典型文献
基于卷积神经网络的负荷预测
文献摘要：
电力负荷预测对于保证大扰动下的系统稳定、优化智能电网中的能源分配具有重要意义.传统的预测模型主要基于时间序列分析,由于其不可忽略的预测误差,已经不能完全满足电力系统的实际需要.为提高预测精度,将时间序列数据分析转变为图像处理,并利用计算机图像领域广泛使用的深度学习方法进行电力负荷预测.卷积神经网络(convolution neural network,CNN)作为图像处理的有力工具,尽管已有学者将其用于时间序列数据处理,但仍是将数据作为序列矩阵处理,并未体现出CNN处理图像矩阵的优势.因此提出基于序列到图像转换的CNN(sequence to image convolutional neural network,STI-CNN),将负荷序列转换为负荷图像,使CNN可以更有效地提取相邻信息特征,充分考虑到各种外部影响因素,使用双分支深度网络模型对输入数据进行精确聚类,通过STI-CNN方法进行负荷预测.负荷预测实验结果表明,所提STI-CNN方法在不同的预测指标方面都有卓越的表现,所用预测时间更短,具有更高准确度.
文献关键词：
短期负荷预测;卷积神经网络;负荷序列;负荷图像
中图分类号：
作者姓名：
李德璐;赵金脉;李大华;田禾
作者机构：
天津理工大学电气工程与自动化学院,天津300384;中海油能源发展装备技术有限公司设计研发中心,天津300384
文献出处：
引用格式：
[1]李德璐;赵金脉;李大华;田禾-.基于卷积神经网络的负荷预测)[J].能源工程,2022(06):75-79
A类：
负荷图像
B类：
电力负荷预测,大扰动,系统稳定,智能电网,能源分配,时间序列分析,预测误差,电力系统,时间序列数据分析,利用计算机,计算机图像,图像领域,深度学习方法,neural,network,阵处理,图像矩,列到,图像转换,sequence,image,convolutional,STI,负荷序列,序列转换,信息特征,外部影响因素,双分支,深度网络模型,输入数据,预测指标,高准确度,短期负荷预测
AB值：
0.362275
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。
