期刊导航
期刊开放获取
上海教育软件发展有限公..
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
一种基于信息熵的LSTM时间序列数据预测模型
被引量：
4
1
作者
田园
孙梦觉
+1 位作者
周植高
范培忠
《科技创新与应用》
2024年第7期28-34,共7页
时间序列预测可提升智能电网决策能耗评估有效性和电力传感网络的故障检测效率。基于香农信息熵和长短时记忆网络,构建一种基于时间序列数据的趋势预测模型,模型算法首先对时间序列数据以熵值法处理后进行特征归并,建立特征区间和熵值模...
时间序列预测可提升智能电网决策能耗评估有效性和电力传感网络的故障检测效率。基于香农信息熵和长短时记忆网络,构建一种基于时间序列数据的趋势预测模型,模型算法首先对时间序列数据以熵值法处理后进行特征归并,建立特征区间和熵值模型;其次在特征区间建立的基础上,将分类过后的数据在长短时记忆网络中进行训练得到预测结果。最后实验结果表明,与传统LSTM和GRU模型相比,高熵模型的均值平方差函数迭代结果误差降低85.9%和85.29%,显著改善模型预测结果的可靠性和准确性。
展开更多
关键词
智能电网
时间序列
信息熵
长短期记忆神经网络
预测模型
在线阅读
下载PDF
职称材料
基于EWT-CNN-BiGRU的多特征电力负荷预测模型
2
作者
保富
孙梦觉
+1 位作者
邓安明
周植高
《科技创新与应用》
2024年第7期35-40,共6页
针对目前多特征预测模型在短期电力负荷数据上精度不足的问题,提出一种基于经验小波变换(EWT)的卷积神经网络(CNN)融合双向门控循环单元(Bi GRU)预测模型。首先,从多维时序数据中提取强关联性特征,其次,对选定特征进行经验小波变换,将...
针对目前多特征预测模型在短期电力负荷数据上精度不足的问题,提出一种基于经验小波变换(EWT)的卷积神经网络(CNN)融合双向门控循环单元(Bi GRU)预测模型。首先,从多维时序数据中提取强关联性特征,其次,对选定特征进行经验小波变换,将时序数据映射至频域以获取子序列,最后,通过卷积神经网络和双向门控循环单元融合模型实现对电力负荷数据的预测。该预测模型使用德国某联合循环电厂的时序数据进行实验验证。结果表明,该预测模型获得99.463%的拟合优度,具有较好的预测效果。
展开更多
关键词
电力负荷预测
经验小波变换
卷积神经网络
双向门控循环单元
预测模型
在线阅读
下载PDF
职称材料
题名
一种基于信息熵的LSTM时间序列数据预测模型
被引量：
4
1
作者
田园
孙梦觉
周植高
范培忠
机构
云南电网有限责任公司信息中心
云南云电同方有限责任公司
出处
《科技创新与应用》
2024年第7期28-34,共7页
基金
云南电网有限责任公司信息中心研发基金(059300202021030302YY00012)。
文摘
时间序列预测可提升智能电网决策能耗评估有效性和电力传感网络的故障检测效率。基于香农信息熵和长短时记忆网络,构建一种基于时间序列数据的趋势预测模型,模型算法首先对时间序列数据以熵值法处理后进行特征归并,建立特征区间和熵值模型;其次在特征区间建立的基础上,将分类过后的数据在长短时记忆网络中进行训练得到预测结果。最后实验结果表明,与传统LSTM和GRU模型相比,高熵模型的均值平方差函数迭代结果误差降低85.9%和85.29%,显著改善模型预测结果的可靠性和准确性。
关键词
智能电网
时间序列
信息熵
长短期记忆神经网络
预测模型
Keywords
smart grid
time series
information entropy
long-term and short-term memory neural network
prediction model
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于EWT-CNN-BiGRU的多特征电力负荷预测模型
2
作者
保富
孙梦觉
邓安明
周植高
机构
云南电网有限责任公司信息中心
云南云电同方科技有限公司
出处
《科技创新与应用》
2024年第7期35-40,共6页
基金
云南电网有限责任公司信息中心研发基金(059300202021030302YY00012)。
文摘
针对目前多特征预测模型在短期电力负荷数据上精度不足的问题,提出一种基于经验小波变换(EWT)的卷积神经网络(CNN)融合双向门控循环单元(Bi GRU)预测模型。首先,从多维时序数据中提取强关联性特征,其次,对选定特征进行经验小波变换,将时序数据映射至频域以获取子序列,最后,通过卷积神经网络和双向门控循环单元融合模型实现对电力负荷数据的预测。该预测模型使用德国某联合循环电厂的时序数据进行实验验证。结果表明,该预测模型获得99.463%的拟合优度,具有较好的预测效果。
关键词
电力负荷预测
经验小波变换
卷积神经网络
双向门控循环单元
预测模型
Keywords
power load forecasting
empirical wavelet transform(EWT)
convolutional neural network(CNN)
bi-directional gated cycle unit(BiGRU)
forecasting model
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
一种基于信息熵的LSTM时间序列数据预测模型
田园
孙梦觉
周植高
范培忠
《科技创新与应用》
2024
4
在线阅读
下载PDF
职称材料
2
基于EWT-CNN-BiGRU的多特征电力负荷预测模型
保富
孙梦觉
邓安明
周植高
《科技创新与应用》
2024
0
在线阅读
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
