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
1
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
基于自适应深度长短时记忆网络的电力负荷预测
1
作者
丁子涵
施亚华
《数字技术与应用》
2018年第8期95-98,共4页
电力负荷数据有着明显的时序依赖关系。针对电力负荷的时序依赖特性,提出了一种基于自适应深度长短时记忆网络模型来进行电力负荷的预测。该模型通过深度长短时记忆网络有效的提取负荷序列的时序依赖关系。另外,该模型输入的自适应度量...
电力负荷数据有着明显的时序依赖关系。针对电力负荷的时序依赖特性,提出了一种基于自适应深度长短时记忆网络模型来进行电力负荷的预测。该模型通过深度长短时记忆网络有效的提取负荷序列的时序依赖关系。另外,该模型输入的自适应度量可以解决幅度变化和趋势确定的问题,避免了网络的过拟合。新的混合输出机制可以通过相对误差调整预测结果,使预测结果更加准确。实验结果表明,该模型优于BP神经网络、自回归模型、灰色系统、极限学习机模型和K-近邻模型。自适应深度LSTM网络为电力负荷预测提供了一种新的有效方法。
展开更多
关键词
电力负荷
预测分析
长短时记忆网络
深度学习
下载PDF
职称材料
题名
基于自适应深度长短时记忆网络的电力负荷预测
1
作者
丁子涵
施亚华
机构
江苏省
东台
中学
东台市三新供电服务有限公司
出处
《数字技术与应用》
2018年第8期95-98,共4页
文摘
电力负荷数据有着明显的时序依赖关系。针对电力负荷的时序依赖特性,提出了一种基于自适应深度长短时记忆网络模型来进行电力负荷的预测。该模型通过深度长短时记忆网络有效的提取负荷序列的时序依赖关系。另外,该模型输入的自适应度量可以解决幅度变化和趋势确定的问题,避免了网络的过拟合。新的混合输出机制可以通过相对误差调整预测结果,使预测结果更加准确。实验结果表明,该模型优于BP神经网络、自回归模型、灰色系统、极限学习机模型和K-近邻模型。自适应深度LSTM网络为电力负荷预测提供了一种新的有效方法。
关键词
电力负荷
预测分析
长短时记忆网络
深度学习
Keywords
power load
prediction analysis
long and short time memory network
deep learning
分类号
TM714 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于自适应深度长短时记忆网络的电力负荷预测
丁子涵
施亚华
《数字技术与应用》
2018
0
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