典型文献
基于集成模型的混合神经网络电力负荷预测
文献摘要：
为了提高负荷预测的精度与泛化能力,提出了一种基于 Bagging集成算法的 GRU-BiLSTM-Self-attention模型.为充分提取高维输入数据的多个特征,该模型采用BiLSTM-Self-attention模型提取局部特征,采用GRU模型提取时序特征,从同一训练集中独立抽取样本子集并进行训练,对输出结果集成处理并得到最终的预测结果.选取南京某供电公司真实数据进行实验,并与LSTM神经网络、GRU神经网络、BiLSTM神经网络等预测模型进行对比.实验数据表明,该模型的均方根误差为50.770 3,准确率为97.36％.相较于其它用于对比的模型,该结果表明本模型在预测效果上具有一定程度的优势,说明所提出的模型具有更好的泛化能力与预测精度.
文献关键词：
负荷预测;集成模型;Bagging集成算法;多特征;自注意力机制
中图分类号：
作者姓名：
裴星懿;黄陈蓉;张建德;霍瑛
作者机构：
南京工程学院 电力工程学院,南京 211100;南京工程学院 计算机工程学院,南京 211100
文献出处：
引用格式：
[1]裴星懿;黄陈蓉;张建德;霍瑛-.基于集成模型的混合神经网络电力负荷预测)[J].电力需求侧管理,2022(05):64-70
A类：
B类：
集成模型,混合神经网络,电力负荷预测,高负荷,泛化能力,Bagging,集成算法,GRU,BiLSTM,Self,attention,分提,高维输入,输入数据,局部特征,时序特征,训练集,样本子,子集,输出结果,集成处理,供电公司,真实数据,多特征,自注意力机制
AB值：
0.36934
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。
