基于LSSVR和LSTM的多模型优化集成负荷预测方法
针对负荷需求受多源因素影响和现有单模型预测方法精度较低的问题，提出了一种基于最小二乘支持向量回归(LSSVR)和长短期记忆循环神经网络(LSTM)的多模型优化集成负荷预测方法。首先探究负荷相关特征的波动特性并由互信息进行特征选择，获取最优特征集。然后，采用随机抽样(bootstrap)生成多个训练集，对生成的多个训练集使用具有良好预测能力LSSVR和LSTM模型进行预测。利用混沌粒子群优化(CPSO)进一步提高模型预测精度。最后，在决策阶段中使用偏最小二乘回归(PLSR)组合各个子模型的最优预测并提供最终预测结果。对真实电网数据进行了实验仿真，并与其它预测方法进行了比较。本文所提方法的应用范围广泛且预测精度提高显著。
互信息 最小二乘支持向量回归 长短期记忆循环神经网络 混沌粒子群优化 偏最小二乘回归 负荷预测
郭傅傲 刘大明
上海电力大学计算机科学与技术学院,上海市200090
国内会议
上海
中文
332-341
2019-05-17（万方平台首次上网日期，不代表论文的发表时间）