基于多模型长短时记忆神经网络的电力负荷预测方法研究

• 作者: 吴佳佳 孔伯骏 杨金喜 薛晨 高洁
• 来源期刊: 机电信息
• 关键词: 电力负荷预测 密度聚类 神经网络
• 年，卷（期）: 2018,（30）
• 所属期刊栏目: 电气工程与自动化
• 页码范围: 30-31
• 页数: 2页
• 字数: 1909字
• 语种: 中文
• DOI: 10.3969/j.issn.1671-0797.2018.30.016

摘要

提出了一种基于多模型长短时记忆神经网络(LSTM)的电力负荷预测方法,该方法通过对历史电力负荷日曲线进行密度聚类,根据聚类结果以及历史日期的特征因素训练高斯朴素贝叶斯分类器,进而分类训练神经网络预测的输入,采用长短时记忆神经的深层网络对所述历史时刻的电力负荷数据和日期特征因素进行训练建模,以训练生成深度神经网络负荷预测模型.通过算例仿真,发现该方法相比于典型方法,能够精确预测出对应日期的用电负荷,提升预测效果,同时缩短网络训练时间,提升程序运行速度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	高洁		6	4	1.0	2.0
2	杨金喜		3	1	1.0	1.0
3	孔伯骏		1	1	1.0	1.0
4	吴佳佳		1	1	1.0	1.0
5	薛晨		1	1	1.0	1.0