典型文献
基于SSA-Bi-LSTM神经网络的母线负荷预测方法
文献摘要：
为了提高母线负荷预测精度,针对长短期记忆(long short term memory,LSTM)神经网络在母线负荷预测时存在对负荷规律提取不足导致精度下降、超参数设置依赖经验等问题,首先构建LSTM神经网络的变体网络——双向长短期记忆(Bi-directional LSTM,Bi-LSTM)神经网络,捕获时间序列未来可用的信息.然后采用麻雀搜索算法(sparrow search algorithm,SSA)搜索最优超参数,得到最优学习率、隐层神经元数目和迭代次数等.以实际10 kV母线数据对SSA-Bi-LSTM神经网络模型进行验证,并与Bi-LSTM神经网络和BP神经网络进行对比,结果表明SSA-Bi-LSTM神经网络模型的预测效果更佳.
文献关键词：
母线负荷;双向长短期记忆神经网络;负荷预测;麻雀搜索算法;长短期记忆神经网络
中图分类号：
作者姓名：
胡如乐;陈逸枞;张大海;张沛;王舒杨;喻芸
作者机构：
南方电网数字电网研究院有限公司,广东广州510663;北京交通大学电气工程学院,北京100044;天津弘源慧能科技有限公司,天津300010
文献出处：
引用格式：
[1]胡如乐;陈逸枞;张大海;张沛;王舒杨;喻芸-.基于SSA-Bi-LSTM神经网络的母线负荷预测方法)[J].广东电力,2022(02):19-26
A类：
B类：
SSA,Bi,母线负荷,负荷预测方法,long,short,term,memory,超参数,参数设置,变体,directional,捕获时间,麻雀搜索算法,sparrow,search,algorithm,优超,学习率,迭代次数,kV,双向长短期记忆神经网络
AB值：
0.223201
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。
