典型文献
疫情影响下提升电力负荷组合预测算法的准确性研究
文献摘要：
在新冠肺炎疫情影响下,电力系统的最大负荷下降、居民用电负荷增加、工商业负荷下降.传统的负荷预测算法尚不能很好适应当下电力负荷的波动性,也不能对电网调度进行有效指导.提出了一种基于双向长短期记忆(Bi-directional long short-term memory,Bi-LSTM)神经网络、粒子群优化算法(particle swarm optimization,PSO)和反向传播(back propagation,BP)神经网络算法的组合型预测模型.充分利用PSO-BP算法精确度高以及Bi-LSTM算法在处理时序序列数据的优势,并根据不同算法的预测结果,动态调整算法间的权值,使其准确性和动态性能都得到明显的改善.为了进一步考虑新冠肺炎疫情对整体社会经济发展产生较大的影响,同时考虑电力负荷需求所面临的负面影响,通过对历史数据的分析,在最终的预测结果加入惩罚项,使得预测结果能够更加准确地反应新形势下的负荷情况,为电力负荷的准确预测提供了一个新思路.
文献关键词：
动态调节;新冠肺炎疫情;组合模型;负荷预测;电力负荷
中图分类号：
作者姓名：
吕飞春;张文涛;胡惊涛;胡东;武旭;王毅斌
作者机构：
国网江西省电力有限公司余干县供电分公司,江西上饶 335100;兰州交通大学自动化与电气工程学院,甘肃兰州 730070
文献出处：
引用格式：
[1]吕飞春;张文涛;胡惊涛;胡东;武旭;王毅斌-.疫情影响下提升电力负荷组合预测算法的准确性研究)[J].供用电,2022(12):51-58
A类：
B类：
电力负荷,组合预测,预测算法,新冠肺炎疫情影响,电力系统,最大负荷,居民用电负荷,工商业,负荷预测,波动性,电网调度,有效指导,双向长短期记忆,Bi,directional,long,short,term,memory,粒子群优化算法,particle,swarm,optimization,PSO,反向传播,back,propagation,神经网络算法,组合型,精确度高,时序序列,序列数据,权值,动态性能,负荷需求,历史数据,准确预测,动态调节,组合模型
AB值：
0.396784
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。
