典型文献
基于CNN-BiLSTM的电力负荷中短期预测
文献摘要：
首先对某地区电力负荷数据进行重复值、缺失值和异常值的处理,再进行特征工程对特征进行挖掘,并基于Copula函数进行特征筛选,接着基于深度学习理论建立了基于CNN-BiLSTM的多变量分时负荷预测模型,通过模型融合进行了误差修正;然后对各行业日负荷最值序列进行突变点检测和分析,基于突变点分别对各行业建立了基于Prophet时间序列分解方法的日负荷最值预测模型;最后通过模型准确度评估验证了模型的有效性,结果表明融合模型能有效地应用于实际的电力系统负荷预测中.
文献关键词：
特征筛选;CNN-BiLSTM模型;模型融合;突变点检测;Prophet模型
中图分类号：
作者姓名：
庄依洁;刘景豪;李盈
作者机构：
暨南大学 经济学院,广东 广州 510632
文献出处：
引用格式：
[1]庄依洁;刘景豪;李盈-.基于CNN-BiLSTM的电力负荷中短期预测)[J].数学建模及其应用,2022(04):62-70
A类：
B类：
BiLSTM,电力负荷,中短期,短期预测,某地区,负荷数据,缺失值,异常值,特征工程,Copula,特征筛选,深度学习理论,多变量,负荷预测模型,模型融合,误差修正,最值,突变点检测,Prophet,时间序列分解,分解方法,准确度评估,融合模型,电力系统,系统负荷
AB值：
0.411071
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。
