典型文献
基于深度数据感知的工业园区短期负荷预测
文献摘要：
结合自动编码器的特征提取能力与长短期记忆(LSTM)良好的时序预测优势,提出一种基于LSTM自编码的短期负荷预测模型.首先,基于深度模型学习能力优势,构建自动编码器的工业园区负荷数据特征提取模型.其次,给出基于格布拉斯准则的异常值判断方法和拉格朗日样条插值的缺失值补全法.最后,利用Tensorflow架构调用Keras库搭建实验平台,对轻工业负荷、重工业负荷和光伏发电工业用户负荷分别展开预测实验,实验结果验证LSTM自编码模型预测短期工业负荷的有效性.
文献关键词：
负荷预测;工业负荷;深度学习;长短期记忆;自动编码器
中图分类号：
作者姓名：
胡博;李桐;王义贺;崔嘉;杨俊友;许军金
作者机构：
国网辽宁省电力有限公司,辽宁 沈阳 110015;国网辽宁省电力有限公司电力科学研究院,辽宁 沈阳 110006;沈阳工业大学电气工程学院,辽宁 沈阳 110870
文献出处：
引用格式：
[1]胡博;李桐;王义贺;崔嘉;杨俊友;许军金-.基于深度数据感知的工业园区短期负荷预测)[J].电气传动,2022(06):53-58
A类：
B类：
深度数据,数据感知,工业园区,短期负荷预测,自动编码器,特征提取能力,长短期记忆,时序预测,负荷预测模型,深度模型,模型学习,负荷数据,数据特征,提取模型,布拉斯,异常值,判断方法,拉格朗日,样条插值,缺失值,补全,Tensorflow,调用,Keras,实验平台,轻工业,工业负荷,重工业,光伏发电,工业用户,用户负荷,自编码模型
AB值：
0.372668
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。
