典型文献
基于PCC-LSTM模型的短期负荷预测方法
文献摘要：
短期负荷预测是电网合理调度和平稳运行的基础.为提高短期负荷预测精度,提出了一种基于Pearson相关系数(PCC)和长短期记忆(LSTM)神经网络的短期负荷预测方法.该方法运用Pearson相关性分析对原始多维输入变量组成的时间序列进行相关性分析,选取与电力负荷数据相关性较大的影响因素作为输入量,实现原始数据的降维和选优;再通过LSTM神经网络结合Adam优化算法,对与电力负荷相关性较大的影响因素和负荷实际输出序列之间的非线性关系建立网络模型.以嘉捷BOX和重庆丽苑维景国际大酒店的负荷数据作为实际算例,并与Prophet、LSTNet、门控循环(GRU)神经网络模型方法进行对比.结果表明:所提PCC-LSTM模型预测精度均在91％以上,最高可达95.44％,有效提高了负荷预测的精度.
文献关键词：
Pearson相关系数;长短期记忆神经网络;负荷预测;Adam算法;时间序列
中图分类号：
作者姓名：
刘倩倩;刘钰山;温烨婷;何杰;李晓;毕大强
作者机构：
北京航空航天大学 自动化科学与电气工程学院,北京 100191;清华大学 电机系,北京 100084
文献出处：
引用格式：
[1]刘倩倩;刘钰山;温烨婷;何杰;李晓;毕大强-.基于PCC-LSTM模型的短期负荷预测方法)[J].北京航空航天大学学报,2022(12):2529-2536
A类：
B类：
PCC,短期负荷预测,负荷预测方法,方法运用,变量组,电力负荷,负荷数据,数据相关性,输入量,原始数据,选优,Adam,非线性关系,BOX,大酒店,Prophet,LSTNet,门控,GRU,模型方法,长短期记忆神经网络
AB值：
0.271394
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。
