典型文献
基于深度学习的热负荷预测研究
文献摘要：
针对目前热负荷预测存在数据复杂程度高、预测精度低的缺陷,提出了一种混合式短期热负荷预测模型.首先,考虑到原始数据的属性具有不同的比例和分布,提出了一种局部重缩放策略.其次,提出了双层长短期记忆(LSTM)基础模型,并基于修正损失函数提高模型预测精度,从而有效学习历史天气预报和热负荷数据特征.在试验阶段,以某省电力公司提供的历史热负荷数据为例,对所提模型进行验证.验证结果表明,模型的测试集平均绝对百分比误差(MAPE)为3.08％,性能较基础网络提升约1.72％.仿真结果进一步验证了所提模型对热负荷预测具有较高的准确性.该模型为电力热负荷智能化服务发展提供了借鉴.
文献关键词：
热负荷;深度学习;长短期记忆;损失函数;预处理;局部重缩放
中图分类号：
作者姓名：
孙玉芝;杜向宁
作者机构：
山东公用热电集团有限公司,山东 济宁 272100
文献出处：
引用格式：
[1]孙玉芝;杜向宁-.基于深度学习的热负荷预测研究)[J].自动化仪表,2022(12):92-96
A类：
局部重缩放
B类：
热负荷预测,预测研究,复杂程度,负荷预测模型,原始数据,长短期记忆,基础模型,损失函数,有效学习,天气预报,负荷数据,数据特征,某省,省电,电力公司,测试集,平均绝对百分比误差,MAPE,智能化服务
AB值：
0.270093
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。
