典型文献
基于特征挖掘的ARIMA-GRU短期电力负荷预测
文献摘要：
针对短期电力负荷随机性较强、预测精度较低的问题,提出了一种基于混沌理论、变分模态分解VMD(variational modal decomposition)、整合移动平均自回归ARIMA(autoregressive integrated moving average)模型和门控循环单元GRU(gated recurrent unit)神经网络的组合预测方法.首先,对电力负荷历史数据进行相空间重构来提取混沌特征.然后,应用变分模态分解将相空间中的各维负荷序列分别分解为一组平稳性好的本征模态函数IMF(intrinsic mode function).接着,根据频率指标过零率将每组本征模态函数重构为一个低频序列和一个高频序列.最后,分别使用ARIMA模型和GRU神经网络模型对各个低频序列和高频序列进行模型训练和迭代预测,综合各序列的预测值得到预测结果.实例分析表明,与所提其他智能算法相比,该方法具有更高的预测精度.
文献关键词：
负荷预测;相空间重构;变分模态分解;整合移动平均自回归模型;门控循环单元神经网络
中图分类号：
作者姓名：
于军琪;聂己开;赵安军;侯雪妍
作者机构：
西安建筑科技大学建筑设备科学与工程学院,西安 710055
文献出处：
引用格式：
[1]于军琪;聂己开;赵安军;侯雪妍-.基于特征挖掘的ARIMA-GRU短期电力负荷预测)[J].电力系统及其自动化学报,2022(03):91-99
A类：
B类：
特征挖掘,ARIMA,GRU,短期电力负荷预测,随机性,混沌理论,变分模态分解,VMD,variational,modal,decomposition,autoregressive,integrated,moving,average,gated,recurrent,unit,组合预测方法,历史数据,相空间重构,混沌特征,将相,负荷序列,平稳性,本征模态函数,IMF,intrinsic,mode,function,频率指标,过零,数重,高频序列,模型训练,迭代预测,智能算法,整合移动平均自回归模型,门控循环单元神经网络
AB值：
0.343213
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。
