典型文献
基于TLBGA?GRU神经网络的短期负荷预测
文献摘要：
短期负荷预测在电网调度安排和电力市场交易中发挥着重要作用,预测精度高,有利于提高发电设备的利用率和经济调度的有效性.为充分挖掘负荷数据中时序性特征的联系,解决神经网络中由超参数的随机选取导致的预测精度下降问题,提出一种基于教与学的遗传算法(TLBGA)和门控循环单元(GRU)神经网络的短期负荷预测方法.利用灰色关联分析法对原始数据进行相关度分析,剔除冗余特征,使输入与输出保持较好的映射关系,在遗传算法中加入一种基于教与学优化的新型变异算子,用于防止其出现早熟收敛问题,从而提高解的质量.在此基础上,运用改进后的TLBGA算法对GRU神经网络模型进行超参数寻优,更新GRU的模型超参数并使其性能达到最佳状态,以提高负荷预测的精度.对欧洲某地区的电力负荷数据集和美国PJM电力市场公开负荷数据集进行预测,结果表明,该方法的预测精度分别达到了97.1％和97.2％,相比反向传播神经网络、循环神经网络及GRU神经网络模型,具有更高的预测精度.
文献关键词：
负荷预测;变异算子;遗传算法;门控循环神经网络;超参数寻优
中图分类号：
作者姓名：
吴铁洲;邹智;姜奔;张晓星
作者机构：
湖北工业大学 电气与电子工程学院,武汉430063;湖北工业大学 太阳能高效利用及储能运行控制湖北省重点实验室,武汉430063
文献出处：
引用格式：
[1]吴铁洲;邹智;姜奔;张晓星-.基于TLBGA?GRU神经网络的短期负荷预测)[J].计算机工程,2022(11):69-76
A类：
TLBGA
B类：
GRU,短期负荷预测,电网调度,电力市场交易,发电设备,经济调度,负荷数据,中时,时序性特征,门控循环单元,负荷预测方法,灰色关联分析法,原始数据,相关度,冗余特征,输入与输出,映射关系,教与学优化,变异算子,早熟,超参数寻优,达到最佳,高负荷,某地区,电力负荷,PJM,反向传播神经网络,门控循环神经网络
AB值：
0.27027
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。
