检索结果-内蒙古大学图书馆

控制与信息技术 2023年第4期 54-60页

作者：邓博文肖伸平廖世英湖南工业大学电气与信息工程学院湖南株洲412007 电气传动控制与智能装备湖南省重点实验室湖南株洲412007

短期电力负荷随机性强、波动性大。为提高负荷预测精度,文章提出一种基于二次分解的卷积神经网络(CNN)与长短期记忆(LSTM)神经网络组合的预测模型。其首先采用自适应噪声完备集合经验模态分解(CEEMDAN)方法将原始负荷序列分解为若干固... 详细信息

短期电力负荷随机性强、波动性大。为提高负荷预测精度,文章提出一种基于二次分解的卷积神经网络(CNN)与长短期记忆(LSTM)神经网络组合的预测模型。其首先采用自适应噪声完备集合经验模态分解(CEEMDAN)方法将原始负荷序列分解为若干固有模态分量和残差;然后,引入样本熵与K均值(SEK-means,SK),将分解得到的子序列重构为3个序列,并运用变分模态分解方法将重构分量中的强非平稳序列进行二次分解,建立CNN-LSTM模型,对分解得到的各个子序列分别进行预测;最后,将预测的结果叠加,以实现对负荷的有效预测。运用实际负荷数据从确定系数、平均绝对误差、均方根误差和平均绝对百分比误差这4种评价指标角度进行验证,结果表明,该模型与XGBoost、LSTM、CEEMDAN-LSTM和CEEMDANCNN-LSTM模型相比较,具有更高的拟合度和预测精度。

关键词：短期负荷预测样本熵重构二次分解卷积神经网络长短期记忆网络

来源：评论

学校读者我要写书评

暂无评论

基于“分解-重构-集成”组合神经网络的短期负荷预测

基于“分解-重构-集成”组合神经网络的短期负荷预测

引用

第34届中国过程控制会议

作者：邓博文肖伸平湖南工业大学电气与信息工程学院电传动控制与智能装备湖南省重点实验室(湖南工业大学)

针对用户级负荷随机性、波动性大的特点,现有预测方法不能更好的进行预测。本文提出一种基于样本熵重构、二次模态分解和卷积神经(CNN)网络与长短时间记忆(LSTM)神经网络组合的预测模型。首先,用自适应噪声完备集合经验模态分解(CEEMDAN... 详细信息

针对用户级负荷随机性、波动性大的特点,现有预测方法不能更好的进行预测。本文提出一种基于样本熵重构、二次模态分解和卷积神经(CNN)网络与长短时间记忆(LSTM)神经网络组合的预测模型。首先,用自适应噪声完备集合经验模态分解(CEEMDAN)将原始负荷序列分解为若干固有模态分量和残差。然后,引入样本熵与K均值(SE-K-means,SK)将分解得到的子序列重构为三个序列,运用变分模态分解将重构分量中的强非平稳序列进行二次分解,建立CNN-LSTM模型对分解得到各个子序列分别进行预测。最后,将预测的结果叠加实现对负荷有效预测。通过运用实际负荷数据进行验证可知,本文所提模型具有更高的预测精度。

关键词：短期负荷预测样本熵重构二次模态分解卷积神经网络长短时记忆网络

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：