文档名：基于Stacking融合的LSTMSARBF短期负荷预测
摘要：为了解决单个神经网络预测的局限性和时间序列的波动性,提出了一种奇异谱分析(singularspectrumanaly-sis,SSA)和Stacking框架相结合的短期负荷预测方法.利用随机森林筛选出与历史负荷相关性强烈的特征因素,采用SSA为负荷数据降噪,简化模型计算过程;基于Stacking框架,结合长短期记忆(longandshort-termmemory,LSTM)-自注意力机制(self-attentionmechanism,SA)、径向基(radialbasefunctions,RBF)神经网络和线性回归方法集成新的组合模型,同时利用交叉验证方法避免模型过拟合;选取PJM和澳大利亚电力负荷数据集进行验证.仿真结果表明,与其他模型比较,所提模型预测精度高.
Abstract：Toavoidthelimitationsofindividualneuralnetworkforecastingandthevolatilityoftimeseries,thispaperproposesashort-termloadforecastingmodelcombiningsingularspectrumanalysis(SSA)andstackingframework.First,thestrongcorrelationcharacteristicfactorswithhistoricalloadarescreenedbyrandomforestandSSAtoreducenoiseforloaddataandsimplifythemodelcalculationprocess.Second,basedonthestackingframework,anewcombinedmodelisintegratedwithlong-andshort-termmemory(LSTM)self-attentionmechanism(SA),radialbasefunctions(RBF)neuralnetworkandlinearregressionmethods,andcross-validationisemployedtoavoidmodelover-fitting.Finally,thePJMandAustralianelectricityloaddatasetsareadoptedforvalidation.Oursimulationresultsshowtheproposedmodelachieveshigherpredictionaccuracycomparedwithothermodels.
作者：方娜 邓心 肖威Author：FANGNa DENGXin XIAOWei
作者单位：湖北工业大学电气与电子工程学院,武汉430068
刊名：重庆理工大学学报 PKU
Journal：JournalofChongqingInstituteofTechnology
年，卷(期)：2024, 38(7)
分类号：TM715
关键词：奇异谱分析 stacking算法 长短期记忆网络 径向基神经网络 短期负荷预测
Keywords：singularspectrumanalysis stackingalgorithm longandshort-termmemorynetwork radialbasisneuralnetwork short-termloadforecasting
机标分类号：TP391.1TP183TN247
在线出版日期：2024年6月24日
基金项目：国家自然科学基金，湖北省重点研发计划项目基于Stacking融合的LSTM-SA-RBF短期负荷预测[
期刊论文] 重庆理工大学学报--2024, 38(7)方娜 邓心 肖威为了解决单个神经网络预测的局限性和时间序列的波动性,提出了一种奇异谱分析(singularspectrumanaly-sis,SSA)和Stacking框架相结合的短期负荷预测方法.利用随机森林筛选出与历史负荷相关性强烈的特征因素,采用SSA为...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于Stacking融合的LSTM-SA-RBF短期负荷预测 Stacking fusion based LSTM-SA-RBF short-term load forecasting
基于Stacking融合的LSTM-SA-RBF短期负荷预测.pdf
- 文件大小:
- 1.64 MB
- 下载次数:
- 60
-
高速下载
|
|
