10.3969/j.issn.1008-8032.2023.01.003
基于集成深度神经网络的短时电力负荷曲线预测方法
集成学习作为一类组合优化方法,通过组合多个或多类基学习器以获得性能更优的组合模型,达到提高模型泛化能力和输出精度的目的.针对短时电力负荷曲线预测需求,构建一种基于集成思想的深度神经网络预测模型.首先,利用Bootstrap方法采样生成多个样本子集,并行训练相应的深度神经网络基学习器.在此基础上,将多个模型的预测输出进行平均加权作为最终预测输出.最后,利用某电厂采集的短时负荷数据及其影响因素数据对模型的预测效果进行仿真验证.仿真结果表明,基于集成思想的深度神经网络预测模型,其预测效果优于单一的深度神经网络模型,可用于对短时电力负荷的预测.
集成学习、组合优化、基学习器、负荷曲线预测、深度神经网络
28
TP183;TM715(自动化基础理论)
2023-05-24(万方平台首次上网日期,不代表论文的发表时间)
共6页
5-10