典型文献
基于CNN-BiLSTM-Attention的超短期电力负荷预测
文献摘要：
超短期电力负荷预测对电力系统的快速响应和实时调度至关重要,准确预测负荷能保障电力系统的安全并提高用电效率.为获得准确可靠的负荷预测结果,针对电网负荷数据非线性和时序性等特征,提出了一种基于CNN-BiLSTM-Attention(AC-BiLSTM)的新型超短期电力负荷预测方法.该方法首先将卷积神经网络(CNN)和双向长短期记忆(BiLSTM)网络相结合充分提取负荷数据本身的时空特征.然后引入注意力(Attention)机制自动为BiLSTM隐藏层状态分配相应的权重,以区分不同时间负荷序列的重要性,能够有效减少历史信息的丢失并突出关键历史时间点的信息.最后通过全连接层输出最终负荷预测结果.以某地区真实负荷数据为例进行了实验分析.通过两种实验场景对比,验证了该方法具有较高的预测精度,可以为电力系统规划和稳定运行提供可靠的依据.
文献关键词：
负荷预测;卷积神经网络;双向长短期记忆网络;注意力机制;电力系统
中图分类号：
作者姓名：
任建吉;位慧慧;邹卓霖;侯庭庭;原永亮;沈记全;王小敏
作者机构：
河南理工大学计算机科学与技术学院,河南 焦作 454000;许继电气直流输电分公司,河南 许昌 461000;河南理工大学机械与动力工程学院,河南 焦作 454000
文献出处：
引用格式：
[1]任建吉;位慧慧;邹卓霖;侯庭庭;原永亮;沈记全;王小敏-.基于CNN-BiLSTM-Attention的超短期电力负荷预测)[J].电力系统保护与控制,2022(08):108-116
A类：
B类：
BiLSTM,Attention,超短期电力负荷预测,快速响应,实时调度,准确预测,预测负荷,电效率,电网负荷,负荷数据,时序性,AC,负荷预测方法,分提,时空特征,层状,负荷序列,历史信息,历史时间,全连接层,某地区,实验场,电力系统规划,双向长短期记忆网络,注意力机制
AB值：
0.219527
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。
