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ALIF-VMD二次分解的NGO-CNN-LSTM电力负荷短期组合预测模型
被引量：
1
1
作者
张琳
高胜强
+2 位作者
宋煜
卜帅羽
余伟
《科学技术与工程》
北大核心
2025年第11期4583-4597,共15页
针对电力负荷预测过程中普遍存在的负荷波动变化趋势明显、随机性强,以及预测模型的参数取值不合理导致的精度偏低问题,提出了一种基于ALIF-VMD(adaptive local iterative filtering-variational mode decomposition)二次分解和北方苍...
针对电力负荷预测过程中普遍存在的负荷波动变化趋势明显、随机性强,以及预测模型的参数取值不合理导致的精度偏低问题,提出了一种基于ALIF-VMD(adaptive local iterative filtering-variational mode decomposition)二次分解和北方苍鹰优化算法(northern goshawk optimization, NGO)优化CNN-LSTM(convolutional neural networks-long short-term memory)的电力负荷组合预测模型,在使用交叉映射收敛方法(convergent cross-mapping, CCM)准确识别电力负荷的关键影响因素的基础上,创新性地联合使用ALIF、基于NGO的VMD和模糊熵(fuzzy entropy, FE)对原始负荷序列进行组合分解和必要的重组;针对分解和重组后生成的模态分量,结合NGO确定的CNN-LSTM模型最优超参数组合,建立预测精度高、训练时间短、收敛速度快的NGO-CNN-LSTM日前电力负荷组合预测模型。与其他基准模型的对比结果表明,该模型具有更好的适应性和预测精度,可为电力系统的安全、可靠、经济运行提供重要的技术支撑。
展开更多
关键词
负荷预测
序列分解与重组
北方苍鹰算法
卷积神经网络-长短期记忆神经网络模型
在线阅读
下载PDF
职称材料
题名
基于ALIF-VMD二次分解的NGO-CNN-LSTM电力负荷短期组合预测模型
被引量：
1
1
作者
张琳
高胜强
宋煜
卜帅羽
余伟
机构
国网北京市电力公司
华北电力大学环境科学与工程学院
出处
《科学技术与工程》
北大核心
2025年第11期4583-4597,共15页
基金
国网北京市电力公司科技项目(520206240001)。
文摘
针对电力负荷预测过程中普遍存在的负荷波动变化趋势明显、随机性强,以及预测模型的参数取值不合理导致的精度偏低问题,提出了一种基于ALIF-VMD(adaptive local iterative filtering-variational mode decomposition)二次分解和北方苍鹰优化算法(northern goshawk optimization, NGO)优化CNN-LSTM(convolutional neural networks-long short-term memory)的电力负荷组合预测模型,在使用交叉映射收敛方法(convergent cross-mapping, CCM)准确识别电力负荷的关键影响因素的基础上,创新性地联合使用ALIF、基于NGO的VMD和模糊熵(fuzzy entropy, FE)对原始负荷序列进行组合分解和必要的重组;针对分解和重组后生成的模态分量,结合NGO确定的CNN-LSTM模型最优超参数组合,建立预测精度高、训练时间短、收敛速度快的NGO-CNN-LSTM日前电力负荷组合预测模型。与其他基准模型的对比结果表明,该模型具有更好的适应性和预测精度,可为电力系统的安全、可靠、经济运行提供重要的技术支撑。
关键词
负荷预测
序列分解与重组
北方苍鹰算法
卷积神经网络-长短期记忆神经网络模型
Keywords
load forecasting
sequence decomposition and recombination
northern goshawk optimization
convolutional neural network-long short-term memory neural network model
分类号
TM715 [电气工程—电力系统及自动化]
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ALIF-VMD二次分解的NGO-CNN-LSTM电力负荷短期组合预测模型
张琳
高胜强
宋煜
卜帅羽
余伟
《科学技术与工程》
北大核心
2025
1
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
