典型文献
基于特征分解的短期电负荷组合预测模型研究
文献摘要：
针对现有模型对于电力数据特征挖掘的不够全面,导致预测精度较低等问题,提出基于特征分解的短期电负荷组合预测模型.先深入挖掘电负荷变化的影响因素,运用小波分解(Wavelet Decomposition,WD)将单一信号分解为多频信号使特征多样化,经过相关度分析进行特征筛选,在分解中引人"影响因子"捕捉影响因素变化,引入"残差"降低分解造成的误差;根据筛选后子序列和残差序列特点分别使用带循环滑窗的时间卷积网络(Time Convolution Network,TCN)和长短时记忆网络(Long Short Term Memory,LSTM)模型预测,并对预测结果分权求和,最终得到组合预测结果.实验结果表明,上述模型有效提高了预测精度,降低了误差;在不同数据集下均表现出良好的优越性,证明了模型具有泛化能力.
文献关键词：
小波分解;时间卷积网络;长短时记忆网络;组合模型;短期电负荷预测
中图分类号：
作者姓名：
林涛;赵伊;冯嘉冀
作者机构：
河北工业大学人工智能与数据科学学院,天津300000
文献出处：
引用格式：
[1]林涛;赵伊;冯嘉冀-.基于特征分解的短期电负荷组合预测模型研究)[J].计算机仿真,2022(09):91-95,251
A类：
短期电负荷预测
B类：
特征分解,组合预测模型,现有模型,电力数据,数据特征,特征挖掘,负荷变化,小波分解,Wavelet,Decomposition,WD,信号分解,多频信号,相关度,特征筛选,子序列,残差序列,列特,滑窗,时间卷积网络,Time,Convolution,Network,TCN,长短时记忆网络,Long,Short,Term,Memory,分权,泛化能力,组合模型
AB值：
0.396295
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。
