典型文献
基于变分模态分解的卷积神经网络−双向门控循环单元−多元线性回归多频组合短期电力负荷预测
文献摘要：
为了有效提高电力负荷预测精度,针对电力负荷非线性、非平稳性、时序性的特点,提出了一种卷积神经网络(convolutional?neural?networks,CNN)、双向门控循环单元(bidirectional?gated?recurrent?unit,BiGRU)和多元线性回归(multiple?linear?regression,MLR)混合的多频组合短期电力负荷预测模型.该模型先利用关联度分析得到相似日,并将其负荷组成新的数据序列,同时使用变分模态分解(variational?mode?decomposition,VMD)将该数据序列进行分解,并重构成高低2种频率.对于高频分量,使用CNN-BiGRU模型进行预测;低频部分则使用MLR.最后将各个模型得出的预测结果叠加,得到最终预测结果.以2006年澳大利亚真实数据为例,进行短期电力负荷预测.仿真结果表明,相比于其他网络模型,该模型具有较高的预测精度和拟合能力,是一种有效的短期负荷预测方法.
文献关键词：
变分模态分解;卷积神经网络;双向门控循环单元;多元线性回归;负荷预测
中图分类号：
作者姓名：
方娜;李俊晓;陈浩;李新新
作者机构：
湖北工业大学电气与电子工程学院,湖北省 武汉市 430068
文献出处：
引用格式：
[1]方娜;李俊晓;陈浩;李新新-.基于变分模态分解的卷积神经网络−双向门控循环单元−多元线性回归多频组合短期电力负荷预测)[J].现代电力,2022(04):441-448
A类：
B类：
变分模态分解,双向门控循环单元,多频,短期电力负荷预测,非平稳性,时序性,convolutional,neural,networks,bidirectional,gated,recurrent,unit,BiGRU,multiple,linear,regression,MLR,负荷预测模型,关联度分析,相似日,数据序列,variational,mode,decomposition,VMD,高频分量,分则,真实数据,短期负荷预测,负荷预测方法
AB值：
0.260151
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。
