首頁(yè) > 期刊 > 自然科學(xué)與工程技術(shù) > 工程科技II > 電力工業(yè) > 電力科學(xué)與工程 > EMD-LSTM算法在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用 【正文】
EMD-LSTM算法在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用
任成國(guó); 肖兒良; 簡(jiǎn)獻(xiàn)忠; 王如志 上海理工大學(xué)光電信息與計(jì)算機(jī)工程學(xué)院; 上海200093; 上海市現(xiàn)代光學(xué)系統(tǒng)實(shí)驗(yàn)室; 上海200093; 北京工業(yè)大學(xué)材料科學(xué)與工程學(xué)院; 北京100020
- 短期電力負(fù)荷預(yù)測(cè)
- 經(jīng)驗(yàn)?zāi)B(tài)分解
- 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)
- 循環(huán)神經(jīng)網(wǎng)絡(luò)
摘要：針對(duì)傳統(tǒng)的負(fù)荷預(yù)測(cè)方法不能充分利用數(shù)據(jù)的相關(guān)性從而導(dǎo)致預(yù)測(cè)精度不高的問(wèn)題,提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)相結(jié)合的負(fù)荷預(yù)測(cè)模型。該模型首先利用EMD算法將時(shí)間序列信號(hào)分解為數(shù)個(gè)本征模函數(shù)(IMF)分量和趨勢(shì)分量。然后利用LSTM存儲(chǔ)單元能夠長(zhǎng)期學(xué)習(xí)歷史負(fù)荷數(shù)據(jù)中的有用信息并且去除無(wú)用信息的特性,對(duì)每個(gè)提取的IMF和趨勢(shì)項(xiàng)分別建立LSTM模型進(jìn)行預(yù)測(cè),最后將所有分量的預(yù)測(cè)值累加得到最終的預(yù)測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明,BP模型的平均絕對(duì)百分誤差為3.47%,LSTM模型的平均絕對(duì)百分誤差為2.63%,EMD-LSTM模型的平均絕對(duì)百分誤差為1.23%,能夠滿足更高的預(yù)測(cè)精度要求。
- 短期電力負(fù)荷預(yù)測(cè)
- 經(jīng)驗(yàn)?zāi)B(tài)分解
- 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)
- 循環(huán)神經(jīng)網(wǎng)絡(luò)
摘要：針對(duì)傳統(tǒng)的負(fù)荷預(yù)測(cè)方法不能充分利用數(shù)據(jù)的相關(guān)性從而導(dǎo)致預(yù)測(cè)精度不高的問(wèn)題,提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)相結(jié)合的負(fù)荷預(yù)測(cè)模型。該模型首先利用EMD算法將時(shí)間序列信號(hào)分解為數(shù)個(gè)本征模函數(shù)(IMF)分量和趨勢(shì)分量。然后利用LSTM存儲(chǔ)單元能夠長(zhǎng)期學(xué)習(xí)歷史負(fù)荷數(shù)據(jù)中的有用信息并且去除無(wú)用信息的特性,對(duì)每個(gè)提取的IMF和趨勢(shì)項(xiàng)分別建立LSTM模型進(jìn)行預(yù)測(cè),最后將所有分量的預(yù)測(cè)值累加得到最終的預(yù)測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明,BP模型的平均絕對(duì)百分誤差為3.47%,LSTM模型的平均絕對(duì)百分誤差為2.63%,EMD-LSTM模型的平均絕對(duì)百分誤差為1.23%,能夠滿足更高的預(yù)測(cè)精度要求。
注：因版權(quán)方要求，不能公開(kāi)全文，如需全文，請(qǐng)咨詢雜志社
電力科學(xué)與工程
- 預(yù)計(jì)1個(gè)月內(nèi) 預(yù)計(jì)審稿周期
- 0.66 影響因子
- 電力 快捷分類
- 月刊 出版周期
主管單位：中華人民共和國(guó)教育部;主辦單位：華北電力大學(xué)
