.png){kind=icon}
返回
Short-term power load forecasting based on parallel decomposition
.png){kind=icon}
OA
AI
DOI：10.1016/j.aei.2025.103729.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电力是国家经济和社会发展的基础，其稳定供应依赖于准确的电力负荷预测。因此，开发精确的预测模型对于高效电力系统运行至关重要。然而，不断增长的全局能源需求加剧了电力负荷的波动性、随机性和间歇性，从而影响了预测精度。为应对复杂动态数据的特征，本研究提出了一种集成并行分解和深度学习的混合预测方法。该方法首先将原始数据分解为多个模态分量和稳定特征项，并迭代生成最优子特征集。随后，基于麻雀搜索算法（SSA）构建优化框架，该框架集成了二进制特征选择与超参数调优。调优后的超参数属于一种先进的神经网络，该网络结合了双向时序卷积网络（BiTCN）和长短期记忆网络（LSTM）。这实现了特征与参数的联合优化。与传统方法相比，该方法通过整合特征选择和超参数优化，充分挖掘了数据的时序和结构特征。在数据集1的6步预测中，该方法实现的平均绝对百分比误差（MAPE）、均方根误差（RMSE）和平均绝对误差（MAE）分别为2.30%、845.8和606.2。
Keyword:
Power load forecasting
Parallel decomposition
Sparrow Search Algorithm (SSA)
Bidirectional Temporal Convolutional Network (BiTCN)
Long Short-Term Memory (LSTM)
期刊
IF:
9.9
论文数:
4.4K
被引数:
1.7W
机构
引用论文
Temporal convolutional neural (TCN) network for an effective weather forecasting using time-series data from the local weather station使用来自当地气象站的时间序列数据进行有效天气预报的时间卷积神经 (TCN) 网络.png)
SOFT COMPUTING
OAAI
SOFT COMPUTINGIF2.5
OAAI分享收藏An ISSA-TCN short-term urban power load forecasting model with error factor一个带有误差因子的ISSA-TCN短期城市电力负荷预测模型PHYSICA SCRIPTA
PHYSICA SCRIPTAIF2.6
PREAI
分享收藏分享收藏 没有更多内容
没有更多内容