典型文献
基于多层双向递归神经网络的短期电力负荷预测
文献摘要：
短期电力负荷预测是电网规划和决策的基础,针对短期电力负荷预测准确度不足的问题,提出了一种基于长短期记忆(LSTM)和门控循环单元(GRU)的多层双向递归神经网络模型.首先,GRU通过将LSTM中的输入门和遗忘门组合形成更新门,并将存储单元的状态与输出向量相结合,得到多层双向递归模型.其次,使用LSTM作为复杂的非线性单元构建双向递归神经网络(RNN)模型,提升LSTM的预测效果和深度学习能力.最后,采用EUNITE竞赛数据对模型进行训练测试,并以真实数据集进行有效性验证.实验结果表明,将LSTM和GRU应用于网络时,双向RNN模型能够有效提高短期负荷预测的准确性,并减少预测过程中预测值的波动.
文献关键词：
短期电力;负荷预测;双向递归神经网络;长短期记忆;门控循环单元
中图分类号：
作者姓名：
许道林;谢兵;伍毅;刘兴栋;谢颜斌
作者机构：
国网重庆市电力公司,重庆 400000;国网重庆市区供电公司,重庆 400015
文献出处：
引用格式：
[1]许道林;谢兵;伍毅;刘兴栋;谢颜斌-.基于多层双向递归神经网络的短期电力负荷预测)[J].电力电容器与无功补偿,2022(02):96-104
A类：
EUNITE
B类：
双向递归神经网络,短期电力负荷预测,电网规划,预测准确度,长短期记忆,门控循环单元,GRU,入门,遗忘,存储单元,递归模型,单元构建,RNN,深度学习能力,真实数据,有效性验证,短期负荷预测
AB值：
0.202098
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。
