期刊文献+

基于深度学习的水电站水流量和发电量区间预测 被引量:3

下载PDF
导出
摘要 本文为了解决水电预测不稳定问题,通过收集水牛家、自一里、木座三个水电站的水流量和发电量的历史时间序列为输入,提出了一种基于极限学习机和长短期记忆网络模型的区间预测方式,对水电站的水流量和发电量进行了预测。结果表明,该方法对水力发电的区间预测是有效的,具有很高的实际应用潜力。
出处 《电子技术与软件工程》 2020年第9期221-222,共2页 ELECTRONIC TECHNOLOGY & SOFTWARE ENGINEERING
基金 四川省科技计划资助,项目编号为2018GZDZX0044。
  • 相关文献

参考文献3

二级参考文献28

  • 1杨秀媛,肖洋,陈树勇.风电场风速和发电功率预测研究[J].中国电机工程学报,2005,25(11):1-5. 被引量:582
  • 2Tomonobu Senjyu, Hitoshi Takara. One-hour ahead load forecasting using neural network[J]. IEEE Transactions on Power Systems, 2002, 17(1): 113-118.
  • 3Chen Bo-Juen, Chang Ming-Wei, Lin Chih-Jen. Load forecasting using support vector machines: a study on EUNITE competition 2001[J]. IEEE Transactions on Power Systems, 2004, 19(4): 1821-1830.
  • 4Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: theory and applications[J]. Neurocomputing, 2006, 70(1-3): 489-501.
  • 5Vapnik V N. An overview of statistical learning theory[l]. IEEE Transactions on Neural Networks, 1999, 10(5): 988-999.
  • 6LIANG Nan-ying, HUANG Guang-bin, Saratchandran P, et al. A fast and accurate online sequential leaming algorithm for feedforward networks[J]. IEEE Transactions on Neural Networks, 2006, 17(6): 1411- 1423.
  • 7Huang G B, Ding X J, Zhou H M. Optimization method based extreme learning machine for classification[J]. Neurocompting, 2010, 74(1-3): 155-163.
  • 8Cortes C, Vapnik V. Support vector networks[J]. Machine Learning, 1995, 20(3): 273-297.
  • 9Suykens J A K, Vandewalle J. Least squares support vector machine classifiers[J]. Neural Processing Letters, 1999, 9(3): 293-300.
  • 10Huang G B, Chen L. Enhanced random search based incremental extreme learning machine[J]. Neurocomputing, 2008, 7l(16-18): 3460-3468.

共引文献239

同被引文献20

引证文献3

二级引证文献2

相关作者

内容加载中请稍等...

相关机构

内容加载中请稍等...

相关主题

内容加载中请稍等...

浏览历史

内容加载中请稍等...
;
使用帮助 返回顶部