登录 | 注册 | 退出 | 公司首页 | 繁体中文 | 满意度调查
综合馆
基于深度学习的短时热网负荷预测
  • 摘要

    针对现有的预测方法无法实现热网负荷数据本质特征的挖掘,提出了一种基于深度学习的短时热网负荷预测方法.方法将深度信念网络模型(DBN)与支撑向量机回归模型(SVR)进行结合,利用深度信念网络进行数据本质特征的学习,同时作为网络顶层支撑向量机模型的输入来实现负荷预测.实际数据测试结果表明,与传统预测模型相比,上述模型不仅能够提高数据预测的准确性,对于大量数据的预测更具有优越性,是一种有效的负荷预测方法.

  • 作者

    孙海蓉  田瑶  谢碧霞  SUN Hai-rong  TIAN Yao  XIE Bixia 

  • 作者单位

    华北电力大学控制与计算机工程学院,保定,071003/华北电力大学控制与计算机工程学院,保定071003;华北电力大学河北省发电过程仿真与优化控制工程技术研究中心,保定071003

  • 刊期

    2019年2期 ISTIC PKU

  • 关键词

    数据挖掘  深度学习  支撑向量机回归  深度信念网络 

相似文献 查看更多>>
18.232.188.251