典型文献
基于LSTM-BPNN混合模型的天然气负荷预测研究
文献摘要：
准确的天然气负荷预测对燃气公司的生产运营、调度规划和安全供气至关重要.传统的天然气预测模型往往无法充分利用输入特征之间的时序相关性,这限制了它们的预测精度.因此本文提出了一种基于长短期记忆神经网络(LSTM)和反向传播神经网络(BPNN)的混合模型用于天然气负荷预测,其中LSTM用于对输入特征进行重编码,BPNN用于学习重编码特征和用气量之间的映射函数.该方法充分利用了 LSTM的时序特征提取能力和BPNN的拟合能力,旨在对用气量进行更准确的预测.本文采用浙江某天然气门站1年用气数据对该方法的性能进行了验证.结果表明,与极端梯度提升树、BPNN和LSTM相比,该方法具有更高的预测精度.
文献关键词：
天然气负荷预测;长短期记忆神经网络;反向传播神经网络;混合模型
中图分类号：
作者姓名：
周凯;吕海舟;马鹏岳;吴昀
作者机构：
浙江能源天然气集团有限公司;浙江大学制冷与低温研究所
文献出处：
引用格式：
[1]周凯;吕海舟;马鹏岳;吴昀-.基于LSTM-BPNN混合模型的天然气负荷预测研究)[J].城市燃气,2022(07):6-11
A类：
天然气负荷预测
B类：
BPNN,混合模型,预测研究,燃气公司,生产运营,供气,输入特征,时序相关性,长短期记忆神经网络,反向传播神经网络,重编,编码特征,用气量,映射函数,时序特征提取,特征提取能力,某天然气,天然气门站,气数,极端梯度提升树
AB值：
0.253329
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。
