典型文献
基于CNN-ISSA-GRU模型的短期负荷预测方法
文献摘要：
电网的可靠运行及持续发展离不开对短期电力负荷的高效、准确预测.针对表征电网负荷变化的历史数据具有复杂性和时序性等特点,且现有的机器学习预测方法仍存在依据经验选取关键参数的不足,利用卷积神经网络(CNN)提取表征负荷变化的多维特征向量,构造成时间序列输入到门控循环单元(GRU),并使用改进麻雀搜索算法(ISSA)对GRU网络中的超参数进行迭代寻优.预测试验样本来自云南某地区的负荷数据,所提方法的预测精度达到了98.624％,与循环神经网络(RNN)、GRU和长短期记忆(LSTM)等神经网络预测方法进行对比,算例表明,所提方法克服了依据经验选取关键参数难题的同时具有更高的预测精度.
文献关键词：
短期负荷预测;卷积神经网络;门控循环单元;超参数寻优
中图分类号：
作者姓名：
刘可真;梁玉平;代莹皓;吴政声;董敏
作者机构：
昆明理工大学电力工程学院,云南昆明650500;中国能源建设集团云南省电力设计院,云南昆明650051;云南经济管理学院信息与智能工程学院,云南昆明650304
文献出处：
引用格式：
[1]刘可真;梁玉平;代莹皓;吴政声;董敏-.基于CNN-ISSA-GRU模型的短期负荷预测方法)[J].电机与控制应用,2022(08):79-86
A类：
B类：
ISSA,GRU,短期负荷预测,负荷预测方法,可靠运行,短期电力负荷,准确预测,电网负荷,负荷变化,历史数据,时序性,机器学习预测,提取表征,多维特征,特征向量,门控循环单元,改进麻雀搜索算法,迭代寻优,试验样本,某地区,负荷数据,循环神经网络,RNN,长短期记忆,神经网络预测,超参数寻优
AB值：
0.336455
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。
