基于KPCA-CNN-DBiGRU模型的短期负荷预测方法OA北大核心CHSSCDCSSCICSTPCD
本文针对已有神经网络模型在短期负荷预测中输入维度过高、预测误差较大等问题,提出了一种结合核主成分分析、卷积神经网络和深度双向门控循环单元的短期负荷预测方法。先运用核主成分分析法对原始高维输入变量进行降维,再通过卷积深度双向门控循环单元网络模型进行负荷预测。以第九届全国电工数学建模竞赛试题A题中的负荷数据作为实际算例,结果表明所提方法较降维之前预测误差大大降低,与已有预测方法相比也有大幅的误差降低。
陈晓红;王辉;李喜华;
中南大学商学院,湖南长沙410083 湖南工商大学前沿交叉学院,湖南长沙410205中南大学商学院,湖南长沙410083
动力与电气工程
核主成分分析卷积神经网络双向门控循环单元负荷预测
《管理工程学报》 2024 (002)
P.221-231 / 11
国家自然科学基金重大研究计划项目(91846301)。
评论