典型文献
基于融合注意力机制改进双向长短时记忆网络在电动汽车充电负荷中的预测研究
文献摘要：
电动汽车的规模化发展以及充电设施的持续建设将给电网带来重要影响,严重威胁到了电力系统频率稳定性.结合电动汽车充电负荷数据特点,在深度学习方法的基础上提出基于融合注意力机制(attention mechanism,AM)改进的双向长短时记忆网络模型(long short-term memory network,LSTM),实现对电动汽车的优化调度.通过使用实测电动汽车充电负荷数据,比较了所提方法与已有方法的性能.结果表明,在LSTM和(bidirectional long short-term memory network,BiLSTM)分别添加了注意力机制的(long short-term memory attention network,LSTMA)和(bidirectional long short-term memory attention network,BiLSTMA)模型相对于已有方法,在预测结果评价指标上都有明显的提升,证明了注意力机制在电动汽车充电负荷序列预测上的有效性.
文献关键词：
充电负荷;回归预测;递归神经网络;双向长短期记忆网络;注意力机制
中图分类号：
作者姓名：
王华彪;李小勇
作者机构：
重庆电力高等专科学校,重庆 400050;华南师范大学环境学院,广东广州 510000
文献出处：
引用格式：
[1]王华彪;李小勇-.基于融合注意力机制改进双向长短时记忆网络在电动汽车充电负荷中的预测研究)[J].电网与清洁能源,2022(06):104-112
A类：
LSTMA,BiLSTMA
B类：
注意力机制,机制改进,双向长短时记忆网络,电动汽车充电负荷,预测研究,规模化发展,充电设施,持续建设,电力系统频率,频率稳定性,负荷数据,深度学习方法,attention,mechanism,AM,长短时记忆网络模型,long,short,term,memory,network,优化调度,bidirectional,结果评价,负荷序列,序列预测,回归预测,递归神经网络,双向长短期记忆网络
AB值：
0.234861
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。
