典型文献
基于SSA-LSTM模型的短期电力负荷预测
文献摘要：
电力负荷预测实质是时间序列预测问题,存在非平稳性和影响因素的复杂性.为了提高预测精度,解决长短期记忆神经网络(LSTM)参数选取随机性大、选取困难的问题,本文提出了一种利用麻雀搜索算法(SSA)优化长短期记忆神经网络参数的短期电力负荷预测模型(SSA-LSTM),通过历史用电负荷数据、相关影响因素数据对待预测日进行负荷预测.首先,对历史用电负荷数据、天气、节假日等影响因素进行预处理.其次,将处理好的数据用以训练模型,借助麻雀搜索算法对长短期记忆神经网络的参数进行寻优,使输入数据与网络结构更好地进行匹配.最后,进行负荷预测同时对比其他算法模型进行分析.算例结果表明,本文所提模型能够有效提高预测精度且在进行短期负荷预测中具有有效性.
文献关键词：
麻雀搜索算法(SSA);长短期记忆神经网络(LSTM);组合预测;预测精度
中图分类号：
作者姓名：
赵婧宇;池越;周亚同
作者机构：
河北工业大学电子信息工程学院,天津300401
文献出处：
引用格式：
[1]赵婧宇;池越;周亚同-.基于SSA-LSTM模型的短期电力负荷预测)[J].电工电能新技术,2022(06):71-79
A类：
B类：
SSA,短期电力负荷预测,时间序列预测,非平稳性,长短期记忆神经网络,参数选取,随机性,麻雀搜索算法,网络参数,负荷预测模型,用电负荷数据,相关影响因素,素数,节假日,训练模型,输入数据,同时对比,算法模型,短期负荷预测,组合预测
AB值：
0.174159
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。
