典型文献
基于EMD-LSTM模型的台区负荷短期预测方法
文献摘要：
深度学习算法是目前台区负荷预测的主要方法.为解决深度学习方法在逻辑拟合、特征冗余方面的问题,提出一种基于经验模态分解和长短记忆神经网络算法的短期台区负荷预测模型.利用经验模态分解将台区负荷分解为多个本征模函数,使用相关性分析法从特征集合中选择各本征模函数的特征子集,用长短记忆神经网络对这些本征模函数分别进行预测.最后采用某地市台区历史数据对提出的预测方法进行了验证,结果表明,提出的方法较目前主流的深度学习算法具有更高的预测精确度和较低的训练时间.
文献关键词：
短期负荷预测;经验模态分解;长短记忆神经网络;相关性分析
中图分类号：
作者姓名：
王荣茂;谢宁;于海洋;禹加;蒋蕾;杨宏宇
作者机构：
国网辽宁省电力有限公司,沈阳110006;上海交通大学电子信息与电气工程学院,上海200240;上海博英信息科技有限公司,上海200241
文献出处：
引用格式：
[1]王荣茂;谢宁;于海洋;禹加;蒋蕾;杨宏宇-.基于EMD-LSTM模型的台区负荷短期预测方法)[J].实验室研究与探索,2022(01):62-66,79
A类：
B类：
EMD,台区,短期预测,深度学习算法,前台,主要方法,深度学习方法,余方,基于经验,经验模态分解,长短记忆神经网络,神经网络算法,负荷预测模型,负荷分解,本征模函数,相关性分析法,特征集合,特征子集,历史数据,预测精确度,训练时间,短期负荷预测
AB值：
0.299933
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。
