典型文献
基于改进长短期记忆网络的短期负荷预测
文献摘要：
针对电力系统负荷受天气、季节、工作日、周末和节假日等多种不确定外部因素影响的问题,在考虑这些外部因素的情况下,建立一个高精度的时负荷预测模型.首先,利用卷积神经网络(convolutional neural network,CNN)将负载负荷数据作为输入,构建由一维卷积层、池化层和全连接层组成的卷积神经网络提取反应负荷的高维特征;其次,利用负载序列的自相关系数来确定卷积层的核大小,卷积层通过应用二维卷积核将一维特征转换为多维特征,将二维CNN提取的多维特征作为输入,输入到双向门控循环单元(gated recurrent unit,GRU)和双向长短期记忆网络(long short-term memory,LSTM)单元,并引入注意力机制赋予双向GRU和LSTM隐藏状态不同的权重输入到全连接层,进行逐小时电力负荷预测;最后,通过负荷数据集验证该模型.结果表明:模型具有一定的优越性,是一个可行的负荷预测.
文献关键词：
短期负荷预测;卷积神经网络;长短期记忆网络;门控循环单元;自相关系数
中图分类号：
作者姓名：
王季;李润清;刘屾;曹万水;王昊;陈勇
作者机构：
甘肃省机械科学研究院有限责任公司,甘肃兰州 730030;兰州理工大学电气工程与信息工程学院,甘肃兰州 730050;甘肃省工业过程先进控制重点实验室,甘肃兰州 730050
文献出处：
引用格式：
[1]王季;李润清;刘屾;曹万水;王昊;陈勇-.基于改进长短期记忆网络的短期负荷预测)[J].电气自动化,2022(04):61-63
A类：
B类：
短期负荷预测,电力系统,系统负荷,工作日,周末,节假日,外部因素,负荷预测模型,convolutional,neural,network,负荷数据,一维卷积,卷积层,池化,全连接层,取反,应负,高维特征,自相关系数,二维卷积,卷积核,特征转换,多维特征,双向门控循环单元,gated,recurrent,unit,GRU,双向长短期记忆网络,long,short,term,memory,注意力机制,电力负荷预测,过负荷,数据集验证
AB值：
0.323725
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。
