CN114519471B 一种基于时序数据周期性的用电负荷预测方法 （杭州电子科技大学）_第1页
CN114519471B 一种基于时序数据周期性的用电负荷预测方法 （杭州电子科技大学）_第2页
CN114519471B 一种基于时序数据周期性的用电负荷预测方法 （杭州电子科技大学）_第3页
CN114519471B 一种基于时序数据周期性的用电负荷预测方法 （杭州电子科技大学）_第4页
CN114519471B 一种基于时序数据周期性的用电负荷预测方法 （杭州电子科技大学）_第5页
已阅读5页，还剩12页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于时序数据周期性的用电负荷预测本发明公开了一种基于时序数据周期性的模块采用改进后的TCN，负责抓取时间序列的长免了循环神经网络在处理长序列输入时梯度消2步骤3：对步骤2预处理后的数据在时间维度上做一步骤5中全连接模块分为两层，第一层提取步骤3和步骤4输出矩阵的共同特征来生成骤2所述的附加特征是通过分析采集的用电数据中的日期骤6中残差连接强制打破了网络的对称性，在非线性变换的基础上加入原始数据的线性回3[0002]时间序列是指对同一现象观测或记录到的一组按时间顺序排列起来的统计数荷来制定更合适的供电计划。[0004]近年来，深度神经网络应用在时间序列预测方向的进展长程相关性。基于自注意力机制(self-attention)的Transformer模型通过关注历史数据4[0008]根据固定周期用电负荷数据的特征，本发明提出了一种基于TCN和BiLSTM的跳跃[0020](2)本发明通过使用卷积运算聚合时间序列的局部特征趋势，在单一时间点的基[0021](3)本发明按周期划分卷积运算结果，使用BiLSTM处理按周期划分的卷积运算结5[0032](1)附加特征是通过分析采集的用电数据中的日期特征获得，附加特征包[0033](2)采用的归一化方法是使用当前特征的的最大值最小值对特征值进行约束。公[0038](1)卷积运算提取相邻时间步之间的局部相关性特征，将原始数据的单一时间点信息处理为融合了以该时间点为中心的多步时间戳的连续轨迹特征。第k个卷积核的扫描[0041](2)将卷积运算的结果按周期划分后输入到BiLSTM中进行训练，具有以下两个优6hc+b)(1.6)cn-1+Imo⃞m(1.7)部分的隐藏层输出(记为Ht[3])是由第t-1个单元的隐藏层第三部分(记为Ht-1[3])以及当7[0070]将步骤3和步骤4输出的矩阵转置后进行矩阵拼接，拼接后的矩阵大小为[batch_趋势建模模块对原始数据特征提取和处理的[0078]本发明性能评估采用2015年1月至2017年5月欧洲互联电网小时级负荷数据[0080]MSE(MeanSquaredError)均方误差，均方误差是指参数估计值与参数真值之差8

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论