-
题名基于CNN集成和非均匀量化的家庭负荷预测
被引量:1
- 1
-
-
作者
徐虎
刘新润
周宣
薛雷
苏永新
-
机构
威胜集团有限公司
湘潭大学自动化与电子信息学院
-
出处
《湘潭大学学报(自然科学版)》
CAS
2024年第1期70-82,共13页
-
基金
国家重点研发计划重点专项(SQ2022YFB2400013)。
-
文摘
负荷的多源不确定性和大小功率分布不均衡是制约家庭负荷短期预测精度的重要因素.为此,该文提出用非均匀量化消解功率偏态分布引起的量化误差大、高功率近似于“异常”样本等问题,融合卷积神经网络(CNN)和集成学习应对负荷多源不确定性导致的负荷规律复杂的问题.首先给出了家庭负荷短期预测框架;然后给出了基于μ律将负荷数据二次量化的方法,使负荷数据近似正态分布,同时将负荷及其相关数据交织成灰度图,便于提取特征数据间隐含的深层非线性关系;接着,面向家庭负荷短期预测,详细设计了CNN基础学习器、Adaboost协调多个CNN的集成学习算法.对不同温区的实际家庭提前1 h的负荷预测测试表明,该文方法的平分绝对百分比误差(MAPE)、均方程差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)等指标优于已有的先进预测方法.该方法可为公用部门和家庭用户的调度管理、优化控制提供高精度的短期能耗数据.
-
关键词
家庭负荷短期预测
卷积神经网络
集成学习
非均匀量化
-
Keywords
household load short-term forecasting
CNN
ensemble learning
non-uniform quantization
-
分类号
TM715
[电气工程—电力系统及自动化]
-
-
题名基于EMD-SLSTM的家庭短期负荷预测
被引量:58
- 2
-
-
作者
刘建华
李锦程
杨龙月
闫耀双
刘艳梅
张屹修
-
机构
中国矿业大学电气与动力工程学院
-
出处
《电力系统保护与控制》
EI
CSCD
北大核心
2019年第6期40-47,共8页
-
基金
青年科学基金项目资助(51607179)~~
-
文摘
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。
-
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
-
Keywords
short-term household load forecasting
deep learning
stack long short-term memory network
empirical mode decomposition
time series
-
分类号
TM715
[电气工程—电力系统及自动化]
-