典型文献
基于SAE与CEEMDAN-BiLSTM组合模型的短期电力负荷预测
文献摘要：
单一模型在迭代训练过程中由于模型的自身误差,最终会降低预测精度.为了提高预测的准确性,引入完整集成经验模态分解-双向长短期记忆网络(CEEMDAN-BiLSTM)作为误差修正模型,提出一种栈式自编码器(SAE)与CEEMDAN-BiLSTM相结合的负荷预测模型.通过SAE模型学习气象因素、工作日类型、气温影响下负荷序列的主要特征,预测过程中产生的误差序列则反映了负荷序列的次要特征;使用CEEMDAN算法将误差序列分解为数个分量,针对每一项分量建立BiLSTM模型学习误差序列的时序特征,将各项分量的预测值累加得到误差的预测结果;将两种模型的预测值求和从而达到修正误差的目的.通过比较几种模型的预测结果表明:SAE与CEEMDAN-BiLSTM组合模型应用在短期电力负荷预测具有更好的准确性与稳定性.
文献关键词：
短期电力系统负荷预测;栈式自编码器;CEEMDAN;双向长短期记忆网络
中图分类号：
作者姓名：
黄炜;陈田
作者机构：
上海电机学院机械学院 上海200120
文献出处：
引用格式：
[1]黄炜;陈田-.基于SAE与CEEMDAN-BiLSTM组合模型的短期电力负荷预测)[J].计算机应用与软件,2022(07):52-58
A类：
短期电力系统负荷预测
B类：
SAE,CEEMDAN,BiLSTM,组合模型,短期电力负荷预测,迭代训练,训练过程,终会,整集,集成经验模态分解,双向长短期记忆网络,误差修正模型,栈式自编码器,负荷预测模型,模型学习,习气,气象因素,工作日,气温影响,负荷序列,序列分解,数个,每一项,时序特征,累加,加得,正误,模型应用
AB值：
0.264758
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。
