一种基于LSTM深度学习的供暖热负荷预测方法.pdf
文库****品店
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
一种基于LSTM深度学习的供暖热负荷预测方法.pdf
(19)中华人民共和国国家知识产权局(12)发明专利说明书(10)申请公布号CN114118571A(43)申请公布日2022.03.01(21)申请号CN202111408084.9(22)申请日2021.11.24(71)申请人西安西热电站信息技术有限公司;华能山东发电有限公司;华能国际电力股份有限公司日照电厂地址710075陕西省西安市高新区火炬大厦11层B座(72)发明人徐创学谢云明李杰王垚王成华陈为钢(74)专利代理机构61215西安智大知识产权代理事务所代理人弋才富(51)Int.CIG06Q
基于深度学习LSTM网络的短期电力负荷预测方法.docx
基于深度学习LSTM网络的短期电力负荷预测方法基于深度学习LSTM网络的短期电力负荷预测方法摘要:随着能源需求的增长和电力市场的发展,电力负荷预测在实际工程中的重要性越来越高。为了更好地满足电力需求,并确保电网的稳定性和可靠性,精确预测电力负荷变化是必要的。传统的电力负荷预测方法往往依赖于经验模型或统计方法,这些方法无法充分挖掘电力负荷数据中的复杂非线性关系。为了解决这个问题,本论文提出了基于深度学习LSTM网络的短期电力负荷预测方法。1.引言电力负荷预测是电力系统运营和规划的基础,对于电力供应、市场调度
基于改进的LSTM模型的电力负荷预测方法.pdf
本发明提供一种基于改进的LSTM模型的电力负荷预测方法,包括以下步骤:获取某一地区的电力负荷数据,并将得到的数据进行预处理和划分;将处理好的数据通过CEEMD进行分解,分解为多个IMF分量;将各个IMF分量应用LSTM进行预测,并利用混沌粒子群算法对LSTM网络的超参数寻找最优解;将各个分量的预测结果叠加重构得到最终预测值。本发明采用的CEEMD分解方法解决了EMD模态混叠问题和EEMD无法很好的恢复原信号问题,引入的混沌粒子群算法解决了传统粒子群算法早熟、易陷入局部最优问题,提高了模型预测的精确度。
基于LSTM的高校建筑电力负荷预测方法.docx
基于LSTM的高校建筑电力负荷预测方法标题:基于LSTM的高校建筑电力负荷预测方法引言:随着高校建筑规模的不断扩大和电力负荷的增加,准确预测电力负荷的需求变得非常重要。传统的预测方法往往受限于线性模型或浅层神经网络,无法很好地捕捉时间序列的非线性关系。然而,长短期记忆网络(LSTM)作为一种特殊的循环神经网络结构,能够有效地处理时间序列数据,并且能够捕捉到序列中的长期依赖关系。本文将详细介绍基于LSTM的高校建筑电力负荷预测方法,并通过实验证明其准确性和有效性。一、问题概述1.1问题背景高校建筑作为学生和
基于EEMD-LSTM模型的集中供热系统热负荷预测方法研究.docx
基于EEMD-LSTM模型的集中供热系统热负荷预测方法研究随着城市化进程的加速,城市的集中供热系统已经成为城市基础设施中不可或缺的一部分。为了保证城市居民的供暖需求,需要对集中供热系统的热负荷进行预测并进行优化管理。本文提出了一种基于EEMD-LSTM模型的集中供热系统热负荷预测方法,该方法可以更加准确地预测热负荷,并为供热系统的管理提供更好的参考依据。一、热负荷预测介绍热负荷预测是指利用系统建模与数学模型进行分析研究,对热负荷进行预测,以便为供热系统的运行和调度提供决策支持。热负荷预测是供热系统管理的重