典型文献
基于GRU神经网络的WGAN短期负荷预测模型
文献摘要：
为了提高短期负荷预测模型的精度,提出了一种基于门控循环单元(Gated recurrent unit,GRU)神经网络的Wasserstein生成对抗网络(Wasserstein generative adversarial network,WGAN)短期负荷预测模型.将Wasserstein距离作为生成对抗网络(Generative adversarial network,GAN)的损失函数,与传统GAN相比,可以解决其训练过程中存在的梯度消失、模式崩溃等问题.同时,其生成器和判别器模型采用GRU神经网络,用以解决循环神经网络中存在的梯度问题.通过与GRU神经网络模型、传统GAN模型、采用KL散度作为损失函数且生成器和判别器采用GRU的GAN模型进行对比试验,证明了所提出的新模型具有更好的预测精度和稳定性.
文献关键词：
短期负荷预测;生成对抗网络;Wasserstein距离;GRU神经网络;电力系统
中图分类号：
作者姓名：
高翱;王帅;韩兴臣;张智晟
作者机构：
青岛大学电气工程学院 青岛 266071;国网山东省电力公司青岛供电公司 青岛 266001
文献出处：
引用格式：
[1]高翱;王帅;韩兴臣;张智晟-.基于GRU神经网络的WGAN短期负荷预测模型)[J].电气工程学报,2022(02):168-175
A类：
B类：
GRU,WGAN,短期负荷预测,负荷预测模型,门控循环单元,Gated,recurrent,unit,Wasserstein,生成对抗网络,generative,adversarial,network,Generative,损失函数,训练过程,梯度消失,模式崩溃,生成器,判别器,循环神经网络,KL,散度,电力系统
AB值：
0.27545
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。
