典型文献
基于超参数优化的短期电力负荷预测模型
文献摘要：
准确预测短期电力负荷在精细化电网规划、减少发电成本和提高用电质量等方面具有重要作用.为了大幅度的提高短期电力负荷预测的准确性,采用改进粒子群算法(IPSO)优化长短期记忆网络(LSTM),构建了一种新的电力负荷预测模型(IPSO-LSTM).该模型采用能有效寻找全局最优解的IPSO,解决了 LSTM预测电力负荷时超参数难以选取的问题.考虑到粒子群算法(PSO)中惯性权重和学习因子是固定不变的,这容易导致粒子群在前期掉入局部最优而错过全局最优,模型将惯性权重和学习因子由固定值改为非线性变化,以平衡其全局搜索能力和局部寻优能力.通过实际案例数据进行仿真分析,并与粒子群优化的长短期记忆网络(PSO-LSTM)、LSTM以及反向传播(back propagation,BP)神经网络算法的预测结果进行对比,验证了方法的预测效果更佳.实验表明,所提电力负荷预测模型具有较好的精度和稳定性.
文献关键词：
长短期记忆神经网络;粒子群算法;负荷预测;超参数
中图分类号：
作者姓名：
王晓辉;邓威威;齐旺
作者机构：
北京建筑大学电气与信息工程学院 北京102616;国网锦州供电公司 锦州121001
文献出处：
引用格式：
[1]王晓辉;邓威威;齐旺-.基于超参数优化的短期电力负荷预测模型)[J].国外电子测量技术,2022(06):152-158
A类：
B类：
超参数优化,短期电力负荷预测,负荷预测模型,准确预测,电网规划,发电成本,改进粒子群算法,IPSO,长短期记忆网络,全局最优解,惯性权重,学习因子,掉入,局部最优,错过,固定值,非线性变化,全局搜索,搜索能力,寻优能力,实际案例,粒子群优化,反向传播,back,propagation,神经网络算法,长短期记忆神经网络
AB值：
0.224449
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。
