科研之友
微信
新浪微博
Facebook
分享链接
摘要
为提升电力系统短期负荷的预测精度,需要从海量信息中筛选出有效的数据。首先,采用完全自适应噪声集合经验模态分解法(CEEMDAN)消除数据中的模态混叠问题,针对电力负荷数据时序性和非线性的特点,提出注意力机制(AM)、卷积神经网络(CNN)和双向门控循环单元(Bi GRU)组合的短期负荷预测模型;其次,配合AM的CNN能准确的对有效特征进行提取,将提取的特征向量构造为时序序列输入Bi GRU模型中,学习在温度、湿度、降雨量条件影响下的时序特征;最后,提出的模型结构对负荷预测的准确率要高于双向门控循环单元和循环记忆网络。
- 出版日期2022
- 单位上海电机学院
