基于LSSVR和LSTM的多模型优化集成负荷预测方法

文档名：基于LSSVR和LSTM的多模型优化集成负荷预测方法
针对负荷需求受多源因素影响和现有单模型预测方法精度较低的问题,提出了一种基于最小二乘支持向量回归(LSSVR)和长短期记忆循环神经网络(LSTM)的多模型优化集成负荷预测方法.首先探究负荷相关特征的波动特性并由互信息进行特征选择,获取最优特征集.然后,采用随机抽样(bootstrap)生成多个训练集,对生成的多个训练集使用具有良好预测能力LSSVR和LSTM模型进行预测.利用混沌粒子群优化(CPSO)进一步提高模型预测精度.最后,在决策阶段中使用偏最小二乘回归(PLSR)组合各个子模型的最优预测并提供最终预测结果.对真实电网数据进行了实验仿真,并与其它预测方法进行了比较.本文所提方法的应用范围广泛且预测精度提高显著.
作者：郭傅傲刘大明
作者单位：上海电力大学计算机科学与技术学院,上海市200090
母体文献：2019年上海市“智能计算与智能电网”研究生学术论坛论文集
会议名称：2019年上海市“智能计算与智能电网”研究生学术论坛  
会议时间：2019年5月17日
会议地点：上海
主办单位：上海市学位委员会
语种：chi
分类号：TP2TU9
关键词：电力系统  负荷预测  最小二乘支持向量回归  长短期记忆循环神经网络
在线出版日期：2022年9月21日
基金项目：
相似文献
相关博文

2024-12-10 13:12 上传 基于LSSVR和LSTM的多模型优化集成负荷预测方法.pdf

文件大小:

1002.97 KB

下载次数:

60

高速下载