典型文献
基于改进粒子群优化算法的VMD-GRU短期电力负荷预测
文献摘要：
负荷分解后再预测的方法是负荷预测目前比较有效的组合预测方式.针对传统经验模态分解存在的端点效应和模态混叠的问题,以及负荷分解和重构未考虑负荷特性的情况,本文提出了一种基于改进粒子群优化算法进行参数寻优的变分模态分解(VMD)和门控循环单元(GRU)的预测方法,组合多个预测模型的输出获得总的负荷值.该方法应用较为先进的VMD分解技术获得相对平稳的子序列,通过提出的改进粒子群优化算法进行参数学习,同时使用自归一化的GRU结构解决模型训练过程中梯度消失和爆炸的问题.并将该方法应用于陕西某地区负荷预测,结果表明,所提的改进粒子群优化算法(IP SO)胜过最新的元启发式算法和粒子群优化算法变体,自归一化GRU相较于标准GRU获得了更好的预测结果,比现有基线模型准确度更高.
文献关键词：
粒子群优化算法;变分模态分解;门控循环单元;短期负荷预测
中图分类号：
作者姓名：
段雪滢;李小腾;陈文洁
作者机构：
西安交通大学电气工程学院,陕西 西安710049;国网陕西省电力科学研究院,陕西 西安710000
文献出处：
引用格式：
[1]段雪滢;李小腾;陈文洁-.基于改进粒子群优化算法的VMD-GRU短期电力负荷预测)[J].电工电能新技术,2022(05):8-17
A类：
B类：
改进粒子群优化算法,VMD,GRU,短期电力负荷预测,负荷分解,组合预测,传统经验,经验模态分解,解存,端点效应,模态混叠,负荷特性,参数寻优,变分模态分解,门控循环单元,分解技术,技术获得,子序列,参数学习,模型训练,训练过程,梯度消失,某地区,SO,胜过,元启发式算法,变体,基线模型,短期负荷预测
AB值：
0.25894
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。
