针对非平稳的家庭短期负荷数据,直接套用预测模型难以挖掘出更深层次的时序特征。提出一种经验模式分解（Empirical Mode Decomposition, EMD）和堆栈式长短期记忆（Stack Long Short-term Memory, SLSTM）的组合算法应用于家庭短期负荷预测。首先分析了SLSTM和EMD原理,提出EMD-SLSTM组合预测模型。将负荷数据通过EMD算法进行分解,然后将分解后的分量数据分别转化为三维数据样本。通过设计SLSTM网络架构及其参数,对归一化的分量数据和原始数据分别进行预测建模及其重构。为显示算法预测性能,实验对比了支持向量回归、人工神经网络、深度神经网络、梯度提升回归等模型在两种情景下的性能,采用MAPE和RMSE性能度量进行验证。实验结果表明EMD-SLSTM更能有效地表达出家庭短期负荷的时序关系,具有更高的预测精度。
类型: 期刊论文
作者: 刘建华,李锦程,杨龙月,闫耀双,刘艳梅,张屹修
关键词: 家庭短期负荷预测,深度学习,堆栈式长短期记忆网络,经验模式分解,时间序列
来源: 电力系统保护与控制 2019年06期
年度: 2019
分类: 工程科技Ⅱ辑
专业: 电力工业
单位: 中国矿业大学电气与动力工程学院
基金: 青年科学基金项目资助(51607179)~~
分类号: TM715
页码: 40-47
总页数: 8
文件大小: 770K
下载量: 549
本文来源: https://www.lunwen90.cn/article/a3ba0973892a8925b9e08741.html