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
共找到4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：
基于优化聚类分解与XGBOOST的超短期电力负荷预测 被引量：11
1
作者 常乐 汪庆年 《国外电子测量技术》 北大核心 2022年第5期46-51,共6页
电力负荷预测是制定发电计划和确保电网稳定运行的基础,为提高电力负荷预测精度,提出一种基于优化聚类分解与极限梯度提升(XGBOOST)的超短期电力负荷预测方法。一方面针对模糊C均值聚类(FCM)不能自动选择聚类数问题提出一种均值漂移(Mea... 电力负荷预测是制定发电计划和确保电网稳定运行的基础,为提高电力负荷预测精度,提出一种基于优化聚类分解与极限梯度提升(XGBOOST)的超短期电力负荷预测方法。一方面针对模糊C均值聚类(FCM)不能自动选择聚类数问题提出一种均值漂移(Mean Shift)优化FCM的优化聚类(MF);另一方面为减小电力负荷数据随机性对电力负荷预测的影响,提出一种结合MF、自适应噪声的完全集成经验模式分解(CEEMDAN)、XGBOOST的MFCX(MF-CEEMDAN-XGBOOST)的超短期负荷预测模型。首先使用Mean Shift搜寻到的最佳聚类数和聚类中心替换FCM的聚类数和初始聚类中心,对负荷数据聚类,然后采用CEEMDAN分解得到较为平稳的负荷分量,最后使用XGBOOST对新的负荷序列分别预测后进行模态重构得到最终预测结果。使用Python语言搭建模型进行实例分析与不同模型对比,MFCX有较低的预测误差,从而验证了模型的有效性。 展开更多
关键词 超短期电力负荷预测 自适应噪声的完全集成经验模式分解 均值漂移 极限梯度提升 模糊C均值聚类
下载PDF
基于LSTM组合模型的短期电力负荷预测 被引量：2
2
作者 李盖 林余杰 +1 位作者 吴成坚 徐文进 《电力与能源》 2023年第5期429-436,440,共9页
针对电力负荷时序难以进行精度预测的难题,提出了一种基于自适应白噪声的完备集合经验模态分解(CEEMDAN)的TCN-LSTM短期电力负荷组合预测方法.首先使用CEEMDAN分解方法将原始负荷序列进行分解,该方法与集合经验模态分解(EEMD)方法相比,... 针对电力负荷时序难以进行精度预测的难题,提出了一种基于自适应白噪声的完备集合经验模态分解(CEEMDAN)的TCN-LSTM短期电力负荷组合预测方法.首先使用CEEMDAN分解方法将原始负荷序列进行分解,该方法与集合经验模态分解(EEMD)方法相比,能使序列分解更加完备,且具有更小的重构误差.然后为了降低非平稳序列对预测精度的影响,通过平稳性检验将分解后的序列按照平稳性质分类,将非平稳序列合并后输入LSTM网络预测,平稳序列则计算排列熵后重组成高排列熵的平稳序列和低排列熵的平稳序列,再分别输入到LSTM网络和TCN网络中进行预测,最后对预测结果进行叠加得到最终的预测结果.实证结果表明:通过按照平稳性分类和计算排列熵的方式来对CEEMDAN分解后的序列进行重新组合的方法,不仅提高了模型的运算效率,同时比其他预测方法具有更高的预测精度. 展开更多
关键词 自适应噪声完备集合经验模态分解 排列熵 超短期电力负荷预测
下载PDF
基于Stacking多模型融合的超短期电网负荷预测 被引量：2
3
作者 张中健 高士亮 +3 位作者 张露 安润鲁 张中城 周子力 《软件》 2022年第8期131-134,178,共5页
为提升超短期电网负荷预测精度,提出基于Stacking多模型融合的超短期电网负荷预测法。首先,结合5-折交叉验证法分别训练第一层的LSTM、LightGBM、XGBoost三个初级学习器,将训练结果进行Stacking融合;然后将融合结果作为新特征用于训练... 为提升超短期电网负荷预测精度,提出基于Stacking多模型融合的超短期电网负荷预测法。首先,结合5-折交叉验证法分别训练第一层的LSTM、LightGBM、XGBoost三个初级学习器,将训练结果进行Stacking融合;然后将融合结果作为新特征用于训练第二层LightGBM次级学习器,使用次级学习器得到电网负荷预测的最终结果;最后利用山东省公共数据开放平台提供的某市实际超短期电网数据验证所提方法的有效性。实验结果表明,比起单一模型预测,所提的Stacking多模型融合预测法,在预测结果的平均精度与峰谷变化的适应能力方面更具优势。 展开更多
关键词 超短期电网负荷预测 Stacking多模型融合 LSTM LightGBM
下载PDF
基于CNN-BiLSTM-Attention的超短期电力负荷预测 被引量：6
4
作者 宋珊珊 潘文林 +1 位作者 王嘉梅 梁志茂 《云南民族大学学报（自然科学版）》 CAS 2022年第2期235-240,共6页
在长短期记忆神经网络(LSTM)的基础上,运用双向的长短期记忆神经网络(BiLSTM),结合卷积神经网络(CNN)提出了一个预测模型,对超短期电力负荷预测.运用合肥市2019年全年数据对该模型进行训练及预测,结果显示,CNN-BiLSTM预测精度高于CNN-L... 在长短期记忆神经网络(LSTM)的基础上,运用双向的长短期记忆神经网络(BiLSTM),结合卷积神经网络(CNN)提出了一个预测模型,对超短期电力负荷预测.运用合肥市2019年全年数据对该模型进行训练及预测,结果显示,CNN-BiLSTM预测精度高于CNN-LSTM预测模型,为进一步提升预测精确度,在BiLSTM神经网络后面连接了一个Attention在输出,发现其预测精度进一步提升了. 展开更多
关键词 超短期电力负荷预测 卷积神经网络(CNN) 双向长短期记忆神经网络(BiLSTM) Attention机制
下载PDF
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
使用帮助 返回顶部