排序方式: 共有2条查询结果,搜索用时 15 毫秒
1
1.
为了更有效地提取电力负荷数据中的潜藏特征与隐藏信息,提高电力负荷预测精度,针对负荷具有较强非线性、非平稳性和时序性特点,提出一种基于经验模态分解(empirical mode decomposition,EMD)、卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long... 相似文献
2.
为了更有效提取电力负荷数据中的特征信息,从原始含噪声较多的负荷序列中提取包含丰富特征信息的信号分量,提高电力负荷预测精度。针对变分模态分解(variational mode decomposition, VMD)参数设定经验与主观性较强,提出一种基于粒子群算法(particle swarm algorithm, PSO)优化参数的变分模态分解和门控循环单元(gated recurrent unit, GRU)的组合模型短期电力负荷预测方法,先通过粒子群算法对VMD最佳影响参数组合进行搜寻,得到最佳效果的分解子序列,减少不同趋势信息对预测精度影响。然后运用GRU网络,针对各子序列分量建立基于GRU的预测模型。最后叠加各子序列预测结果得到短期电力负荷的最终预测值。实验结果表明,相对于相对于BP神经网络(Back Propagation Neural Network)、支持向量机(support vector machine, SVM)、GRU模型和EMD-GRU模型以及未经优化VMD-GRU模型,此模型具有更高的负荷预测精度。 相似文献
1