典型文献
基于特征降维和组合模型的短期电力负荷预测
文献摘要：
准确的负荷预测是电力系统安全稳定运行的重要保障,为了进一步提高电力负荷的短期预测精度,依托信号处理和深度学习技术,针对电力负荷数据的特征降维方法以及组合模型的构建进行深入研究.首先利用随机森林的平均不纯度减少法(MDI)实现多维负荷数据的特征降维,实验结果证明上述方法能有效筛选出影响负荷的主要因素,提高模型学习效率.在此基础上,提出融合多种算法优点的CEEMDAN-ARIMA-LSTM组合模型,通过设置上述组合模型与单一LSTM模型以及AutoEncode-VMD-BP的对比实验,有力论证了所提模型在负荷预测方面具有更高的精确度和适用性.
文献关键词：
信号处理;深度学习;长短时记忆网络;特征降维;组合模型
中图分类号：
作者姓名：
徐先峰;赵依;龚美;陈雨露
作者机构：
长安大学电子与控制工程学院,陕西 西安710064
文献出处：
引用格式：
[1]徐先峰;赵依;龚美;陈雨露-.基于特征降维和组合模型的短期电力负荷预测)[J].计算机仿真,2022(04):66-70,230
A类：
AutoEncode
B类：
特征降维,组合模型,短期电力负荷预测,电力系统安全,安全稳定运行,短期预测,信号处理,深度学习技术,负荷数据,降维方法,平均不纯度减少,MDI,模型学习,学习效率,CEEMDAN,ARIMA,VMD,有力论证,长短时记忆网络
AB值：
0.286884
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。
