一种基于相空间重构和数据驱动的电力负荷预测方法.pdfVIP

下载本文档

5
0
约2.14万字
约 20页
2023-05-25 发布于四川
举报
版权申诉

一种基于相空间重构和数据驱动的电力负荷预测方法.pdf

1、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。。
2、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
3、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

本发明公开了一种基于相空间重构和数据驱动的电力负荷预测方法，首先计算历史负荷数据的延迟时间和嵌入维数，划分数据集为训练集和测试集，依据延迟时间和嵌入维数分别对训练集和测试集进行相空间重构，并进行归一化处理。其次，在相同数据集下对比十二种数据驱动模型的预测精度，得到XGBoost为统计学习模型中的最优模型，LSTM和极限学习机为神经网络模型中的最优模型，分别对上述三种模型进行日、周、半月、月负荷预测，均能保持较高的预测精度。最后，利用灰色关联度法对XGBoost、LSTM和极限学习机进行不等权组合

(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 112232593 A (43)申请公布日 2021.01.15 (21)申请号 202011217056.4 (22)申请日 2020.11.04 (71)申请人武汉理工大学地址