亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于EMD-GRU的短期電力負(fù)荷預(yù)測方法

        2022-11-07 05:31:28盧武鄭人杰趙文彬唐佳圓
        電氣傳動(dòng) 2022年21期
        關(guān)鍵詞:因素模型

        盧武,鄭人杰,趙文彬,唐佳圓

        (上海電力大學(xué)電氣工程學(xué)院,上海 200090)

        電力系統(tǒng)安全運(yùn)行要求發(fā)電量與用電量維持動(dòng)態(tài)平衡,但電網(wǎng)自身無法大規(guī)模儲(chǔ)備能量,負(fù)荷又具有隨機(jī)波動(dòng)性強(qiáng)、影響因素多的特點(diǎn)。精準(zhǔn)的負(fù)荷預(yù)測有利于電網(wǎng)工作人員掌握負(fù)荷變化規(guī)律,制定合理的電力生產(chǎn)、電網(wǎng)檢修計(jì)劃,達(dá)到電力系統(tǒng)安全穩(wěn)定、經(jīng)濟(jì)高效的運(yùn)行目的。

        目前,負(fù)荷預(yù)測的方法主要可分為統(tǒng)計(jì)預(yù)測法和機(jī)器學(xué)習(xí)法。統(tǒng)計(jì)預(yù)測法[1]結(jié)合歷史負(fù)荷數(shù)據(jù)與現(xiàn)有資料,線性研究未來負(fù)荷的發(fā)展趨勢,主要包括多元線性回歸法[2]、卡爾曼濾波[3]和灰色預(yù)測模型[4]等,此類模型操作簡易、計(jì)算用時(shí)短,但對時(shí)間序列平穩(wěn)要求高,難以反映非線性因素的影響。機(jī)器學(xué)習(xí)法包括支持向量機(jī)[5]、人工神經(jīng)算法等,這些算法解決了統(tǒng)計(jì)預(yù)測法非線性能力處理弱的問題,但支持向量機(jī)面對大規(guī)模數(shù)據(jù)時(shí)計(jì)算時(shí)間長、訓(xùn)練效率低。人工神經(jīng)算法通過模擬人腦傳遞信息的過程,具有很強(qiáng)的并行分布處理能力,能夠?qū)W習(xí)自變量與應(yīng)變量間的非線性關(guān)系,文獻(xiàn)[6]采用反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network,BPNN)結(jié)合工業(yè)、農(nóng)業(yè)、輕工業(yè)總產(chǎn)值及人口數(shù)的影響,建立上海某鎮(zhèn)負(fù)荷預(yù)測模型;文獻(xiàn)[7]引入小波作為隱含層的傳遞函數(shù)構(gòu)建小波神經(jīng)網(wǎng)絡(luò),解決了傳統(tǒng)模型預(yù)測時(shí)間慢的問題。但研究者發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)不具備學(xué)習(xí)時(shí)間序列相關(guān)性的能力,需要人為提取時(shí)序特征,人為干預(yù)會(huì)破壞負(fù)荷連續(xù)性,降低預(yù)測精度。短期負(fù)荷預(yù)測是研究隨機(jī)非線性時(shí)間序列發(fā)展趨勢的問題,統(tǒng)計(jì)預(yù)測法和機(jī)器學(xué)習(xí)法的局限性導(dǎo)致模型擬合精度較差,預(yù)測精度有限。

        近年來深度學(xué)習(xí)算法發(fā)展迅速,為預(yù)測領(lǐng)域研究提供了新思路。文獻(xiàn)[8]提出深度神經(jīng)網(wǎng)絡(luò)(deep neural network,DNN)具有更多隱藏層,模型可靠性、預(yù)測精度提升,但是面對多類型實(shí)值輸入數(shù)據(jù)時(shí)處理能力有待提升;循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)能夠降低人為提取時(shí)間序列特征時(shí)對負(fù)荷連續(xù)性的破壞,更好地適應(yīng)數(shù)據(jù)非線性特征,但是會(huì)隨著時(shí)間序列增加出現(xiàn)梯度消失的情況;文獻(xiàn)[9]提出長短期記憶神經(jīng)網(wǎng)絡(luò)(long short-term memory,LSTM)能夠有效降低負(fù)荷輸入維度,增強(qiáng)時(shí)序建模能力,但存在訓(xùn)練用時(shí)過長的問題;門控循環(huán)單元(gated recurrent unit,GRU)是一種基于LSTM的變體[10],具有更靈活簡單的結(jié)構(gòu),在保障精確度的同時(shí)能夠大幅縮短預(yù)測時(shí)長,GRU網(wǎng)絡(luò)通過引入更新門的設(shè)計(jì),解決了RNN網(wǎng)絡(luò)預(yù)測中長期時(shí)間序列時(shí)梯度消失的問題,因此在電力系統(tǒng)短期負(fù)荷預(yù)測得到廣泛應(yīng)用。

        針對電力系統(tǒng)負(fù)荷隨機(jī)波動(dòng)性強(qiáng)、趨勢不顯著的特點(diǎn),本文提出一種基于經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition,EMD)的門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測方法,記作EMD-GRU混合神經(jīng)網(wǎng)絡(luò)。該方法首先利用EMD算法將原本隨機(jī)、非線性的短期負(fù)荷數(shù)據(jù)分解為有限個(gè)固有模態(tài)函數(shù)和趨勢分量,分解后的序列特征互異,再利用GRU網(wǎng)絡(luò)對相互影響降低的分量分別預(yù)測,最后通過疊加重構(gòu)分量得到預(yù)測結(jié)果,完成短期負(fù)荷預(yù)測。文中以我國某地區(qū)歷史負(fù)荷數(shù)據(jù)作為算例進(jìn)行預(yù)測,結(jié)果表明相較于其他預(yù)測方法具備更高精度和效率。

        1 負(fù)荷輸入特征集的構(gòu)建

        電力負(fù)荷與社會(huì)生活作息、氣象條件密切相關(guān),充分考慮敏感因素構(gòu)建輸入特征集,將最大程度提升負(fù)荷預(yù)測精度,文中采用下式表示負(fù)荷:

        式中:P(t)為實(shí)際負(fù)荷值;Pd(t)為日期因素引起的負(fù)荷變化;Pw(t)為氣象因素引起的負(fù)荷變化;Ph(t)為依據(jù)歷史負(fù)荷數(shù)據(jù)完成的負(fù)荷預(yù)測值。

        由此,構(gòu)建以下輸入特征集:

        1)日期因素。根據(jù)生活作息方式可將日期分為工作日、公休日和節(jié)假日,不同日期因素對工業(yè)用電影響明顯。基于此,構(gòu)建的日期因素包括周日期和工作類型日期。

        2)氣象因素。電力負(fù)荷中用電設(shè)備種類繁多,空調(diào)、地暖等受氣象因素影響大的設(shè)備比重逐年增加?;诖?,構(gòu)建氣象因素時(shí)包括最高溫度、日最低溫度、日平均溫度、相對濕度以及日降雨量。

        3)歷史負(fù)荷因素。模型可以根據(jù)一定時(shí)間段的歷史負(fù)荷數(shù)據(jù),學(xué)習(xí)其近期變化規(guī)律和特征,預(yù)測未來短期內(nèi)的負(fù)荷值。

        因此,文中構(gòu)建包括日期因素、氣象因素和歷史負(fù)荷因素在內(nèi)共8維特征向量作為輸入,具體如表1所示。

        表1 輸入特征集Tab.1 Input feature set

        2 EMD-GRU學(xué)習(xí)模型

        2.1 經(jīng)驗(yàn)?zāi)B(tài)分解

        經(jīng)驗(yàn)?zāi)B(tài)分解[11-13]是一種具備自適應(yīng)能力的信號(hào)分析方法,被廣泛應(yīng)用于數(shù)據(jù)處理與數(shù)據(jù)挖掘領(lǐng)域,尤其適用于非線性非平穩(wěn)時(shí)間序列的研究。EMD算法可以將原始信號(hào)序列分解為若干不同頻率和趨勢的固有模態(tài)函數(shù)(intrinsic mode function,IMF)和一個(gè)趨勢分量rk,分解所得的IMF是一系列具備相對固定波動(dòng)周期、能夠反映原始信號(hào)特征的獨(dú)立分量,具體滿足以下條件:1)極值點(diǎn)數(shù)量和過零點(diǎn)數(shù)量相差不超過1;2)任意時(shí)間節(jié)點(diǎn),信號(hào)局部最大值和局部最小值所定義的上下包絡(luò)線均值為0。

        算法流程如圖1所示。

        圖1 EMD算法流程圖Fig.1 EMD algorithm flow chart

        具體分解過程如下所示。

        步驟1):計(jì)算原始信號(hào)序列y(t)的所有局部極值點(diǎn),利用三次樣條插值函數(shù)形成上包絡(luò)線mmax(t)和下包絡(luò)線mmin(t);

        步驟2):計(jì)算上下包絡(luò)線的均值m(t)即

        步驟3):計(jì)算原始信號(hào)序列y(t)和上下包絡(luò)線均值m(t)的差值,得到去除低頻成分的新序列y1(t)即

        步驟4):若SD≥α,則令y(t)=y1(t)并重復(fù)步驟1)~步聚3)直到SD<α,其中:

        式中:α一般可取0.2~0.3的任意數(shù),本文取α=0.2。

        步驟5):當(dāng)滿足式(4)后,此時(shí)的y1(t)就是固有模態(tài)函數(shù)第i個(gè)IMF,計(jì)為ci(t),殘余分量r(t)可由原始信號(hào)數(shù)據(jù)p(t)減去ci(t)獲得:

        重復(fù)以上步驟,可將原始信號(hào)分解為i個(gè)IMF分量和1個(gè)趨勢分量rk,rk為單調(diào)函數(shù)代表負(fù)荷的平均趨勢,最終原始信號(hào)序列y(t)經(jīng)EMD算法分解后可表示為

        2.2 GRU神經(jīng)網(wǎng)絡(luò)原理

        LSTM神經(jīng)網(wǎng)絡(luò)有效解決了傳統(tǒng)RNN網(wǎng)絡(luò)梯度消失的問題[14],在時(shí)間序列預(yù)測領(lǐng)域應(yīng)用成效良好,但存在內(nèi)部結(jié)構(gòu)復(fù)雜、訓(xùn)練費(fèi)時(shí)的問題,GRU[15]網(wǎng)絡(luò)針對以上缺點(diǎn)優(yōu)化改良,在保留LSTM預(yù)測精度前提下,采用縮減門控神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的方式提升模型訓(xùn)練效率。作為LSTM的變體,GRU優(yōu)化內(nèi)部單元結(jié)構(gòu),集成遺忘門和輸出門為單一的更新門,因此GRU網(wǎng)絡(luò)只包含重置門rt和更新門zt。GRU結(jié)構(gòu)如圖2所示。

        圖2 GRU結(jié)構(gòu)圖Fig.2 GRU structure diagram

        GRU數(shù)學(xué)描述如下:

        式中:xt為t時(shí)刻輸入變量;ht-1為上一隱藏層輸出結(jié)果;為xt和ht-1的匯總;ht為本單元隱藏層輸出結(jié)果;WZ,Wr,W,UZ,Ur,U為可訓(xùn)練參數(shù)矩陣;l為單位矩陣;°為復(fù)合關(guān)系;σ為sigmoid激活函數(shù),σ和tanh數(shù)學(xué)描述如下所示:

        GRU模型核心模塊是更新門zt和重置門rt。輸入變量xt與上一隱藏層輸出結(jié)果ht-1的拼接矩陣經(jīng)σ(x)激活函數(shù)非線性變化后輸入至更新門中,用于控制前一時(shí)刻信息被保留到當(dāng)前狀態(tài)的程度;重置門控制當(dāng)前狀態(tài)與先前時(shí)刻信息的結(jié)合程度,輸出結(jié)果ht為1-zt倍上一隱藏層輸出結(jié)果ht-1和zt倍待定輸出值之和。

        2.3 基于EMD-GRU的混合神經(jīng)網(wǎng)絡(luò)模型

        本文提出的EMD-GRU混合神經(jīng)網(wǎng)絡(luò)模型,首先收集整理并清洗日期因素、氣象因素和歷史負(fù)荷因素相關(guān)數(shù)據(jù),隨后將歷史負(fù)荷數(shù)據(jù)輸入至EMD算法中分解,分解結(jié)果同日期因素和氣象因素一起輸入到GRU模型進(jìn)行訓(xùn)練,最后得到預(yù)測結(jié)果并與測試集數(shù)據(jù)對比驗(yàn)證,具體過程如圖3所示:

        圖3 EMD-GRU組合預(yù)測模型流程圖Fig.3 EMD-GRU combined prediction model flow chart

        具體步驟如下:

        步驟1):數(shù)據(jù)處理。收集整理日期、氣象和歷史負(fù)荷數(shù)據(jù),完成錯(cuò)誤、缺失數(shù)據(jù)的修正,并將處理后的數(shù)據(jù)劃分成訓(xùn)練集、驗(yàn)證集和測試集。

        步驟2):經(jīng)驗(yàn)?zāi)B(tài)分解。采用EMD算法將歷史負(fù)荷數(shù)據(jù)y(t)分解為i個(gè)固有模態(tài)函數(shù){IMF1,IMF2,…,IMFi}和 1 個(gè)趨勢分量{rk}??紤]到分解后數(shù)據(jù)數(shù)值差異較大不利于GRU模型訓(xùn)練,采用min-max歸一法對輸入特征集數(shù)據(jù)歸一化處理[16],將數(shù)值縮放在0~1之間,計(jì)算公式如下所示:

        式中:x*為歸一化后的數(shù)據(jù);x為輸入數(shù)據(jù);xmin,xmax分別為輸入數(shù)據(jù)中的最小值和最大值。

        步驟3):GRU模型時(shí)序預(yù)測。建立基于GRU的預(yù)測模型,具體流程如圖4所示,將EMD分解結(jié)果和日期因素、氣象因素作為GRU網(wǎng)絡(luò)的輸入,采用2層循環(huán)網(wǎng)絡(luò)設(shè)計(jì)提升學(xué)習(xí)能力,通過全連接層將雙層GRU網(wǎng)絡(luò)中提取的高維特征和時(shí)序信息降維,整合特征樣本完成映射,起數(shù)據(jù)降維與結(jié)果輸出的作用。分別對IMF分量和趨勢分量進(jìn)行預(yù)測,得到分量預(yù)測值后通過疊加重構(gòu)獲得最終的負(fù)荷預(yù)測值。

        圖4 GRU網(wǎng)絡(luò)流程圖Fig.4 GRU network flow chart

        步驟4):模型預(yù)測評價(jià)。當(dāng)模型訓(xùn)練次數(shù)滿足最大迭代次數(shù)后,通過預(yù)測值和實(shí)際值的誤差度量模型準(zhǔn)確性,選用平均百分誤差[17(]mean absolute percentage error,MAPE)、均方根誤差[18](root mean square error,RMSE)作為評價(jià)標(biāo)準(zhǔn)。MAPE屬于絕對指標(biāo),不隨負(fù)荷數(shù)量級變化而改變,RMSE屬于相對指標(biāo),對數(shù)據(jù)的離散程度敏感,兩者數(shù)值越小表示預(yù)測效果越好。計(jì)算公式如下所示:

        式中:N為待預(yù)測負(fù)荷點(diǎn)個(gè)數(shù);yi,分別為第i個(gè)負(fù)荷的實(shí)際功率值和預(yù)測功率值。

        3 算例分析

        本文數(shù)據(jù)集選取我國某地2014年6月1日至2014年8月30日共8 640個(gè)歷史負(fù)荷數(shù)據(jù)(采樣頻率15 min),并同時(shí)提取日期因素、氣象因素共計(jì)8維特征向量作為研究對象。訓(xùn)練集、測試集和驗(yàn)證集按8:1:1劃分。

        3.1 數(shù)據(jù)樣本預(yù)處理

        在數(shù)據(jù)樣本采集過程中,受電網(wǎng)檢修、采樣設(shè)備或人為記錄錯(cuò)誤等因素影響,會(huì)造成數(shù)據(jù)缺失、采集與記錄不一致的情況,在使用前需要對“壞數(shù)據(jù)”查補(bǔ)修正[19-20]。針對缺失數(shù)據(jù)可以選取相鄰時(shí)段和相似日數(shù)據(jù)插補(bǔ),異常數(shù)據(jù)可以采用“圖示法”和“經(jīng)驗(yàn)修正法”修正。完成缺失數(shù)據(jù)補(bǔ)齊與異常數(shù)據(jù)修正的典型工作日、工休日和節(jié)假日負(fù)荷數(shù)據(jù)如圖5所示。

        圖5 經(jīng)預(yù)處理的典型數(shù)據(jù)Fig.5 Typical data preprocessed

        3.2 EMD-GRU模型參數(shù)設(shè)置

        對于非線性、波動(dòng)性強(qiáng)的時(shí)間序列,需要較多神經(jīng)元才能更好的擬合序列波動(dòng)細(xì)節(jié),原則上來說GRU循環(huán)網(wǎng)絡(luò)層數(shù)的加深就可以提升模型學(xué)習(xí)能力。在調(diào)試過程中采用控制變量法只改變網(wǎng)絡(luò)層數(shù),平均百分誤差變化如表2所示,由表2可知GRU循環(huán)網(wǎng)絡(luò)層數(shù)為2時(shí)平均百分誤差取得最小值,當(dāng)層數(shù)繼續(xù)增加時(shí),模型因過度學(xué)習(xí)出現(xiàn)預(yù)測誤差不減反增的情況。因此GRU模型采用2層堆疊設(shè)計(jì),神經(jīng)元個(gè)數(shù)依次為256和128,初始學(xué)習(xí)率為0.001,另外采用Dropout算法防止訓(xùn)練時(shí)出現(xiàn)過擬合現(xiàn)象,當(dāng)Dropout算法丟棄率為0.4時(shí)模型誤差最小。

        表2 不同GRU層數(shù)的平均百分誤差Tab.2 Mean absolute percentage error of different GRU layers

        模型訓(xùn)練過程采用自適應(yīng)矩估計(jì)(adaptive moment estimation,Adam)優(yōu)化算法[21],Adam算法是隨機(jī)梯度下降法的擴(kuò)展,結(jié)合均方根傳播算法和自適應(yīng)梯度算法的優(yōu)勢,通過動(dòng)量和自適應(yīng)學(xué)習(xí)率提升收斂能力。在訓(xùn)練過程中迭代網(wǎng)絡(luò)各神經(jīng)元的權(quán)重,不斷優(yōu)化更新模型,使損失函數(shù)輸出達(dá)到最優(yōu)值,保證訓(xùn)練輸出值接近實(shí)際值。損失函數(shù)使用均方誤差(mean squared error,MSE)衡量:

        3.3 EMD-GRU預(yù)測結(jié)果

        負(fù)荷時(shí)間序列經(jīng)EMD算法分解得到8個(gè)IMF分量{IMF1,IMF2,…,IMF8}和1個(gè)趨勢分量{rk},如圖6所示,其中IMF1~I(xiàn)MF3頻率高,表現(xiàn)出強(qiáng)烈的隨機(jī)性與波動(dòng)性;IMF4~I(xiàn)MF6隨機(jī)性降低,呈現(xiàn)出一定的周期性;IMF7,IMF8和rk分量趨勢平緩波動(dòng)小,波形逐漸接近正弦波。經(jīng)EMD算法分解的IMF分量頻率依次降低,規(guī)律性增強(qiáng),離散型降低,趨勢逐漸平穩(wěn),反映出負(fù)荷的用電特征與規(guī)律。

        圖6 原始負(fù)荷和EMD算法分解結(jié)果Fig.6 Initial load and EMD algorithm decomposition results

        GRU預(yù)測模型對8組IMF序列和1組趨勢分量序列分別展開預(yù)測,將各分量預(yù)測結(jié)果疊加重構(gòu)為最終負(fù)荷預(yù)測值,表3為8月29日部分負(fù)荷真實(shí)值及預(yù)測值。

        表3 隨機(jī)選取部分預(yù)測日真實(shí)值及預(yù)測值Tab.3 True and predicted values of some predicted days were randomly selected

        圖7為預(yù)測日平均百分誤差和均方根誤差統(tǒng)計(jì),整體來看即使是在負(fù)荷波動(dòng)最為劇烈時(shí)段,EMD-GRU模型預(yù)測誤差基本都能控制在10%以內(nèi),表現(xiàn)出穩(wěn)定的預(yù)測能力,對于各時(shí)刻實(shí)際負(fù)荷都有較高的擬合度。

        圖7 預(yù)測日誤差統(tǒng)計(jì)Fig.7 Forecast day error statistics

        3.4 預(yù)測結(jié)果分析

        為體現(xiàn)本文算法有效性和準(zhǔn)確性,分別采用EMD-LSTM,GRU,BP神經(jīng)網(wǎng)絡(luò)模型和本文提出的EMD-GUR模型進(jìn)行預(yù)測對比。

        為保證對比實(shí)驗(yàn)客觀,對比模型參數(shù)設(shè)置最優(yōu)數(shù)值,其中EMD-LSTM模型和GRU模型的層數(shù)、訓(xùn)練次數(shù)、損失函數(shù)等參數(shù)與EMD-GRU模型保持一致;BP神經(jīng)網(wǎng)絡(luò)設(shè)置參數(shù)如下:隱藏層神經(jīng)元個(gè)數(shù)128,最大訓(xùn)練次數(shù)1 000,損失函數(shù)MSE,激活函數(shù)ReLU,學(xué)習(xí)率0.001。

        實(shí)驗(yàn)結(jié)果為各模型執(zhí)行20次實(shí)驗(yàn)的均值,采用eMAPE,eRMSE和預(yù)測時(shí)長評估不同模型預(yù)測精度和訓(xùn)練效率,其中EMD-GRU和EMD-LSTM模型預(yù)測時(shí)長為預(yù)測9個(gè)分量的總用時(shí)。具體結(jié)果如表4所示。

        表4 模型預(yù)測效果評估Tab.4 Evaluation of model prediction effectiveness

        由表4可知,相比于傳統(tǒng)GRU網(wǎng)絡(luò)模型,文中所提的EMD-GRU神經(jīng)網(wǎng)絡(luò)模型均方根誤差下降了167.13 MW,平均百分誤差降低了1.91%;與BP神經(jīng)網(wǎng)絡(luò)相比均方根誤差下降了397.17 MW,平均百分誤差降低了4.11%;與EMD-LSTM模型相比,在預(yù)測精度幾乎保持相同的情況下,EMDGRU模型縮短了25.99%的預(yù)測時(shí)長,訓(xùn)練效率得到顯著提升。

        另外,記預(yù)測精度小于7%的結(jié)果為優(yōu)質(zhì)預(yù)測點(diǎn)[22],各模型優(yōu)質(zhì)預(yù)測點(diǎn)統(tǒng)計(jì)結(jié)果如圖8所示,其中EMD-GRU優(yōu)質(zhì)預(yù)測點(diǎn)共計(jì)70個(gè),占所有預(yù)測點(diǎn)的73%,比EMD-LSTM模型、GRU模型、BP模型多3個(gè)、18個(gè)、35個(gè),單點(diǎn)預(yù)測質(zhì)量具有明顯優(yōu)勢。

        圖8 各模型優(yōu)質(zhì)預(yù)測達(dá)標(biāo)個(gè)數(shù)Fig.8 Number of high quality prediction standards for each model

        綜上所述,綜合整體預(yù)測精度和單點(diǎn)預(yù)測質(zhì)量,文中采用的EMD-GRU混合神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)良好,較其他網(wǎng)絡(luò)模型預(yù)測性能均有提升。

        4 結(jié)論

        本文提出一種基于EMD-GRU的混合神經(jīng)網(wǎng)絡(luò)模型,該方法適用于非線性、波動(dòng)性強(qiáng)的負(fù)荷序列,并在實(shí)際案例中表現(xiàn)出良好的預(yù)測性能。

        1)充分考慮影響電網(wǎng)負(fù)荷波動(dòng)的敏感因素,構(gòu)建了包括日期因素、氣象因素和歷史負(fù)荷因素的輸入特征集。

        2)EMD算法能將波動(dòng)性強(qiáng)的負(fù)荷分解成更為平穩(wěn)的分量負(fù)荷,GRU網(wǎng)絡(luò)模型能高效識(shí)別負(fù)荷的時(shí)序特性,EMD-GRU模型綜合兩種算法的優(yōu)勢,細(xì)致把握并充分學(xué)習(xí)負(fù)荷的細(xì)節(jié)變化,極大程度的提升模型性能。

        3)通過對比實(shí)驗(yàn)證明,相較于EMD-LSTM、GRU和BP神經(jīng)網(wǎng)絡(luò)模型,文中所提的EMD-GRU能夠在保持較高預(yù)測效率的同時(shí),具有更高的預(yù)測精度。

        猜你喜歡
        因素模型
        一半模型
        腹部脹氣的飲食因素
        中老年保健(2022年5期)2022-08-24 02:36:04
        四大因素致牛肉價(jià)小幅回落
        食品安全的影響因素與保障措施探討
        群眾路線是百年大黨成功之內(nèi)核性制度因素的外在表達(dá)
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        3D打印中的模型分割與打包
        短道速滑運(yùn)動(dòng)員非智力因素的培養(yǎng)
        FLUKA幾何模型到CAD幾何模型轉(zhuǎn)換方法初步研究
        国产亚洲午夜高清国产拍精品| 亚洲精品不卡av在线免费| 精品国产亚洲级一区二区| 欧美人与禽zozzo性伦交| 欧美精品免费观看二区| 玩弄人妻奶水无码AV在线| 看国产亚洲美女黄色一级片 | 特级做a爰片毛片免费看108| 国产精品女视频一区二区| 日本不卡一区二区三区在线| 青青草成人在线免费视频| 久久国内精品自在自线图片 | 波多野结衣av手机在线观看| 亚洲视频高清| 超碰青青草手机在线免费观看 | 免费欧洲毛片a级视频老妇女| 3d动漫精品啪啪一区二区下载| 色婷婷丁香综合激情| 久久精品国产亚洲av一般男女| 亚洲av无码国产精品永久一区| 中文在线天堂网www| 熟女人妻中文字幕一区| 粉嫩国产av一区二区三区| 亚洲av日韩av无码污污网站| 熟女少妇内射日韩亚洲| 人人狠狠综合久久亚洲婷婷| 国产麻豆精品久久一二三 | 欧美国产激情二区三区| 国产成人久久777777| 久久精品视频中文字幕无码| 亚洲一区二区三区偷拍厕所| 久久综合狠狠色综合伊人| 久久半精品国产99精品国产| 亚洲免费福利视频网站| 性久久久久久| 亚洲一区爱区精品无码| 成人免费毛片在线播放| 97丨九色丨国产人妻熟女| 国产精自产拍久久久久久蜜| 亚洲日韩国产精品不卡一区在线| 精品人妻一区二区三区在线观看|