10.19981/j.CN23-1581/G3.2022.25.003
基于改进深度神经网络的短期电力负荷预测
针对现有电力负荷预测方法精度比较低的问题,该文提出一种改进深度神经网络的短期电力负荷预测模型.首先通过长短时记忆网络(Long Short-Term Memory,LSTM)对不同类型的日历史用电量数据进行时间序列预测,然后通过前馈神经网络(Forward Feedback Neural Network,FFNN)以及一个热编码形状表示的附加信息来提高预测性能.最后采用均方根误差(Root Mean Square Error,RMSE)评估预测模型性能.仿真结果表明,与原始LSTM模型和平均基线的短期电力负荷预测模型相比,LSTM-FFNN预测模型识别精度更高.
长短时记忆、短期电力负荷预测、前馈神经网络、热编码、历史用电量、时间序列、均方根误差、移动平均基线
12
TM715(输配电工程、电力网及电力系统)
国家自然科学基金;江西省自然科学基金重点项目;江西省重点研发计划;江西省教育厅科技项目
2022-09-15(万方平台首次上网日期,不代表论文的发表时间)
共4页
12-15