-
题名基于深度递归神经网络的电力系统短期负荷预测模型
被引量：41
- 1
-
-
作者
于惠鸣
张智晟
龚文杰
段晓燕
-
机构
青岛大学自动化与电气工程学院
国网青岛供电公司
-
出处
《电力系统及其自动化学报》
CSCD
北大核心
2019年第1期112-116,共5页
-
基金
国家自然科学基金资助项目(51477078)
智能电网教育部重点实验室开放研究基金资助项目(2018)
-
文摘
针对电力负荷非线性动态特性导致的负荷预测困难、预测精度低等问题,本文构建了深度递归神经网络短期负荷预测模型。在深度神经网络多隐层结构的基础上,深度递归神经网络增设了关联层,并以改进粒子群算法作为网络的优化学习算法,对模型权值空间进行深度优化。对某地区电网实际负荷进行预测仿真,结果表明与BP网络、深度神经网络相比,深度递归神经网络的平均绝对误差的周平均值分别降低1.61%和0.56%,验证了深度递归神经网络能够融合前馈与反馈连接,提高网络泛化能力,有效提高负荷预测精度。
-
关键词
深度神经网络
深度递归神经网络
改进粒子群优化算法
短期负荷预测
电力系统
-
Keywords
deep neural network ( DNN )
deep recurrent neural network ( DRNN )
improved particle swarm optimization ( IPSO ) algorithm
short-term load forecasting ( STLF )
power system
-
分类号
TM715
[电气工程—电力系统及自动化]
-
-
题名基于改进递归网络的智慧楼宇负荷预测方法
被引量：2
- 2
-
-
作者
肖荣洋
黄雁
-
机构
同济大学电子与信息工程学院
国网福建省电力有限公司龙岩供电公司
-
出处
《沈阳工业大学学报》
CAS
北大核心
2022年第2期121-126,共6页
-
基金
福建省自然科学基金项目(2018J01746)
国网福建省电力有限公司龙岩供电公司项目(SGFJLY00YJJS2100564).
-
文摘
针对智慧楼宇负荷类型复杂且多变导致的负荷预测精度低等问题,提出了一种基于改进递归网络的智慧楼宇负荷预测方法.该方法在深度神经网络多隐层结构的基础上增设了关联层,使深度递归神经网络(DRNN)模型具有动态特性,并利用改进粒子群优化算法对模型权值空间进行优化,进而实现楼宇负荷的准确预测.基于不同类型楼宇的实验结果表明,所提方法的预测误差约在±0.3 MW的范围内波动,其均方根差与平均绝对百分比误差分别为0.27 MW和1.05%,且预测误差均小于其他对比方法.
-
关键词
改进粒子群优化算法
深度递归神经网络
智慧楼宇
负荷预测
关联层
均方根差
平均绝对百分比误差
预测误差
-
Keywords
improved particle swarm optimization algorithm
deep recursive neural network
intelligent building
load forecasting
correlation layer
root mean square error
mean absolute percentage error
prediction error
-
分类号
TM715
[电气工程—电力系统及自动化]
-
-
题名基于特定信息上界的智能电表隐私保护发布
- 3
-
-
作者
刘超
王璐
梁来明
周慧琼
谭成伟
-
机构
国网新疆电力有限公司营销服务中心
-
出处
《计算机应用与软件》
北大核心
2025年第8期48-54,62,共8页
-
基金
国家自然科学基金项目(52067020)。
-
文摘
为了同时兼顾隐私保护和数据效用,提出一种基于特定信息上界的智能电表隐私保护发布方法。该文引入一种基于特定信息上界的隐私保护发布训练函数;为了使敏感变量的真实分布和近似分布之间的KL散度最小化,引入适用于深度学习框架的原始问题的松弛公式。另外,使用深度循环神经网络来捕获和利用智能电表信号的时间相关性。通过实验验证了提出方法能够降低特定隐私目标的失真程度,并能有效保护隐私。
-
关键词
隐私保护
特定信息
智能电表
深度递归神经网络
-
Keywords
Privacy protection
Specific information
Smart meter
Deep cyclic neural network
-
分类号
TP311.13
[自动化与计算机技术—计算机软件与理论]
-
-
题名基于TSA-DRNN模型的年径流预测研究
被引量：4
- 4
-
-
作者
崔东文
杨琼波
-
机构
云南省文山州水务局
云南省水文水资源局红河分局
-
出处
《华北水利水电大学学报（自然科学版）》
北大核心
2021年第6期35-41,共7页
-
文摘
为了解决深度递归神经网络(DRNN)权值和阈值难以选取的问题,有效提高DRNN径流预测精度,提出了被囊群算法(TSA)与DRNN相融合的预测方法。选取4个标准测试函数对TSA进行仿真验证,并与粒子群优化(PSO)算法的仿真结果进行比较;通过主成分分析(PCA)对数据样本进行降维并构建DRNN_(2)(双隐层DRNN)、DRNN_(3)(三隐层DRNN)、DRNN_(4)(四隐层DRNN)模型,利用TSA优化DRNN权值和阈值,建立了TSA-DRNN_(2)、TSA-DRNN_(3)、TSA-DRNN_(4)径流预测模型,并构建TSA-Elman、Elman、DRNN_(2)、DRNN_(3)、DRNN_(4)、TSA-SVM模型作对比;利用云南省姑老河站年径流预测实例对TSA-DRNN_(2)、TSA-DRNN_(3)、TSADRNN_(4)、TSA-Elman、Elman、DRNN_(2)、DRNN_(3)、DRNN_(4)、TSA-SVM模型进行检验。结果表明:在不同维度条件下,TSA仿真效果优于PSO算法,具有较好的寻优精度和全局搜索能力;TSA-DRNN_(2)、TSA-DRNN_(3)、TSADRNN_(4)模型对实例年径流预测的平均相对误差分别为3.63%、2.81%、2.50%,预测精度优于TSA-Elman等其他6种模型,且随着隐含层数的增加,预测精度呈提高趋势。TSA-DRNN模型用于径流预测是可行的,模型及DRNN权、阈值优化方法可为相关预测研究提供参考。
-
关键词
径流预测
深度递归神经网络(DRNN)
被囊群算法(TSA)
仿真验证
数据降维
权、阈值优化
-
Keywords
runoff prediction
deep recurrent neural network(DRNN)
tunicate group algorithm(TSA)
simulation verifi-cation
data dimensionality reduction
weight and threshold optimization
-
分类号
P338.2
[天文地球—水文科学]
-
