期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于PCA-LSTM的城市燃气日负荷预测
1
作者
孙军民
张文涛
+1 位作者
刘超
于铭多
《城市燃气》
2023年第2期12-19,共8页
天然气是一种优质的低碳能源,燃气负荷预测可为燃气规划及调配提供重要依据。为寻求更精确的负荷预测方法,提出一种基于PCA-LSTM的燃气负荷预测模型,通过主成分分析对燃气日负荷影响因素特征提取,随后采用LSTM网络进行预测。并且由于不...
天然气是一种优质的低碳能源,燃气负荷预测可为燃气规划及调配提供重要依据。为寻求更精确的负荷预测方法,提出一种基于PCA-LSTM的燃气负荷预测模型,通过主成分分析对燃气日负荷影响因素特征提取,随后采用LSTM网络进行预测。并且由于不同时期的负荷具有不同的特点,将全部数据分为供暖季、过渡季及非供暖季3个时期分别进行预测,并与基于全年数据的预测模型进行对比。实验结果表明,与其他预测模型相比,基于数据分组的情况下,采用PCA-LSTM模型可以得到更好的预测效果,为城市燃气日负荷预测提供了一种更为有效的预测方法。
展开更多
关键词
燃气日负荷预测
数据分组
主成分分析
长短期记忆神经网络
下载PDF
职称材料
基于Dropout-LSTM模型的城市燃气日负荷预测
被引量:
2
2
作者
于铭多
郝学军
《煤气与热力》
2023年第2期V0010-V0016,共7页
提出采用Dropout技术的长短期记忆神经网络模型(Dropout-LSTM模型),对城市燃气日负荷进行预测。由于不同时期的燃气日负荷具有不同特点,将全年分为供暖期、过渡期及非供暖期,分别对3个时期的日负荷和影响因素进行相关性分析,确定3个模...
提出采用Dropout技术的长短期记忆神经网络模型(Dropout-LSTM模型),对城市燃气日负荷进行预测。由于不同时期的燃气日负荷具有不同特点,将全年分为供暖期、过渡期及非供暖期,分别对3个时期的日负荷和影响因素进行相关性分析,确定3个模型的输入特征,建立3个时期的日负荷预测Dropout-LSTM模型,采用平均绝对百分比误差对模型预测效果进行评价。Dropout-LSTM模型可以很好地预测城市燃气日负荷,比BP模型、LSTM模型以及SVM模型有更好的预测效果。与基于全年数据的全年预测模型相比,分时期预测模型预测精度更高。供暖期的燃气日负荷规律性强,对供暖期的日负荷预测精度最高,非供暖期次之,由于过渡期日负荷波动大,预测效果是3个时期中最差的。
展开更多
关键词
燃气日负荷
负荷预测
Dropout-LSTM模型
相关性分析
预测精度
下载PDF
职称材料
题名
基于PCA-LSTM的城市燃气日负荷预测
1
作者
孙军民
张文涛
刘超
于铭多
机构
涿州滨海燃气有限公司
北京建筑大学环境与能源应用工程学院
出处
《城市燃气》
2023年第2期12-19,共8页
文摘
天然气是一种优质的低碳能源,燃气负荷预测可为燃气规划及调配提供重要依据。为寻求更精确的负荷预测方法,提出一种基于PCA-LSTM的燃气负荷预测模型,通过主成分分析对燃气日负荷影响因素特征提取,随后采用LSTM网络进行预测。并且由于不同时期的负荷具有不同的特点,将全部数据分为供暖季、过渡季及非供暖季3个时期分别进行预测,并与基于全年数据的预测模型进行对比。实验结果表明,与其他预测模型相比,基于数据分组的情况下,采用PCA-LSTM模型可以得到更好的预测效果,为城市燃气日负荷预测提供了一种更为有效的预测方法。
关键词
燃气日负荷预测
数据分组
主成分分析
长短期记忆神经网络
分类号
TU996.3 [建筑科学—供热、供燃气、通风及空调工程]
下载PDF
职称材料
题名
基于Dropout-LSTM模型的城市燃气日负荷预测
被引量:
2
2
作者
于铭多
郝学军
机构
北京建筑大学环境与能源应用工程学院
出处
《煤气与热力》
2023年第2期V0010-V0016,共7页
文摘
提出采用Dropout技术的长短期记忆神经网络模型(Dropout-LSTM模型),对城市燃气日负荷进行预测。由于不同时期的燃气日负荷具有不同特点,将全年分为供暖期、过渡期及非供暖期,分别对3个时期的日负荷和影响因素进行相关性分析,确定3个模型的输入特征,建立3个时期的日负荷预测Dropout-LSTM模型,采用平均绝对百分比误差对模型预测效果进行评价。Dropout-LSTM模型可以很好地预测城市燃气日负荷,比BP模型、LSTM模型以及SVM模型有更好的预测效果。与基于全年数据的全年预测模型相比,分时期预测模型预测精度更高。供暖期的燃气日负荷规律性强,对供暖期的日负荷预测精度最高,非供暖期次之,由于过渡期日负荷波动大,预测效果是3个时期中最差的。
关键词
燃气日负荷
负荷预测
Dropout-LSTM模型
相关性分析
预测精度
Keywords
daily gas load
load forecasting
Dropout-LSTM model
correlation analysis
forecasting accuracy
分类号
TU996.3 [建筑科学—供热、供燃气、通风及空调工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于PCA-LSTM的城市燃气日负荷预测
孙军民
张文涛
刘超
于铭多
《城市燃气》
2023
0
下载PDF
职称材料
2
基于Dropout-LSTM模型的城市燃气日负荷预测
于铭多
郝学军
《煤气与热力》
2023
2
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部