典型文献
基于二次混合模态分解和LSTM-MFO算法的短期负荷预测
文献摘要：
高精度短期负荷预测是配电网运行态势感知的基础.为了充分挖掘电力负荷中的复杂不确定信息,提出了一种融合二次混合模态分解和基于飞蛾扑火优化(MFO)算法的长短时记忆神经网络(LSTM)的短期负荷预测方法.首先,将集成经验模态分解(EEMD)和变分模态分解(VMD)相结合,提取负荷中相对稳定的子序列及趋势序列,以降低高频序列中无序不确定性对预测精度的影响;然后,引入基于MFO参数寻优的LSTM预测模型,进而利用LSTM-MFO算法实现对含各子序列短期负荷变化趋势的精确预测.最后,采用某实际配电网节点负荷序列,验证了所提方法的泛化能力和预测精度.
文献关键词：
短期负荷预测;长短时记忆神经网络;飞蛾扑火优化算法;混合模态分解;不确定性
中图分类号：
作者姓名：
黄晨宏;李昆鹏;郑真;马小丽;颜华敏;田书欣
作者机构：
国网上海市电力公司 青浦供电公司,上海 201700;上海电力大学电气工程学院,上海 200090
文献出处：
引用格式：
[1]黄晨宏;李昆鹏;郑真;马小丽;颜华敏;田书欣-.基于二次混合模态分解和LSTM-MFO算法的短期负荷预测)[J].电器与能效管理技术,2022(09):66-73
A类：
混合模态分解
B类：
MFO,短期负荷预测,配电网运行,运行态势感知,电力负荷,不确定信息,长短时记忆神经网络,负荷预测方法,集成经验模态分解,EEMD,变分模态分解,VMD,子序列,高频序列,参数寻优,算法实现,负荷变化,精确预测,负荷序列,泛化能力,飞蛾扑火优化算法
AB值：
0.220215
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。
