典型文献
基于CNN_BiLSTM的长短期电力负荷预测方法
文献摘要：
当前电力系统负荷预测中负荷数据受到多种因素影响且多步长预测时精度不高,因此电力负荷预测呈现出非线性、多因素、非平稳态等问题.提出一种基于CNN_BiLSTM混合深度学习网络的长短期电力负荷在线预测方法.首先根据卷积神经网络和双向长短期记忆网络的特点,建立了CNN_BiLSTM负荷预测模型,并将历史负荷与影响因素耦合形成一个新的时间序列作为网络输入;其次,由于机器学习模型依赖于样本的完备性,影响因素的存在会使原有模型与现有数据失配,建立了在线模型;最后,在实际电力负荷预测中,单步长预测并不能满足工业现场的需要,建立了在线多步长预测模型.通过算例分析,并与SVR等方法进行对比,实验结果表明,所提方法能有效地应用于实际的电力系统负荷预测.
文献关键词：
深度学习;负荷预测;卷积神经网络-双向长短期记忆网络模型;在线预测;多步长预测
中图分类号：
作者姓名：
王欢;李鹏;曹敏;孙煜皓
作者机构：
云南大学信息学院,云南 昆明650500;云南电网有限责任公司电力科学研究院,云南 昆明650217;中科智能(深圳)科技有限公司,广东 深圳518000
文献出处：
引用格式：
[1]王欢;李鹏;曹敏;孙煜皓-.基于CNN_BiLSTM的长短期电力负荷预测方法)[J].计算机仿真,2022(03):96-103
A类：
B类：
BiLSTM,短期电力负荷预测,负荷预测方法,电力系统,系统负荷,中负荷,负荷数据,多步长预测,非平稳,混合深度学习,深度学习网络,在线预测,双向长短期记忆网络,负荷预测模型,因素耦合,列作,机器学习模型,完备性,失配,在线模型,单步,工业现场,算例分析,SVR,长短期记忆网络模型
AB值：
0.245018
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。
