典型文献
基于优化的VMD-mRMR-LSTM模型的短期负荷预测
文献摘要：
随着智能电网技术的发展和电力市场的推进,用电模式的复杂性逐渐凸显,对短期负荷预测的精度和稳定性提出了更高的要求.针对传统负荷预测方法缺少对时序数据相关性、特征值的全面考虑等问题,提出一种基于优化的变分模态分解、最小冗余最大相关性与长短期记忆神经网络的组合预测模型.首先,将波动性高的负荷序列分解为一组相对平稳的模态分量,其中利用麻雀智能算法优化VMD的关键参量.其次,利用mRMR方法分析各模态分量与预测模型输入特征元素间的相关性,获取各预测模型的最优输入特征集,并在分析负荷影响因子中考虑实时电价.最后,采用不同结构参数的LSTM方法对各分量分别预测,将预测结果叠加得到最终的预测值.以澳大利亚的实际运行数据做算例分析,与常规负荷预测方法进行对比,验证了该方法的有效性.
文献关键词：
负荷预测;变分模态分解;最小冗余最大相关性;长短期记忆神经网络;实时电价
中图分类号：
作者姓名：
胡威;张新燕;李振恩;李青;王衡
作者机构：
新疆大学,新疆乌鲁木齐 830047;新疆理工学院,新疆阿克苏 843000
文献出处：
引用格式：
[1]胡威;张新燕;李振恩;李青;王衡-.基于优化的VMD-mRMR-LSTM模型的短期负荷预测)[J].电力系统保护与控制,2022(01):88-97
A类：
B类：
VMD,mRMR,短期负荷预测,智能电网技术,电力市场,用电模式,负荷预测方法,时序数据,数据相关性,变分模态分解,最小冗余最大相关性,长短期记忆神经网络,组合预测模型,波动性,负荷序列,序列分解,模态分量,麻雀,智能算法,算法优化,参量,模型输入,输入特征,特征元素,征集,中考,实时电价,加得,实际运行,运行数据,算例分析,常规负荷
AB值：
0.318603
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。
