
A类：
B类：
VMD,BIGRU,电力系统,短期负荷预测,高负荷,内在规律,外部影响因素,变分模态分解,variational,modal,decomposition,convolutional,neural,networks,双向门控循环单元,bi,directional,gated,recurrent,unit,混合网络,负荷预测方法,分析验证
AB值：
0.320363
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。
