典型文献
基于多模型综合特征选择和LSTM-Attention的短期负荷预测
文献摘要：
为提高电力系统短期负荷预测精度和预测效率,提出一种基于多模型综合特征选择和长短期记忆单元(long short time memory,LSTM)-Attention的短期负荷预测方法.首先,利用随机森林算法、自适应集成(adaptive boosting,AdaBoost)算法及梯度提升树(gradient boosting decision tree,GBDT)算法对原始数据进行初步拟合预测,提取3种算法拟合后的结果来获取特征量与负荷大小的相关系数,从而建立综合相关系数.接着,根据综合相关系数的大小,剔除相关系数较小的特征量,将剩余的特征量与历史负荷大小数据结合构成新的数据集.最后,将新的数据集作为LSTM-Attention预测模型的输入,从而得到待预测日的负荷预测曲线.通过分析所提出的预测方法在某地区负荷数据集的预测结果可知,该方法优于其他预测方法.
文献关键词：
短期负荷预测;多模型;特征选择;相关系数;LSTM-Attention
中图分类号：
作者姓名：
彭泽森;刘庆珍;张溢
作者机构：
福州大学电气工程与自动化学院,福建省福州市 350108
文献出处：
引用格式：
[1]彭泽森;刘庆珍;张溢-.基于多模型综合特征选择和LSTM-Attention的短期负荷预测)[J].分布式能源,2022(06):11-20
A类：
B类：
多模型,型综合,特征选择,Attention,短期负荷预测,电力系统,长短期记忆单元,long,short,memory,负荷预测方法,随机森林算法,自适应集成,adaptive,boosting,AdaBoost,梯度提升树,gradient,decision,tree,GBDT,原始数据,特征量,综合相关系数,小数据,数据结,某地区,负荷数据
AB值：
0.329605
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。
