典型文献
基于贝叶斯优化和长短期记忆神经网络(BO-LSTM)的短期电力负荷预测
文献摘要：
考虑到气象因素对电力短期负荷预测精度存在影响,提出了一套贝叶斯优化和长短期记忆神经网络(BO-LSTM)组合预测模型.通过贝叶斯优化算法优选出全局最优参数组合,再采用优选出的五类气象因素数据(日最高温度、日最低温度、日平均温度、日平均相对湿度、降雨量)以及实际电力负荷数据作为输入特征量对优化后的LSTM神经网络进行训练.最后对某地区的电力负荷数据进行预测分析,并与不同方法对比分析,证明了考虑气象因素后的BO-LSTM神经网络预测精度高,可以作为可靠的短期电力负荷预测工具.
文献关键词：
电力负荷预测;气象因素;贝叶斯优化;长短期记忆神经网;参数优化
中图分类号：
作者姓名：
邱凯旋;李佳
作者机构：
暨南大学,广州 511400;江门双碳实验室,广东 江门 529100;香港科技大学(广州),广州 511400
文献出处：
引用格式：
[1]邱凯旋;李佳-.基于贝叶斯优化和长短期记忆神经网络(BO-LSTM)的短期电力负荷预测)[J].电力学报,2022(05):367-373
A类：
B类：
长短期记忆神经网络,BO,短期电力负荷预测,气象因素,短期负荷预测,组合预测模型,贝叶斯优化算法,算法优选,全局最优,最优参数,数组,五类,素数,日最高温度,日最低温度,平均温度,日平均相对湿度,降雨量,负荷数据,输入特征,特征量,某地区,预测分析,不同方法,方法对比,神经网络预测
AB值：
0.248898
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。
