-
公开(公告)号：CN111815065A
公开(公告)日：2020-10-23
申请号：CN202010705130.0
申请日：2020-07-21
Applicant: 东北大学
Abstract: 本发明提供一种基于长短时记忆神经网络的短期电力负荷预测方法，包括1)采集电力负荷历史数据和气象历史数据，构建历史数据集；2)采用集成经验模态分解法，对电力负荷历史序列进行分解；3)计算每个分量的样本熵值并进行分组；4)构建每个分组的最优预测模型；5)确定预测模型的输入；6)累加各个最优预测模型的预测值得到最终的电力负荷预测值。本发明结合集成经验模态分解和长短时记忆神经网络模型对短期电力负荷进行预测，可以实现准确、实时、可靠的预测效果，具有很好的适用性和有效性，可以被广泛地应用在短期电力负荷预测中。
-
公开(公告)号：CN111815065B
公开(公告)日：2023-08-29
申请号：CN202010705130.0
申请日：2020-07-21
Applicant: 东北大学
IPC: H02J3/00 , G06Q50/06 , G06N3/0442 , G06F18/214 , G06Q10/04
Abstract: 本发明提供一种基于长短时记忆神经网络的短期电力负荷预测方法，包括1)采集电力负荷历史数据和气象历史数据，构建历史数据集；2)采用集成经验模态分解法，对电力负荷历史序列进行分解；3)计算每个分量的样本熵值并进行分组；4)构建每个分组的最优预测模型；5)确定预测模型的输入；6)累加各个最优预测模型的预测值得到最终的电力负荷预测值。本发明结合集成经验模态分解和长短时记忆神经网络模型对短期电力负荷进行预测，可以实现准确、实时、可靠的预测效果，具有很好的适用性和有效性，可以被广泛地应用在短期电力负荷预测中。
-
公开(公告)号：CN111915092A
公开(公告)日：2020-11-10
申请号：CN202010799486.5
申请日：2020-08-11
Applicant: 东北大学
Abstract: 本发明提供一种基于长短时记忆神经网络的超短期风电功率预测方法。首先获取历史样本数据、预测日样本数据，然后计算历史日内各因素与预测日内对应因素的关联系数，其次计算各影响因素在风电功率影响因素中所占权重，通过计算历史日与预测日的相似度，得到相似样本数据作为训练数据，最后采用LSTM模型对预测日的风电功率进行预测；本发明对训练数据进行了筛选，选择与预测日的样本数据相似度大的数据作为训练数据，有利于增强建模数据的相似性，进而提高模型的准确性，采用LSTM模型作为训练模型，可以达到充分考虑风电功率的时序性、非线性的目的。
-
公开(公告)号：CN111915092B
公开(公告)日：2023-08-22
申请号：CN202010799486.5
申请日：2020-08-11
Applicant: 东北大学
IPC: G06Q10/04 , G06Q50/06 , G06N3/0464 , G06N3/0442 , G06F18/22 , G06F18/214 , H02J3/00
Abstract: 本发明提供一种基于长短时记忆神经网络的超短期风电功率预测方法。首先获取历史样本数据、预测日样本数据，然后计算历史日内各因素与预测日内对应因素的关联系数，其次计算各影响因素在风电功率影响因素中所占权重，通过计算历史日与预测日的相似度，得到相似样本数据作为训练数据，最后采用LSTM模型对预测日的风电功率进行预测；本发明对训练数据进行了筛选，选择与预测日的样本数据相似度大的数据作为训练数据，有利于增强建模数据的相似性，进而提高模型的准确性，采用LSTM模型作为训练模型，可以达到充分考虑风电功率的时序性、非线性的目的。
-
-
-
Search Results
4
records
(took 0.021 seconds)
