典型文献
基于PSO-LSTM的电力负荷预测模型
文献摘要：
为了提高电力负荷的预测精度,提出使用粒子群算法(PSO)优化长短期记忆(LSTM)神经网络超参数的电力负荷预测模型(PSO-LSTM).针对LSTM超参数较难选取的问题,利用PSO算法能有效寻找全局最优解的特点进行LSTM模型超参数寻优,不断训练找到合适的超参数并进行验证.通过实际案例数据进行仿真分析,并与传统的LSTM神经网络预测模型以及反向传播(back propagation,BP)神经网络预测模型进行对比,其平均绝对百分比误差(MAPE)分别降低了0.64％和1.67％,验证了本方法的预测效果更佳.实验表明,本电力负荷预测模型具有较好的精度和稳定性.
文献关键词：
长短期记忆神经网络;粒子群算法;负荷预测;超参数
中图分类号：
作者姓名：
王晓辉;邓威威;齐旺
作者机构：
北京建筑大学电气与信息工程学院;国网辽宁供电有限公司国网锦州供电公司
文献出处：
引用格式：
[1]王晓辉;邓威威;齐旺-.基于PSO-LSTM的电力负荷预测模型)[J].上海节能,2022(02):164-169
A类：
B类：
PSO,电力负荷预测,负荷预测模型,出使,粒子群算法,全局最优解,超参数寻优,实际案例,神经网络预测模型,反向传播,back,propagation,平均绝对百分比误差,MAPE,长短期记忆神经网络
AB值：
0.1938
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。
