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394篇文章
< 1 2 … 20 >
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：
支持向量机的船舶短期电力负荷预测方法 被引量：7
1
作者 侯文君 汪英英 +1 位作者 姚艺新 黄小华 《舰船科学技术》 北大核心 2018年第9X期79-81,共3页
船舶的短期电力负荷具有强烈的非线性变化特点,传统方法无法描述船舶短期电力负荷的变化趋势,以解决当前船舶短期电力负荷预测误差大的难题,提出了基于支持向量机的船舶短期电力负荷预测方法。首先对船舶短期电力负荷预测的研究现状进... 船舶的短期电力负荷具有强烈的非线性变化特点,传统方法无法描述船舶短期电力负荷的变化趋势,以解决当前船舶短期电力负荷预测误差大的难题,提出了基于支持向量机的船舶短期电力负荷预测方法。首先对船舶短期电力负荷预测的研究现状进行分析,指出引起不足的原因,然后采用支持向量机对船舶短期电力负荷数据进行学习,建立可以反映船舶短期电力负荷变化的预测模型,最后进行了船舶短期电力负荷预测的验证性测试。结果表明,支持向量机可以提高船舶短期电力负荷预测精度,可以对将来船舶短期电力负荷值进行准确估计,具有较高的实际应用价值。 展开更多
关键词 船舶 短期电力负荷 预测误差 变化趋势 验证性测试
在线阅读 下载PDF
基于RIME-VMD-TCN-Attention的船舶电力负荷预测
2
作者 骆佳馨 高海波 +2 位作者 欧阳继能 李程 陈灿 《舰船科学技术》 北大核心 2025年第18期112-118,共7页
船舶电力负荷因具有噪声多、随机性和非线性强的特点,在短期电力负荷预测中存在噪声干扰、特征提取困难和模型拟合度差的问题。故本文提出一种结合霜冰优化算法(Rime Optimization Algorithm,RIME)的变分模态分解(Variational Mode Deco... 船舶电力负荷因具有噪声多、随机性和非线性强的特点,在短期电力负荷预测中存在噪声干扰、特征提取困难和模型拟合度差的问题。故本文提出一种结合霜冰优化算法(Rime Optimization Algorithm,RIME)的变分模态分解(Variational Mode Decomposition,VMD)、时序卷积网络(Temporal Convolutional Network,TCN)和注意力机制的组合预测模型。首先,通过RIME-VMD分解,将复杂的船舶电力负荷信号分解为多个仅包含简单负荷特征的单独模态,以减少噪声的影响同时提高分解效率;其次,通过TCN模型结合Attention机制对各模态分量进行预测并将结果组合,使模型自适应捕捉电力负荷中的非线性特征,提高时序预测能力;最后,实验分析表明,本文提出的RIME-VMD-TCN-Attention模型误差指标MAE、MAPE、RMSE和R2均优于传统LSTM模型、GRU模型、单一TCN模型和未经模态分解的混合模型,具有更高的预测精度。 展开更多
关键词 船舶短期电力负荷预测 霜冰优化算法 变分模态分解 时序卷积网络 注意力机制
在线阅读 下载PDF
基于模态分解和误差修正的短期电力负荷预测
3
作者 鄢化彪 李东丽 +2 位作者 黄绿娥 张航菘 姚龙龙 《电子测量技术》 北大核心 2025年第5期92-101,共10页
针对电力负荷非线性、高波动性和强随机性等特性导致无法充分提取时序特征引起预测误差较大的问题,提出了基于改进的自适应白噪声完全集合经验模态分解和误差修正的双向时间卷积网络-双向长短期记忆网络短期电力负荷预测方法。先由最大... 针对电力负荷非线性、高波动性和强随机性等特性导致无法充分提取时序特征引起预测误差较大的问题,提出了基于改进的自适应白噪声完全集合经验模态分解和误差修正的双向时间卷积网络-双向长短期记忆网络短期电力负荷预测方法。先由最大信息系数筛选出与负荷高度相关的特征集,以削弱特征冗余;通过改进的自适应白噪声完全集合经验模态分解将高波动性的负荷分解为频率各异的本征模态分量和残差,以降低非平稳性;引入样本熵将复杂度相近的分量重构成新子序列,以降低计算量;然后,结合并行双向时间卷积网络提取不同尺度的特征,利用双向长短期记忆网络对负荷序列初步预测,使用麻雀优化算法对神经网络超参数调优;最后,误差序列通过误差修正模块对初始预测值进行修正。经实验验证,与其他预测模型相比,RMSE最多降低51.42%,最少降低34.26%,验证了模型的准确性和有效性。 展开更多
关键词 电力负荷 短期预测 自适应经验模态分解 样本熵 双向时间卷积网络 双向长短期记忆 麻雀搜索算法
在线阅读 下载PDF
基于变分非线性调频模态分解及TCN-TPA-LSTM的短期电力负荷组合预测模型
4
作者 王博宇 文中 +3 位作者 周翔 赵迪 闫文文 覃治银 《现代电力》 北大核心 2025年第5期891-900,共10页
随着新型电力系统的发展,电力负荷“双高双峰”特性愈发明显,可靠准确的负荷预测对电力系统运行规划至关重要。为更精准地预测电力负荷,提出基于MICVNCMD-TCN-TPA-LSTM的短期电力负荷组合预测模型。采用最大信息系数(maximal informatio... 随着新型电力系统的发展,电力负荷“双高双峰”特性愈发明显,可靠准确的负荷预测对电力系统运行规划至关重要。为更精准地预测电力负荷,提出基于MICVNCMD-TCN-TPA-LSTM的短期电力负荷组合预测模型。采用最大信息系数(maximal information coefficient, MIC)理论对负荷与气象信息进行非线性耦合分析,选取关键信息。引入变分非线性调频模态分解(variational nonlinear chirp mode decomposition, VNCMD)处理非线性非平稳负荷数据,将其分解为相应分量。在此基础上,构建TCN-TPALSTM组合预测模型,根据各分量预测评价指标选取对应的预测模型,重组得到总体预测结果。基于某地实际电力负荷数据集的对比实验表明,所提预测方法相较于其他模型具有显著的性能优势,其预测精度和泛化能力均优于对比基准,充分验证了所提方法的有效性和技术优越性。 展开更多
关键词 短期电力负荷预测 最大信息系数 变分非线性调频模态分解 时间卷积网络 时序模式注意力机制 长短期记忆网络
在线阅读 下载PDF
基于全连接时空图的短期电力负荷预测方法
5
作者 徐智远 缪卓窈 +3 位作者 龙卓 吴公平 邓丰 邓乐 《电力科学与技术学报》 北大核心 2025年第3期123-132,共10页
短期负荷预测是电力系统中的一项重要任务。目前,对多序列负荷之间的时空邻接关系的研究较少,而一定情况下考虑这种时空邻接性可以提高预测的准确性。为此,提出一种基于全连接图的图卷积神经网络(fully-connected graph based graph con... 短期负荷预测是电力系统中的一项重要任务。目前,对多序列负荷之间的时空邻接关系的研究较少,而一定情况下考虑这种时空邻接性可以提高预测的准确性。为此,提出一种基于全连接图的图卷积神经网络(fully-connected graph based graph convolution neural network,FCGCN)。首先,FCGCN将多序列负荷数据编码成图的节点特征矩阵,结合位置编码的方法增加负荷数据的顺序信息,并利用动态时间规整(dynamic time warping,DTW)算法构建图的邻接矩阵,从而形成负荷数据的全连接时空图;然后,结合滑动窗口算法思想,将构建的全连接图连续分割为一系列子图,再利用图卷积神经网络(graph convolution neural network,GCN)对每个子图单独进行特征提取;其次,为了实现对多源负荷数据的多角度特征提取,FCGCN采用多分支并行结构,将每个分支提取的特征向量串联,并通过全连接层完成对不同负荷的预测;最后,利用来自某生产基地的实际负荷数据进行验证实验。结果表明:与常见的预测模型相比,FCGCN能取得更高的预测精度。 展开更多
关键词 电力系统 多源负荷数据 短期负荷预测 全连接时空图 图卷积神经网络
在线阅读 下载PDF
改进秃鹰算法优化ELM的短期电力负荷预测研究
6
作者 张旭 汪繁荣 《现代电子技术》 北大核心 2025年第18期107-113,共7页
针对现阶段电力环境日益复杂,短期电力负荷预测方法存在预测精度不高、收敛速度慢的问题,提出一种基于改进秃鹰搜索算法(IBES)优化极限学习机(ELM)的短期电力负荷预测模型。原始秃鹰搜索算法在确定ELM中的连接权重和隐含层阈值时,容易... 针对现阶段电力环境日益复杂,短期电力负荷预测方法存在预测精度不高、收敛速度慢的问题,提出一种基于改进秃鹰搜索算法(IBES)优化极限学习机(ELM)的短期电力负荷预测模型。原始秃鹰搜索算法在确定ELM中的连接权重和隐含层阈值时,容易陷入局部最优,且收敛速度慢,导致预测精度不高。针对这一问题,首先利用Piecewise混沌映射初始化秃鹰种群,增加多样性;然后引入莱维飞行策略,扩大种群的搜索范围,使其能及时跳出局部最优点;最后,引入动态权重因子,提高秃鹰的局部搜索能力。利用改进的秃鹰搜索算法对ELM的两个随机参数进行寻优,从而建立IBES-ELM短期电力负荷预测模型。结合某地区的实际电力负荷数据进行预测分析,结果表明,相比于ELM、BES-ELM、PSO-ELM、DBO-ELM,改进的模型在预测精度和收敛速度上均有提升。 展开更多
关键词 短期电力负荷预测 改进秃鹰搜索算法 极限学习机 Piecewise混沌映射 莱维飞行策略 动态权重因子
在线阅读 下载PDF
基于重构分解和误差补偿的短期电力负荷双层协同预测
7
作者 李阳 徐燕龙 +3 位作者 王沼民 叶永盛 黎丽丽 黄江华 《电网与清洁能源》 北大核心 2025年第2期75-83,共9页
为有效提高短期电力负荷预测精度,提出了一种基于重构分解和误差补偿的双层协同预测方法。上层以改进的完全集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)、排列熵、K-medo... 为有效提高短期电力负荷预测精度,提出了一种基于重构分解和误差补偿的双层协同预测方法。上层以改进的完全集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)、排列熵、K-medoids聚类和自适应变分模态分解组成的重构分解方法降低负荷序列的不可预测性,进一步构建时间卷积网络联立双向门控循环单元的混合预测模型(temporalconvolutional network-bidirectional gated recurrent unit,TCBG);下层以上层负荷预测误差以及历史误差为输入,建立ICEEMDAN-TCBG误差补偿模型,修正上层预测结果。以爱尔兰地区2019年电力负荷为算例搭建多组分析实验,实验结果表明:所提方法的MAE和MAPE分别为298.079 MW和1.242%,优于其他对比方法。 展开更多
关键词 短期电力负荷 重构分解 误差补偿 双层协同预测
在线阅读 下载PDF
基于多源域迁移学习的船舶电力负荷预测研究
8
作者 邢承斌 刘斌 +4 位作者 汪大春 岳小林 马明轩 马君 王伟 《舰船科学技术》 北大核心 2025年第7期153-159,共7页
复杂工况和恶劣环境下的船舶电力负荷预测对船舶的能量管理意义重大,因此提出一种基于多源域迁移学习(MDT)、稀疏自编码器(SAE)和nCPSO算法优化一维卷积神经网络和双向长短时记忆神经网络(nCPSO-1DCNN-BiLSTM)的船舶电力负荷预测模型。... 复杂工况和恶劣环境下的船舶电力负荷预测对船舶的能量管理意义重大,因此提出一种基于多源域迁移学习(MDT)、稀疏自编码器(SAE)和nCPSO算法优化一维卷积神经网络和双向长短时记忆神经网络(nCPSO-1DCNN-BiLSTM)的船舶电力负荷预测模型。首先利用SAE增强多工况数据特征,然后建立nCPSO-1DCNN-BiLSTM特征提取模型,最后在互相关法(CORAL)和联合最大平均差异法(JMMD)算法作用下实现域间自适应并利用多个源域数据进行目标域电力负荷预测。结果表明,所提方法在多种工况下较不迁移和单源域迁移模型精度均有所提升,对船舶设备的能量管理具有一定指导意义。 展开更多
关键词 船舶电力负荷预测 多工况 多源域迁移 域间自适应
在线阅读 下载PDF
基于优化VMD和BiLSTM的短期负荷预测 被引量：1
9
作者 谢国民 陆子俊 《电力系统及其自动化学报》 北大核心 2025年第4期30-39,共10页
针对电力负荷数据周期性强、波动性高,预测效果不佳的问题,建立一种基于优化变分模态分解、改进沙猫群优化(improved sand cat swarm optimization,ISCSO)算法和双向长短时记忆(bidirectional long short-term memory,BiLSTM)网络的集... 针对电力负荷数据周期性强、波动性高,预测效果不佳的问题,建立一种基于优化变分模态分解、改进沙猫群优化(improved sand cat swarm optimization,ISCSO)算法和双向长短时记忆(bidirectional long short-term memory,BiLSTM)网络的集成预测模型。首先,对原始电力负荷数据进行变分模态分解,降低数据复杂度,在变分模态分解中,引入白鲸算法对分解层数和惩罚因子寻优,优化分解效果。其次,采用Logistic混沌映射、螺旋搜索和麻雀思想引入的多策略改进方法,增加原始沙猫群优化算法的种群多样性,提升收敛精度和全局搜索能力,并用改进后的算法对BiLSTM中的超参数进行优化。然后,结合AdaBoost集成学习算法构建ISCSO-Bi LSTM-AdaBoost预测模型,将分解后的各分量输入模型预测。最后将各预测值叠加,得到最终预测结果。实验结果表明,本文建立的组合模型预测精度高,稳定性强。 展开更多
关键词 电力负荷预测 变分模态分解 双向长短期记忆网络 改进沙猫群优化算法 集成学习算法
在线阅读 下载PDF
基于CEEMD的分特征组合超短期负荷预测模型
10
作者 商立群 贾丹铭 +1 位作者 安迪 王俊昆 《广西师范大学学报(自然科学版)》 北大核心 2025年第5期41-51,共11页
电力负荷预测对电力调度和系统安全至关重要。针对超短期负荷预测,本文提出一种结合补充集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)与机器学习、智能优化算法的组合预测模型。首先通过CEEMD对原始... 电力负荷预测对电力调度和系统安全至关重要。针对超短期负荷预测,本文提出一种结合补充集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)与机器学习、智能优化算法的组合预测模型。首先通过CEEMD对原始数据进行分解,再利用排列熵(permutation entropy,PE)阈值进行分量分流。高频信号采用双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)预测,低频信号则通过混合核极限学习机(hybrid kernel extreme learning machine,HKELM)并结合雪消融优化算法(snow ablation optimizer,SAO)进行优化预测。最终,各分量预测结果叠加得到综合预测值。通过实例分析,模型的均方根误差、平均绝对误差和平均绝对百分比误差分别为61.61 kW、43.91 kW和0.38%,显著优于传统模型。实验结果表明,该模型充分发掘数据内在特征、结合各方法预测优势,在超短期负荷预测中具有较高的精度。 展开更多
关键词 短期电力负荷预测 CEEMD 排列熵 双向长短期记忆网络 极限学习机 智能优化算法
在线阅读 下载PDF
基于CNN-SAEDN-Res的短期电力负荷预测方法 被引量：12
11
作者 崔杨 朱晗 +2 位作者 王议坚 张璐 李扬 《电力自动化设备》 EI CSCD 北大核心 2024年第4期164-170,共7页
基于深度学习的序列模型难以处理混有非时序因素的负荷数据,这导致预测精度不足。提出一种基于卷积神经网络(CNN)、自注意力编码解码网络(SAEDN)和残差优化(Res)的短期电力负荷预测方法。特征提取模块由二维卷积神经网络组成,用于挖掘... 基于深度学习的序列模型难以处理混有非时序因素的负荷数据,这导致预测精度不足。提出一种基于卷积神经网络(CNN)、自注意力编码解码网络(SAEDN)和残差优化(Res)的短期电力负荷预测方法。特征提取模块由二维卷积神经网络组成,用于挖掘数据间的局部相关性,获取高维特征。初始负荷预测模块由自注意力编码解码网络和前馈神经网络构成,利用自注意力机制对高维特征进行自注意力编码,获取数据间的全局相关性,从而模型能根据数据间的耦合关系保留混有非时序因素数据中的重要信息,通过解码模块进行自注意力解码,并利用前馈神经网络回归初始负荷。引入残差机制构建负荷优化模块,生成负荷残差,优化初始负荷。算例结果表明,所提方法在预测精度和预测稳定性方面具有优势。 展开更多
关键词 短期电力负荷预测 卷积神经网络 自注意力机制 残差机制 负荷优化
在线阅读 下载PDF
一种时频尺度下的多元短期电力负荷组合预测方法 被引量：7
12
作者 李楠 姜涛 +1 位作者 隋想 胡禹先 《电力系统保护与控制》 EI CSCD 北大核心 2024年第13期47-58,共12页
随机因素的增加导致电力负荷数据成分日渐复杂,使短期负荷预测的难度逐渐增大。针对该问题,提出一种时频尺度下的时间卷积网络与多元线性回归相融合的组合预测模型。利用自适应噪声完备集合经验模态分解(complete ensemble empirical mo... 随机因素的增加导致电力负荷数据成分日渐复杂,使短期负荷预测的难度逐渐增大。针对该问题,提出一种时频尺度下的时间卷积网络与多元线性回归相融合的组合预测模型。利用自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)在时频域上将负荷数据分解为若干个频率特征不同的本征模态分量,在模糊熵准则下聚类为随机项和趋势项。采用皮尔逊系数从诸多影响因素中筛选出与电力负荷高度相关的特征,鉴于小时间尺度分析更易于挖掘局部细节特征,分别构建了随机项与趋势项的细颗粒度特征集。利用具有强非线性处理能力的时间卷积网络(temporal convolutional network,TCN)去预测随机项,利用结构简单及线性拟合效果好的多元线性回归(multiplelinearregression,MLR)去预测趋势项,将二者的预测结果进行叠加重构后获得最终预测值。在新加坡和比利时两组数据集上的实验结果证明:所提模型具有较高的预测精度、较好的泛化性能及鲁棒性。 展开更多
关键词 短期电力负荷预测 时频尺度 分解算法 模糊熵 模型融合
在线阅读 下载PDF
基于多维气象信息时空融合和MPA-VMD的短期电力负荷组合预测模型 被引量：6
13
作者 王凌云 周翔 +2 位作者 田恬 杨波 李世春 《电力自动化设备》 EI CSCD 北大核心 2024年第2期190-197,共8页
为提高电力负荷预测精度,需考虑区域内不同地区多维气象信息对电力负荷影响的差异性。在空间维度上,提出多维气象信息时空融合的方法,利用Copula理论将多座气象站的风速、降雨量、温度、日照强度等气象信息与电力负荷进行非线性耦合分... 为提高电力负荷预测精度,需考虑区域内不同地区多维气象信息对电力负荷影响的差异性。在空间维度上,提出多维气象信息时空融合的方法,利用Copula理论将多座气象站的风速、降雨量、温度、日照强度等气象信息与电力负荷进行非线性耦合分析并实现时空融合。在时间维度上,采用海洋捕食者算法(MPA)实现变分模态分解(VMD)核心参数的自动寻优,并采用加权排列熵构造MPA-VMD适应度函数,实现负荷序列的自适应分解。通过将时间维度各分量与空间维度各气象信息进行融合构造长短期记忆(LSTM)网络模型与海洋捕食者算法-最小二乘支持向量机(MPA-LSSVM)模型的输入集,得到各分量预测结果,根据评价指标选择各分量对应的预测模型,重构得到整体预测结果。算例分析结果表明,所提预测模型优于传统预测模型,有效提高了电力负荷预测精度。 展开更多
关键词 短期电力负荷预测 海洋捕食者算法 时空融合 COPULA理论 变分模态分解
在线阅读 下载PDF
基于极限学习机的短期电力负荷在线预测 被引量：2
14
作者 杨凌 彭文英 +2 位作者 杨思怡 杜娟 程丽 《兰州大学学报（自然科学版）》 CAS CSCD 北大核心 2024年第5期637-644,共8页
为满足智能电网对电力负荷实时预测的需求,提出基于稀疏递归最小二乘法的极限学习机(SRLS-ELM)在线学习算法,用于短期电力负荷的在线预测.相比在线序列ELM, SRLS-ELM算法无需选择离线样本初始化网络输出权重,将网络学习的平方误差与输... 为满足智能电网对电力负荷实时预测的需求,提出基于稀疏递归最小二乘法的极限学习机(SRLS-ELM)在线学习算法,用于短期电力负荷的在线预测.相比在线序列ELM, SRLS-ELM算法无需选择离线样本初始化网络输出权重,将网络学习的平方误差与输出权值的稀疏正则化项相结合,用l1-范数稀疏化网络隐藏层节点,用次梯度策略解决求解过程中代价函数无法处处可微的问题,以递归最小二乘的训练方法完成在线学习,根据估计误差自适应寻找最优正则化参数.仿真结果表明,基于SRLS-ELM的算法能有效简化网络结构,且与ELM、堆叠核ELM批量、在线序列ELM半在线以及精确在线支持向量机回归模型相比,对短期电力负荷在线预测时具有更高的预测精度和学习效率,且鲁棒性强. 展开更多
关键词 短期电力负荷预测 极限学习机 在线学习 正则化
在线阅读 下载PDF
基于CNN-BiGRU-Attention的短期电力负荷预测 被引量：13
15
作者 任爽 杨凯 +3 位作者 商继财 祁继明 魏翔宇 蔡永根 《电气工程学报》 CSCD 北大核心 2024年第1期344-350,共7页
针对目前电力负荷数据随机性强,影响因素复杂,传统单一预测模型精度低的问题,结合卷积神经网络(Convolutional neural network,CNN)、双向门控循环单元(Bi-directional gated recurrent unit,BiGRU)以及注意力机制(Attention)在短期电... 针对目前电力负荷数据随机性强,影响因素复杂,传统单一预测模型精度低的问题,结合卷积神经网络(Convolutional neural network,CNN)、双向门控循环单元(Bi-directional gated recurrent unit,BiGRU)以及注意力机制(Attention)在短期电力负荷预测上的不同优点,提出一种基于CNN-BiGRU-Attention的混合预测模型。该方法首先通过CNN对历史负荷和气象数据进行初步特征提取,然后利用BiGRU进一步挖掘特征数据间时序关联,再引入注意力机制,对BiGRU输出状态给与不同权重,强化关键特征,最后完成负荷预测。试验结果表明,该模型的平均绝对百分比误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)、判定系数(R-square,R~2)分别为0.167%、0.057%、0.993,三项指标明显优于其他模型,具有更高的预测精度和稳定性,验证了模型在短期负荷预测中的优势。 展开更多
关键词 卷积神经网络 双向门控循环单元 注意力机制 短期电力负荷预测 混合预测模型
在线阅读 下载PDF
基于生成对抗网络和EMD-ISSA-LSTM的短期电力负荷预测 被引量：4
16
作者 曾进辉 苏旨音 +2 位作者 肖锋 刘颉 孙贤水 《电子测量技术》 北大核心 2024年第20期92-100,共9页
针对电力负荷本身固有的不稳定性和非线性,导致短期电力负荷预测精度难以提升问题。本文提出一种基于EMD和LSTM相结合的短期电力负荷预测方法。首先,利用EMD将原始信号分解为一系列本征模态函数和一个残差量。随后,将所有分量输入LSTM... 针对电力负荷本身固有的不稳定性和非线性,导致短期电力负荷预测精度难以提升问题。本文提出一种基于EMD和LSTM相结合的短期电力负荷预测方法。首先,利用EMD将原始信号分解为一系列本征模态函数和一个残差量。随后,将所有分量输入LSTM中。为进一步提升负荷预测精度和优化模型泛化能力,分别对大分量信号引入改进麻雀搜寻算法优化LSTM超参数和对原始负荷数据引入表格生成对抗网络生成新数据样本,形成基于表格生成对抗网络和EMD-ISSA-LSTM的短期电力负荷预测方法。最后,分别采用第九届电工数学建模竞赛负荷数据和湖南省某地市含分布式电源的负荷数据进行效果验证。结果表明,在两种数据集下,该模型的平均绝对百分比误差分别为2.37%和2.76%,验证了该方法的有效性。 展开更多
关键词 短期电力负荷预测 经验模态分解 长短期记忆神经网络 改进麻雀搜寻算法 生成对抗网络
在线阅读 下载PDF
基于N-BEATS与辅助编码器的短期电力负荷预测 被引量：7
17
作者 范茜茜 王国强 +1 位作者 罗贺 台建玮 《电网技术》 EI CSCD 北大核心 2024年第4期1612-1621,共10页
短期电力负荷预测的准确性对智能电网平稳高效运行具有重要意义,但多种因素影响下的负荷数据具有较强的非平稳性与随机波动性,使得高精度的短期电力负荷预测面临挑战。为充分挖掘负荷序列中的趋势特征与周期性特征,准确提取与电力负荷... 短期电力负荷预测的准确性对智能电网平稳高效运行具有重要意义,但多种因素影响下的负荷数据具有较强的非平稳性与随机波动性,使得高精度的短期电力负荷预测面临挑战。为充分挖掘负荷序列中的趋势特征与周期性特征,准确提取与电力负荷存在潜在相关性的辅助信息特征,提升短期电力负荷预测精度,该文提出了一种基于神经基扩展分析(neural basis expansion analysis,N-BEATS)与辅助编码器的短期电力负荷预测模型。该模型包含两个并行的编码器,基于神经基扩展分析(neural basis expansion analysis,N-BEATS)模型的负荷特征编码器和基于多头注意力机制的辅助信息编码器,分别用于学习负荷数据中的时序特征与辅助信息特征。同时,构建特征融合模块将时序特征和辅助信息特征构造成联合特征向量,并设计基于门控循环单元(gated recurrent unit,GRU)的预测解码器模块进行短期电力负荷预测。在GEFCom2014公开数据集上进行实验,结果表明所提方法与长短期记忆(long short-termmemory,LSTM)网络模型、卷积神经网络(convolutional neural network,CNN)-LSTM网络模型、序列到序列(sequence-to-sequence,Seq2Seq)网络模型、季节自回归差分移动平均(seasonal autoregressive integrated moving average,SARIMA)模型及支持向量回归模型(support vector returns,SVR)等基线模型相比,在预测精度方面具有明显优势,平均绝对百分比误差(mean absolute percentage error,MAPE)平均提升了24.16%。 展开更多
关键词 短期电力负荷预测 神经基扩展分析 多头注意力机制 特征融合 深度学习
在线阅读 下载PDF
基于改进Autoformer模型的短期电力负荷预测 被引量：11
18
作者 范杏蕊 李元诚 《电力自动化设备》 EI CSCD 北大核心 2024年第4期171-177,共7页
针对短期电力负荷预测因受天气、温度、节假日等多重不确定性因素影响而造成精度低的问题,提出一种基于改进Autoformer模型的短期电力负荷预测模型。改变序列分解预处理的惯例,设计深度模型的内部分解模块,该模块提取模型中隐藏状态的... 针对短期电力负荷预测因受天气、温度、节假日等多重不确定性因素影响而造成精度低的问题,提出一种基于改进Autoformer模型的短期电力负荷预测模型。改变序列分解预处理的惯例,设计深度模型的内部分解模块,该模块提取模型中隐藏状态的内在复杂时序趋势,使得模型具有复杂时间序列的渐进分解能力;提出Nystrom自注意力机制,该机制利用Nystrom方法来逼近标准的自注意力机制。某地电力负荷预测实验结果表明,所提模型比基于标准Autoformer模型的短期电力负荷预测模型的时间复杂度更低,准确率更高。 展开更多
关键词 短期电力负荷预测 时序分解模块 Nystrom自注意力机制 Sdformer模型
在线阅读 下载PDF
基于神经网络的船舶综合电力系统负荷组合预测研究 被引量：3
19
作者 严文博 黄云辉 +3 位作者 熊斌宇 唐金锐 王栋 周克亮 《舰船科学技术》 北大核心 2024年第7期112-120,共9页
随着纯电动船舶的高速发展,其用电负荷在电力市场交易中的影响日渐突出,为此该文提出一种船舶综合电力系统负荷神经网络组合预测方法,旨在提高预测精度。首先,分析纯电动船舶综合电力系统在多种工况下的负荷特性。然后,研究基于典型神... 随着纯电动船舶的高速发展,其用电负荷在电力市场交易中的影响日渐突出,为此该文提出一种船舶综合电力系统负荷神经网络组合预测方法,旨在提高预测精度。首先,分析纯电动船舶综合电力系统在多种工况下的负荷特性。然后,研究基于典型神经网络的船舶综合电力系统负荷预测方法,揭示其在复杂工况下预测的局限性。针对以上问题,提出了基于BP和RBF神经网络相结合的船舶综合电力系统负荷组合预测方法。此组合预测方法集合了BP和RBF神经网络模型的优势,提高了预测模型的泛化能力和容错率。最后,以江苏某纯电动船舶为实际算例,针对复杂工况下的船舶综合电力系统负荷进行对比预测。结果表明,所提方法与单一预测算法相比,预测精度从96.63%提高至98.98%。 展开更多
关键词 船舶电力系统 负荷预测 BP神经网络 RBF神经网络
在线阅读 下载PDF
基于CEEMDAN模态分解和TCN-BiGRU的短期电力负荷预测 被引量：9
20
作者 唐竹 肖宇航 +4 位作者 郭淳 梅秋怡 王森 郑宽昀 毛新颖 《智慧电力》 北大核心 2024年第12期59-64,72,共7页
为了深入分析复杂的短期电力负荷变化规律和其长期相关性,提出了一种基于自适应噪声完备集合经验模态分解(CEEMDAN)的时间卷积网络(TCN)与双向门控循环单元(BiGRU)的融合模型。采用CEEMDAN方法将完整的电力负荷数据分解成多个本征模态... 为了深入分析复杂的短期电力负荷变化规律和其长期相关性,提出了一种基于自适应噪声完备集合经验模态分解(CEEMDAN)的时间卷积网络(TCN)与双向门控循环单元(BiGRU)的融合模型。采用CEEMDAN方法将完整的电力负荷数据分解成多个本征模态函数序列和残差项序列,通过时间卷积网络模型的扩展卷积策略提取时间序列的特征;结合双向门控循环单元的非线性拟合能力进一步提取TCN训练输出的非线性特征。实验结果表明,在短期电力负荷预测中,所提模型预测的决定系数为96.6%、平均绝对百分比误差为3.82%、平均绝对误差为45.5,各项指标均优于对比模型。 展开更多
关键词 短期电力负荷预测 模态分解 时间卷积网络 双向门控循环单元
在线阅读 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 2 … 20 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部