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
1
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Spearman-GCN-GRU模型的超短期多区域电力负荷预测
被引量：
12
1
作者
吴军英
路欣
+4 位作者
刘宏
张彬
柴守亮
刘蕴春
王佳楠
《中国电力》
CSCD
北大核心
2024年第6期131-140,共10页
为提升多区域电力负荷的预测精度,聚焦于多区域电力数据的时空相关性分析,提出了一种基于Spearman-GCN-GRU的超短期多区域电力负荷预测模型。该模型通过Spearman相关系数分析不同区域电力负荷的时空相关性,构建Spearman邻接矩阵并输入...
为提升多区域电力负荷的预测精度,聚焦于多区域电力数据的时空相关性分析,提出了一种基于Spearman-GCN-GRU的超短期多区域电力负荷预测模型。该模型通过Spearman相关系数分析不同区域电力负荷的时空相关性,构建Spearman邻接矩阵并输入图卷积神经网络(graph convolutional network,GCN)和门控循环单元(gated recurrent unit,GRU)提取数据中的空间特征和时序特征,最后由多层感知机(multilayer perceptron,MLP)解码输出预测结果。与基于距离邻接矩阵的模型进行对比,验证了SpearmanGCN-GRU模型的可行性。在模型的预测精度上,与传统统计模型和神经网络模型相比,Spearman-GCNGRU模型在通用的评价指标中均取得最优结果。就均方根误差(root mean square error,RMSE)而言,SpearmanGCN-GRU模型与神经网络模型GRU、GCN和深度神经网络(deep neural network,DNN)相比,RMSE指标分别下降了13.90%、11.66%和8.36%,验证了模型具有更好的预测效果。
展开更多
关键词
多区域电力负荷预测
电力
数据时空相关性分析
Spearman相关系数
图卷积神经网络
门控循环单元
在线阅读
下载PDF
职称材料
题名
基于Spearman-GCN-GRU模型的超短期多区域电力负荷预测
被引量：
12
1
作者
吴军英
路欣
刘宏
张彬
柴守亮
刘蕴春
王佳楠
机构
国网河北省电力有限公司信息通信分公司
国网河北省电力有限公司邯郸供电分公司
西安电子科技大学广州研究院
北京中电普华信息技术有限公司
出处
《中国电力》
CSCD
北大核心
2024年第6期131-140,共10页
基金
河北省重点研发计划资助项目(新一代电子信息技术创新专项:能源工业云网智慧物联关键技术与装备研发及应用示范,22310302D)。
文摘
为提升多区域电力负荷的预测精度,聚焦于多区域电力数据的时空相关性分析,提出了一种基于Spearman-GCN-GRU的超短期多区域电力负荷预测模型。该模型通过Spearman相关系数分析不同区域电力负荷的时空相关性,构建Spearman邻接矩阵并输入图卷积神经网络(graph convolutional network,GCN)和门控循环单元(gated recurrent unit,GRU)提取数据中的空间特征和时序特征,最后由多层感知机(multilayer perceptron,MLP)解码输出预测结果。与基于距离邻接矩阵的模型进行对比,验证了SpearmanGCN-GRU模型的可行性。在模型的预测精度上,与传统统计模型和神经网络模型相比,Spearman-GCNGRU模型在通用的评价指标中均取得最优结果。就均方根误差(root mean square error,RMSE)而言,SpearmanGCN-GRU模型与神经网络模型GRU、GCN和深度神经网络(deep neural network,DNN)相比,RMSE指标分别下降了13.90%、11.66%和8.36%,验证了模型具有更好的预测效果。
关键词
多区域电力负荷预测
电力
数据时空相关性分析
Spearman相关系数
图卷积神经网络
门控循环单元
Keywords
multi-region power load prediction
spatial-temporal correlation analysis of power data
Spearman correlation coefficient
graph convolutional network
gated recurrent unit
分类号
TM715 [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]
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
基于Spearman-GCN-GRU模型的超短期多区域电力负荷预测
吴军英
路欣
刘宏
张彬
柴守亮
刘蕴春
王佳楠
《中国电力》
CSCD
北大核心
2024
12
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
