期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于LSTM-AdaBoost的城市住宅区负荷预测
被引量：
3
1
作者
李龙祥
彭晨
+2 位作者
李军
王雨嫣
鲁荣波
《吉首大学学报（自然科学版）》
CAS
2021年第6期30-35,共6页
在智慧城市中,准确的住宅负荷预测是实现电力供需平衡和降低资源浪费的关键.为了提升对城市住宅区负荷预测的精度,构建了一种由长短期记忆网络(LSTM)和集成学习相结合的短期负荷预测模型LSTM-AdaBoost.该模型以露点(空气中的水蒸气凝结...
在智慧城市中,准确的住宅负荷预测是实现电力供需平衡和降低资源浪费的关键.为了提升对城市住宅区负荷预测的精度,构建了一种由长短期记忆网络(LSTM)和集成学习相结合的短期负荷预测模型LSTM-AdaBoost.该模型以露点(空气中的水蒸气凝结成水珠的温度)、历史负荷、周类型等特征作为数据输入;然后将具备时序记忆功能的LSTM网络作为集成学习的基学习器;最后用AdaBoost集成算法对基学习器进行加权组合得到强学习器.实验结果表明,LSTM-AdaBoost集成模型相较于LSTM网络、支持向量机(SVM)和CART决策树等单一预测方法具有更高的预测精度.
展开更多
关键词
住宅
负荷
预测
长短期记忆网络
集成学习
ADABOOST
下载PDF
职称材料
基于Informer的城市住宅区负荷预测研究
被引量：
2
2
作者
李龙祥
彭晨
+1 位作者
李军
鲁荣波
《怀化学院学报》
2022年第5期48-53,共6页
对城市住宅区的电力负荷进行长时间序列的预测能够为电力资源提前分配提供最优的技术支持,从而确保电力供需之间的平衡.为了提高对于长序列负荷预测的能力,将Informer模型应用于城市住宅区负荷预测领域;为了提升城市住宅区负荷预测的精...
对城市住宅区的电力负荷进行长时间序列的预测能够为电力资源提前分配提供最优的技术支持,从而确保电力供需之间的平衡.为了提高对于长序列负荷预测的能力,将Informer模型应用于城市住宅区负荷预测领域;为了提升城市住宅区负荷预测的精度,先采用交互信息从原始数据中筛选出与住宅区历史负荷相关性较强的特征数据并进行数据增强,然后使用Log-Cosh损失函数对Informer模型进行训练.测试结果表明Informer模型比长短时记忆网络的预测精度更高,证实了所提Informer方法的可行性.
展开更多
关键词
住宅
负荷
预测
自注意力机制
Informer模型
长时间序列
预测
下载PDF
职称材料
题名
基于LSTM-AdaBoost的城市住宅区负荷预测
被引量：
3
1
作者
李龙祥
彭晨
李军
王雨嫣
鲁荣波
机构
吉首大学信息科学与工程学院
吉首大学数学与统计学院
怀化学院
出处
《吉首大学学报（自然科学版）》
CAS
2021年第6期30-35,共6页
基金
国家自然科学基金青年科学基金资助项目(62006095)
湖南省教育厅优秀青年项目(20B470)
国家级创新创业训练项目(S202010531027)。
文摘
在智慧城市中,准确的住宅负荷预测是实现电力供需平衡和降低资源浪费的关键.为了提升对城市住宅区负荷预测的精度,构建了一种由长短期记忆网络(LSTM)和集成学习相结合的短期负荷预测模型LSTM-AdaBoost.该模型以露点(空气中的水蒸气凝结成水珠的温度)、历史负荷、周类型等特征作为数据输入;然后将具备时序记忆功能的LSTM网络作为集成学习的基学习器;最后用AdaBoost集成算法对基学习器进行加权组合得到强学习器.实验结果表明,LSTM-AdaBoost集成模型相较于LSTM网络、支持向量机(SVM)和CART决策树等单一预测方法具有更高的预测精度.
关键词
住宅
负荷
预测
长短期记忆网络
集成学习
ADABOOST
Keywords
residential load forecasting
long and short-term memory network
ensemble learning
AdaBoost
分类号
TM714 [电气工程—电力系统及自动化]
TP183 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
基于Informer的城市住宅区负荷预测研究
被引量：
2
2
作者
李龙祥
彭晨
李军
鲁荣波
机构
吉首大学信息科学与工程学院
怀化学院计算机与人工智能学院
出处
《怀化学院学报》
2022年第5期48-53,共6页
基金
国家自然科学基金青年科学基金项目“规划问题分支限界求解的深度学习改进来源”(62006095)
湖南省教育厅优秀青年项目“住宅与工业用电负荷短期预测研究”(20B470)
国家级创新创业训练项目“学院大楼用电分析、异常检测、实时监控”(S202010531027)。
文摘
对城市住宅区的电力负荷进行长时间序列的预测能够为电力资源提前分配提供最优的技术支持,从而确保电力供需之间的平衡.为了提高对于长序列负荷预测的能力,将Informer模型应用于城市住宅区负荷预测领域;为了提升城市住宅区负荷预测的精度,先采用交互信息从原始数据中筛选出与住宅区历史负荷相关性较强的特征数据并进行数据增强,然后使用Log-Cosh损失函数对Informer模型进行训练.测试结果表明Informer模型比长短时记忆网络的预测精度更高,证实了所提Informer方法的可行性.
关键词
住宅
负荷
预测
自注意力机制
Informer模型
长时间序列
预测
Keywords
residential load forecasting
self-attention mechanism
the Informer model
long-term sequence forecasting
分类号
TM714 [电气工程—电力系统及自动化]
TP183 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于LSTM-AdaBoost的城市住宅区负荷预测
李龙祥
彭晨
李军
王雨嫣
鲁荣波
《吉首大学学报（自然科学版）》
CAS
2021
3
下载PDF
职称材料
2
基于Informer的城市住宅区负荷预测研究
李龙祥
彭晨
李军
鲁荣波
《怀化学院学报》
2022
2
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
