典型文献
基于深度混合储备池计算模型的短期电力负荷预测
文献摘要：
有效的短期电力负荷预测模型有利于保障电力系统稳定且高效地运行.为此,首先提出了一种具有相邻反馈的混合回声状态网络(hybrid echo state network with adjacent-feedback loop reservoir,HALR)模型,用以避免传统浅层模型使用单一类型神经元易产生奇异解的问题.然后,基于深度信念网络(deep neural network,DBN)和HALR模型提出了一种深度混合储备池计算(deep hybrid reservoir calculation,DHRC)模型,以提高传统模型的预测精度和效率,该模型实现了DBN优秀特征学习能力和HALR强大逼近性能的结合.将DHRC模型应用于比利时蒙斯大学采集的某地区电力负荷数据集,最终的XNRMSE、XRMSE和XMAPE分别为0.6591、0.0541和4.8523％.最后,在西北某电网供电公司的实际应用中再次证明了DHRC模型的有效性.实验结果表明,与预测效果最佳的浅层模型HALR相比,DHRC的XNRMSE、XRMSE和XMAPE分别降低了65.1685％、65.1079％和60.0954％;与预测效果较好的深度模型LSTM和DBEN相比,DHRC模型的预测效率分别提高了36.5566％和9.4276％.
文献关键词：
深度信念网络;储备池计算;短期电力负荷预测;短期记忆能力
中图分类号：
作者姓名：
张明辉;周亚同;孔晓然
作者机构：
河北工业大学电子信息工程学院,天津市北辰区 300401
文献出处：
引用格式：
[1]张明辉;周亚同;孔晓然-.基于深度混合储备池计算模型的短期电力负荷预测)[J].电网技术,2022(12):4751-4761,中插33
A类：
混合储备,HALR,DHRC,XNRMSE,XRMSE,XMAPE,DBEN
B类：
储备池计算,短期电力负荷预测,负荷预测模型,电力系统稳定,回声状态网络,hybrid,echo,state,network,adjacent,feedback,loop,reservoir,层模型,模型使用,奇异解,深度信念网络,deep,neural,DBN,calculation,传统模型,模型实现,优秀特征,特征学习能力,逼近性,模型应用,比利时,蒙斯,某地区,负荷数据,供电公司,深度模型,短期记忆能力
AB值：
0.281082
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。
