-
题名基于CNN-Bi LSTM的短期电力负荷预测
被引量：73
- 1
-
-
作者
朱凌建
荀子涵
王裕鑫
崔强
陈文义
娄俊超
-
机构
西安理工大学机械与精密仪器工程学院
西安华瑞网电科技股份有限公司
-
出处
《电网技术》
EI
CSCD
北大核心
2021年第11期4532-4539,共8页
-
基金
陕西省重点研发计划(2020ZDLGY10-04)。
-
文摘
短期电力负荷预测能准确评估地区整体电力负荷变化情况,为电力系统运行决策提供准确参考。电力负荷参数受多维因素影响,为充分挖掘电力负荷数据中的时序特征,提升电力负荷预测精度,该文提出一种基于特征筛选的卷积神经网络—双向长短期记忆网络组合模型的短期电力负荷预测方法。以真实电力负荷数据作为数据集,通过对多维输入参数的优化筛选,选取高相关性特征向量作为输入,构建预测模型。通过与添加注意力机制的组合模型对比验证了输入参数优化分析的可行性和优越性。最后利用实际算例将该方法与利用自动化模型构建工具构建的梯度增强基线模型及常用预测模型相比,该方法构建的组合模型可以提升多维电力负荷数据的短期预测精度。
-
关键词
短期电力负荷预测
卷积神经网络
双向长短时记忆神经网络
特征筛选
梯度增强基线模型
-
Keywords
short-term power load forecasting
convolutional neural network
bi-directional long short-term memory neural network
feature selection
light gradient boosting machine
-
分类号
TM721
[电气工程—电力系统及自动化]
-
-
题名基于GRU神经网络的脉搏波波形预测方法研究
被引量：9
- 2
-
-
作者
朱凌建
陈剑虹
王裕鑫
郑铱
王森
荀子涵
-
机构
西安理工大学机械与精密仪器工程学院
-
出处
《电子测量与仪器学报》
CSCD
北大核心
2022年第5期242-248,共7页
-
基金
陕西省重点研发计划(2020ZDLGY10-04)项目资助。
-
文摘
随着生活水平的提高,人们对健康的关注度越来越高,尤其是适应快节奏生活的手环等便携式生理监测设备,备受人们青睐。光电容积脉搏波描记法(PPG)作为一种无创人体脉搏采集手段,被广泛应用于此类设备中。人体脉搏中包含很多生理信息,如血压、血糖、动脉硬化等,为了对这些信息进行提取和分析,目前主要采用机器学习的方法,通过提取脉搏波中的特征点计算特征参数进而建立生理参数模型。但此类方法需要大量且长期的脉搏数据,用于提高生理参数模型的精度,而长期的数据采集受环境限制较大且与便携式生理监测设备设计理念冲突,并且对脉搏波预测的研究存在空白。针对此问题,本文使用Colaboratory建立GRU神经网络模型与LSTM网络模型分别对脉搏波数据进行预测,并对影响模型性能的主要参数进行对比调参。而由自动化机器学习工具AutoML_Alex针对脉搏波数据分析并择优建立的LightGBM网络可以作为具有参考价值的基线模型。通过以上3个模型针对从不同个体采集到的大量脉搏波数据进行建模,对比其平均绝对百分比误差MAPE,LSTM为0.879%,单层GRU为0.852%,LightGBM为0.842%,4层GRU模型为0.828%,进而应用到不同个体上发现单层GRU模型的稳定性(MAPE)要优于其他模型。本文以GRU网络建立的脉搏波预测模型以不同个体短期脉搏数据为蓝本,对不同个体的长期脉搏波数据进行预测,进而对人体的动脉硬化生理情况进行监测达到早期发现早期预防的目的,同时为便携式生理监测设备提供技术和数据支持。
-
关键词
GRU
光电容积脉搏波
脉搏波预测
生理参数监测
数据支持
-
Keywords
GRU
photoplethysmography
pulse wave prediction
physiological parameter monitoring
data support
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
R318
[自动化与计算机技术—控制科学与工程]
-
