基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法.pdf
2022-03-09 21:03:18
1.72MB
由于风电存在着不确定性，风电功率预测对于接入大量风电的电力系统意义重大。为了提高风电功率的预测精度，本文建立了基于经验模式分解法（EMD）与支持向量机（SVM）的复合预测模型。考虑到风力机组的输出有很强的非线性，该模型首先将训练数据按风速大小分成高、中、低3组，然后对各组的风电功率样本序列进行经验模式分解，并建立各个频带分量的支持向量机预测模型，各模型的预测结果等权求和即得到最终的功率预测值。使用风电场现场采集数据的预测结果，验证了该方法的可行性和有效性。
2022-03-05 16:32:37
628KB
1
提出了一种基于卷积神经网络和长短期记忆（LSTM）神经网络的深度学习网络结构。采用特征融合的方法，通过卷积网络提取出浅层特征与深层特征并进行联接，对特征通过卷积进行融合，将获得的矢量信息输入LSTM单元。分别使用数据光流信息与红绿蓝信息训练网络，将各网络的结果进行加权融合。实验结果表明，所提模型有效地提高了行为识别精度。
2022-03-04 18:35:40
4.68MB
1
优秀论文及配套源码。首先阐述了负荷预测的应用研究现状，概括了负荷预测的特点及其影响因素，归纳了短期负荷预测的常用方法，并分析了各种方法的优劣；接着介绍了作为支持向量机（SVM）理论基础的统计学习理论和SVM的原理，推导了SVM回归模型；本文采用最小二乘支持向量机（LSSVM）模型，根据浙江台州某地区的历史负荷数据和气象数据，分析影响预测的各种因素，总结了负荷变化的规律性，对历史负荷数据中的“异常数据”进行修正，对负荷预测中要考虑的相关因素进行了归一化处理。LSSVM中的两个参数对模型有很大影响，而目前依然是基于经验的办法解决。对此，本文采用粒子群优化算法对模型参数进行寻优，以测试集误差作为判决依据，实现模型参数的优化选择，使得预测精度有所提高。实际算例表明，本文的预测方法收敛性好、有较高的预测精度和较快的训练速度。
文件列表：
数据\a23.xls
数据\a45.xls
数据\B2.xls
数据\b3.xls
数据\B4.xls
数据\B5.xls
数据\bdata1.xls
AdaptFunc.m
AdaptFunc1.m
BaseStepPso.m
gaijin.m
InitSwarm.m
pso.m
shorttime.m
基于支持向量机的短期电力负荷预测.doc
2022-03-03 19:11:40
327KB
1