典型文献
ISSA优化Attention双向LSTM的短期电力负荷预测
文献摘要：
针对短期电力负荷数据的复杂性和多样性,提出一种含Attention的双向LSTM预测方法,简称Bi-LSTM-AT.该方法将电力负荷历史数据作为输入且考虑温度、湿度和日期类型因素的影响.通过建模学习构建网络模型,挖掘网络特征内部变化规律,通过映射加权和学习参数矩阵赋予Bi-LSTM-AT网络隐含状态相应的权重.同时,针对该模型超参数选择困难的问题,提出利用改进麻雀算法实现该模型超参数的优化选择,使得全年最后两天预测值的MAPE为0.42％、RMSE为0.29％和MAE为0.21％,验证了模型线性回归拟合能力的准确性和稳定性.
文献关键词：
电力负荷;预测;长短期记忆;注意力机制;改进麻雀搜索算法优化
中图分类号：
作者姓名：
王金玉;金宏哲;王海生;张忠伟
作者机构：
东北石油大学电气信息工程学院,大庆 163000;庆新油田开发有限责任公司,大庆 163000
文献出处：
引用格式：
[1]王金玉;金宏哲;王海生;张忠伟-.ISSA优化Attention双向LSTM的短期电力负荷预测)[J].电力系统及其自动化学报,2022(05):111-117
A类：
映射加权
B类：
ISSA,Attention,短期电力负荷预测,负荷数据,Bi,AT,历史数据,建网,网络特征,加权和,学习参数,超参数,参数选择,改进麻雀算法,算法实现,优化选择,两天,MAPE,RMSE,MAE,型线,回归拟合,长短期记忆,注意力机制,改进麻雀搜索算法优化
AB值：
0.356863
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。
