典型文献
基于ARIMA结合ConvLSTM的燃气负荷预测
文献摘要：
燃气负荷预测对于燃气资源的优化调度至关重要.燃气负荷预测除了具有趋势性、周期性等时间特性外,相邻燃气调压站的负荷数据与温湿度数据之间也存在空间特性,导致燃气负荷预测机理建模困难且模型预测精度较低.针对以上问题,提出了一种基于自回归移动平均模型(ARIMA)与卷积长短时神经网络(ConvLSTM)结合的燃气负荷预测模型.首先,选取皮尔逊相关系数对燃气负荷数据进行分析,筛选与燃气负荷相关性强的变量作为模型的输入.其次,采用ARIMA模型去除数据的趋势性使其平稳化,利用ConvLSTM模型提取数据中的时空特征,并对ARIMA—ConvLSTM模型的参数进行寻优.最后,通过燃气负荷数据对模型进行训练和验证.实验结果表明,ARIMA—ConvLSTM模型的预测准确率为98.65％,在均方根误差、平均绝对误差、绝对误差百分比方面均优于ARIMA模型、ConvLSTM模型和CNN—LSTM并行组合模型.
文献关键词：
燃气负荷预测;自回归移动平均模型;卷积长短时神经网络;卷积神经网络;长短时记忆网络
中图分类号：
作者姓名：
海文龙;王亚慧;宋洋;王怀秀
作者机构：
北京建筑大学电气与信息工程学院,北京100044
文献出处：
引用格式：
[1]海文龙;王亚慧;宋洋;王怀秀-.基于ARIMA结合ConvLSTM的燃气负荷预测)[J].微电子学与计算机,2022(01):62-70
A类：
B类：
ARIMA,ConvLSTM,燃气负荷预测,优化调度,趋势性,时间特性,燃气调压,调压站,负荷数据,温湿度数据,空间特性,机理建模,自回归移动平均模型,卷积长短时神经网络,负荷预测模型,皮尔逊相关系数,除数,平稳化,提取数据,时空特征,预测准确率,平均绝对误差,比方,组合模型,长短时记忆网络
AB值：
0.257694
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。
