.png){kind=icon}
返回
Scenario-based data-driven approaches for short-term load forecasting
.png){kind=icon}
PRE
AI
DOI：10.1016/j.enbuild.2025.116851.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电气负荷预测是保障电力系统可靠、可持续运行的一个非常重要的步骤。双向长短期记忆网络（BILSTM）模型已被广泛应用于短期负荷预测。然而，它们与特定输入特征结合时的性能在很大程度上尚未得到探索。为解决这一差距，本研究提出了一种使用一组先前未被研究的输入特征的BILSTM模型。该模型在包含和不包含数据分解的六种场景下进行了评估。这项分析为输入配置和预处理策略如何影响Trabzon数据集的预测精度提供了见解。最成功的场景被应用于另一个在现有文献中使用过的数据集，即Checz数据集。与现有研究相比，最成功的场景在产生更准确预测的同时，所需的传感器测量更少。根据平均绝对百分比误差（MAPE）标准，它优于其他利用Czech数据集的研究，将预测误差降低了34.52%和23.75%。
期刊
IF:
7.1
论文数:
1.6W
被引数:
6.8W
机构
引用论文
Short-Term Load Forecasting Using EMD with Feature Selection and TCN-Based Deep Learning Model.png)
Energies
OAAI
EnergiesIF0
OAAI分享收藏分享收藏Dynamic pricing of electricity: Enabling demand response in domestic householdsENERGY POLICY
OAAI
ENERGY POLICYIF9.2
OAAI分享收藏
查看更多内容