本文主要研究内容
作者王增平,赵兵,纪维佳,高欣,李晓兵（2019）在《基于GRU-NN模型的短期负荷预测方法》一文中研究指出：目前基于统计分析和机器学习的预测方法难以同时兼顾负荷数据的时序性和非线性特点。文中提出了一种基于GRU-NN模型的短期电力负荷预测方法。该方法基于深度学习思想处理不同类型的负荷影响因素,引入门控循环单元(GRU)网络处理具有时序性特点的历史负荷序列,建模学习负荷数据内部动态变化规律,其输出结果与其他外部影响因素(天气、日类型等)融合为新的输入特征,使用深度神经网络进行处理,整体分析特征与负荷变化的内在联系,最后完成负荷预测。以美国某公共事业部门提供的公开数据集和中国某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.30%和97.12%,并与长短期记忆神经网络、多层感知机以及GRU神经网络方法进行对比,实验结果表明所提方法具有更高的预测精度和更快的预测速度。
Abstract
mu qian ji yu tong ji fen xi he ji qi xue xi de yu ce fang fa nan yi tong shi jian gu fu he shu ju de shi xu xing he fei xian xing te dian 。wen zhong di chu le yi chong ji yu GRU-NNmo xing de duan ji dian li fu he yu ce fang fa 。gai fang fa ji yu shen du xue xi sai xiang chu li bu tong lei xing de fu he ying xiang yin su ,yin ru men kong xun huan chan yuan (GRU)wang lao chu li ju you shi xu xing te dian de li shi fu he xu lie ,jian mo xue xi fu he shu ju nei bu dong tai bian hua gui lv ,ji shu chu jie guo yu ji ta wai bu ying xiang yin su (tian qi 、ri lei xing deng )rong ge wei xin de shu ru te zheng ,shi yong shen du shen jing wang lao jin hang chu li ,zheng ti fen xi te zheng yu fu he bian hua de nei zai lian ji ,zui hou wan cheng fu he yu ce 。yi mei guo mou gong gong shi ye bu men di gong de gong kai shu ju ji he zhong guo mou de ou de fu he shu ju zuo wei shi ji suan li ,gai fang fa yu ce jing du fen bie da dao le 97.30%he 97.12%,bing yu chang duan ji ji yi shen jing wang lao 、duo ceng gan zhi ji yi ji GRUshen jing wang lao fang fa jin hang dui bi ,shi yan jie guo biao ming suo di fang fa ju you geng gao de yu ce jing du he geng kuai de yu ce su du 。
论文参考文献
论文详细介绍
论文作者分别是来自电力系统自动化的王增平,赵兵,纪维佳,高欣,李晓兵，发表于刊物电力系统自动化2019年05期论文，是一篇关于电力系统论文,短期负荷预测论文,门控循环单元论文,深度神经网络论文,电力系统自动化2019年05期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自电力系统自动化2019年05期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：电力系统论文; 短期负荷预测论文; 门控循环单元论文; 深度神经网络论文; 电力系统自动化2019年05期论文;