典型文献
基于改进深度神经网络的短期电力负荷预测
文献摘要：
针对现有电力负荷预测方法精度比较低的问题,该文提出一种改进深度神经网络的短期电力负荷预测模型.首先通过长短时记忆网络(Long Short-Term Memory,LSTM)对不同类型的日历史用电量数据进行时间序列预测,然后通过前馈神经网络(Forward Feedback Neural Network,FFNN)以及一个热编码形状表示的附加信息来提高预测性能.最后采用均方根误差(Root Mean Square Error,RMSE)评估预测模型性能.仿真结果表明,与原始LSTM模型和平均基线的短期电力负荷预测模型相比,LSTM-FFNN预测模型识别精度更高.
文献关键词：
长短时记忆;短期电力负荷预测;前馈神经网络;热编码;历史用电量;时间序列;均方根误差;移动平均基线
中图分类号：
作者姓名：
张扬
作者机构：
国网江西省电力有限公司南昌供电公司,南昌 330069
文献出处：
引用格式：
[1]张扬-.基于改进深度神经网络的短期电力负荷预测)[J].科技创新与应用,2022(25):12-15
A类：
FFNN,移动平均基线
B类：
进深,深度神经网络,短期电力负荷预测,负荷预测方法,精度比较,负荷预测模型,长短时记忆网络,Long,Short,Term,Memory,日历,历史用电量,时间序列预测,前馈神经网络,Forward,Feedback,Neural,Network,热编码,预测性能,Root,Mean,Square,Error,RMSE,评估预测,模型性能,模型识别,识别精度
AB值：
0.279121
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。
