基于长短时记忆网络的电力系统负荷预测方法研究
准确的负荷预测对保持电网的稳定性和提高当地经济效益、节约成本有重大帮助.考虑到负荷数据带有时序性,以及智能电网的发展所带来的数据量的增大,建立了长短时记忆网络(LSTM)模型来对未来用电量进行短期负荷预测.针对Adam训练算法可能存在的收敛问题,对其进行了改进,并通过MATLAB软件对LSTM网络进行建模,通过与BP神经网络进行对比,结果表明,LSTM模型具有更高的精确度以及实用性.
短期负荷预测、BP神经网络、长短时记忆网络、Adam算法
TM715(输配电工程、电力网及电力系统)
南京工程学院大学生科技创新基金 2018 年科技创新训练项目 TB201816025
2019-12-09(万方平台首次上网日期,不代表论文的发表时间)
共4页
17-20