典型文献
集成自适应啁啾模态分解和BiLSTM的短期负荷组合预测模型
文献摘要：
为提高用户侧短期负荷预测的精度,提出了一种基于自适应啁啾模态分解(adaptive chirp mode decomposition,ACMD)和麻雀搜索算法(sparrow search algorithm,SSA)优化双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)的短期负荷组合预测方法.针对短期电力负荷存在波动性强和非平稳性的问题,采用ACMD将短期负荷时间序列分解为多个相对简单的子分量,使用BiLSTM分别对各子分量进行预测.同时,为克服BiLSTM参数取值不同导致预测结果不稳定的问题,使用SSA优化BiLSTM模型的超参数.最后将各子分量预测结果叠加得到最终预测结果.通过具体算例,分别与单一预测模型和多种组合预测模型进行比较,实验结果表明该方法具有更高的预测精度.
文献关键词：
负荷预测;双向长短时记忆网络;自适应啁啾模态分解;麻雀搜索算法;时序分解
中图分类号：
作者姓名：
姚浩然;李成鑫;郑秀娟;杨平
作者机构：
四川大学电气工程学院,四川 成都 610065
文献出处：
引用格式：
[1]姚浩然;李成鑫;郑秀娟;杨平-.集成自适应啁啾模态分解和BiLSTM的短期负荷组合预测模型)[J].电力系统保护与控制,2022(19):58-66
A类：
自适应啁啾模态分解,ACMD
B类：
BiLSTM,组合预测模型,用户侧,短期负荷预测,adaptive,chirp,mode,decomposition,麻雀搜索算法,sparrow,search,algorithm,SSA,双向长短时记忆网络,bi,directional,long,short,term,memory,组合预测方法,短期电力负荷,波动性,非平稳性,时间序列分解,参数取值,超参数,加得,时序分解
AB值：
0.276766
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。
