典型文献
基于CNN-LSTM网络的短期电力负荷预测
文献摘要：
传统的神经网络在时间相关性较强的负荷预测中精度不高.为了有效提高短期电力负荷预测精度,提出了一种基于卷积神经网络CNN和长短时记忆网络LSTM相结合的负荷预测方法.采集5维负荷特征数据,以CNN卷积层和池化层作为特征提取单元,提取数据空间耦合交互特征;将重构数据输入到LSTM网络挖掘负荷时序特征,采用Dropout技术增加模型泛化能力;利用适应性矩估计(Adam)优化器训练模型;将测试数据输入训练后的神经网络模型,预测未来1 h和12 h电负荷.实验结果表明,该负荷预测模型收敛速度和预测精度均优于改进的BP神经网络、LSTM等预测模型,其1 h负荷预测精度达到98.66％,12 h负荷预测精度达到96.81％,提高了短期电力负荷预测精度.
文献关键词：
长短时记忆网络;短期负荷预测;Dropout技术;卷积神经网络;适应性矩估计
中图分类号：
作者姓名：
简定辉;李萍;黄宇航;梁志洋
作者机构：
宁夏大学 物理与电子电气工程学院,宁夏 银川 750021
文献出处：
引用格式：
[1]简定辉;李萍;黄宇航;梁志洋-.基于CNN-LSTM网络的短期电力负荷预测)[J].电工电气,2022(09):1-6
A类：
B类：
短期电力负荷预测,时间相关性,长短时记忆网络,负荷预测方法,负荷特征,特征数据,卷积层,池化,提取数据,数据空间,空间耦合,交互特征,网络挖掘,时序特征,Dropout,模型泛化,泛化能力,适应性矩估计,Adam,优化器,训练模型,测试数据,预测未来,电负荷,负荷预测模型,收敛速度,短期负荷预测
AB值：
0.27813
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。
