典型文献
基于改进深度森林的短期电力负荷预测模型
文献摘要：
深度学习模型通过学习数据的深层特征能够有效提高电力负荷预测的准确率,但同时也带来了超参数较多、模型可解释性差等问题.针对这些问题,文中将深度森林模型引入短期电力负荷预测领域.在多粒度级联森林模型的基础上改进了多粒度窗口扫描方法,调整窗口大小与滑动步长,使模型能够在不同时间尺度下提取电力负荷数据的周期性特征.此外,改进深度森林输出层的计算方法,将输出结果由离散的类向量改进为连续的预测值,进而提高模型的精确度.最后在中国东北电网的实测数据中验证了文中所提出方法的可行性与有效性.从实验结果可知,改进深度森林算法在较高预测精度的情况下能取得更高的准确率,并且相较于深度神经网络具有更快的学习速度.
文献关键词：
电力负荷预测;深度森林;预测方法;智能电网
中图分类号：
作者姓名：
彭飞;马煜;张晓华;吴奕;邓文琛;陈志奎
作者机构：
国家电网公司东北分部,沈阳 110180;国网辽宁沈阳供电公司,沈阳 110811;中国科学院 沈阳计算技术研究所有限公司,沈阳 110168;大连理工大学 软件学院,辽宁 大连 116024
文献出处：
引用格式：
[1]彭飞;马煜;张晓华;吴奕;邓文琛;陈志奎-.基于改进深度森林的短期电力负荷预测模型)[J].重庆大学学报,2022(05):1-8
A类：
B类：
进深,短期电力负荷预测,负荷预测模型,深度学习模型,学习数据,深层特征,超参数,模型可解释性,深度森林模型,多粒度,级联森林,粒度窗口,扫描方法,步长,不同时间尺度,负荷数据,出层,输出结果,中国东北,北电,深度森林算法,能取,深度神经网络,学习速度,智能电网
AB值：
0.308847
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。
