随着电力需求增长及全球气候变化,电力系统稳定性面临严峻的挑战,负荷预测需考虑气象因素以提升精度。提出了一种基于长短期记忆法-全联接网络(Long Short Term Memory Network and Fully Connected Neural Network,LSTM-FC)组合模型的...随着电力需求增长及全球气候变化,电力系统稳定性面临严峻的挑战,负荷预测需考虑气象因素以提升精度。提出了一种基于长短期记忆法-全联接网络(Long Short Term Memory Network and Fully Connected Neural Network,LSTM-FC)组合模型的用电负荷预测方法,以解决现有模型的不足。首先,运用皮尔逊相关系数对气象因素与负荷进行相关性分析,构建包含主要因素与历史用电负荷的特征输入矩阵,并建立滑动窗口数据集。随后,利用LSTM提取时间序列深层特征。最后,全连接层对特征进行聚合,实现短期负荷高精度预测。实验证明,该模型较传统方法显著提升预测精度,适用于不同区域,为电力系统运行提供可靠预测支持,验证了其有效性和正确性。展开更多
传统的工作面瓦斯预测方法仅利用瓦斯数据的时间特性,缺乏与空间相关的先验信息,因此利用瓦斯数据的时空特性,采用深度学习算法长短期记忆与全连接神经网络相结合的方法构建LSTM-FC(Long Short Time Memory-Fully Connection)瓦斯浓度...传统的工作面瓦斯预测方法仅利用瓦斯数据的时间特性,缺乏与空间相关的先验信息,因此利用瓦斯数据的时空特性,采用深度学习算法长短期记忆与全连接神经网络相结合的方法构建LSTM-FC(Long Short Time Memory-Fully Connection)瓦斯浓度时空序列的预测模型。LSTM能够解决瓦斯序列的长时间依赖性,全连接神经网络能够准确捕捉瓦斯序列的空间关联性,深入挖掘瓦斯数据之间的时空特性,通过预测不同位置的瓦斯值,构造工作面的瓦斯分布图。实验结果表明,通过使用LSTM-FC模型,预测误差有了明显减少,相比于其他神经网络预测模型,预测精度有所提高。展开更多
文摘随着电力需求增长及全球气候变化,电力系统稳定性面临严峻的挑战,负荷预测需考虑气象因素以提升精度。提出了一种基于长短期记忆法-全联接网络(Long Short Term Memory Network and Fully Connected Neural Network,LSTM-FC)组合模型的用电负荷预测方法,以解决现有模型的不足。首先,运用皮尔逊相关系数对气象因素与负荷进行相关性分析,构建包含主要因素与历史用电负荷的特征输入矩阵,并建立滑动窗口数据集。随后,利用LSTM提取时间序列深层特征。最后,全连接层对特征进行聚合,实现短期负荷高精度预测。实验证明,该模型较传统方法显著提升预测精度,适用于不同区域,为电力系统运行提供可靠预测支持,验证了其有效性和正确性。
文摘传统的工作面瓦斯预测方法仅利用瓦斯数据的时间特性,缺乏与空间相关的先验信息,因此利用瓦斯数据的时空特性,采用深度学习算法长短期记忆与全连接神经网络相结合的方法构建LSTM-FC(Long Short Time Memory-Fully Connection)瓦斯浓度时空序列的预测模型。LSTM能够解决瓦斯序列的长时间依赖性,全连接神经网络能够准确捕捉瓦斯序列的空间关联性,深入挖掘瓦斯数据之间的时空特性,通过预测不同位置的瓦斯值,构造工作面的瓦斯分布图。实验结果表明,通过使用LSTM-FC模型,预测误差有了明显减少,相比于其他神经网络预测模型,预测精度有所提高。
