![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
负荷预测
文章平均质量分 78
机器鱼
这个作者很懒,什么都没留下…
展开
-
基于Transformer的多变量风电功率预测TF2
Transformer目前大火,作为一个合格的算法搬运工自然要跟上潮流,本文基于tensorflow2框架,构建transformer模型,并将其用于多变量的风电功率负荷预测。实验结果表明,相比与传统的LSTM,该方法精度更高,缺点也很明显,该方法需要更多的数据训练效果才能超过传统方法,而且占用很高的gpu资源(测试阶段,一次性输入所有测试集数据直接会OOM,需要分批输入)原创 2023-01-05 15:27:56 · 4868 阅读 · 15 评论 -
基于自注意力机制的LSTM多变量负荷预测
在之前使用长短期记忆网络构建电力负荷预测模型的基础上,将自注意力机制 (Self-Attention)融入到负荷预测模型中。具体内容是是在LSTM层后面接Self-Attention层,在加入Self-Attention后,可以将负荷数据通过加权求和的方式进行处理,对负荷特征添加注意力权重,来突出负荷的影响因数。结果表明,通过自注意力机制,可以更好的挖掘电力负荷数据的特征以及变化规律信息,提高预测模型的性能。原创 2023-01-01 10:49:39 · 4311 阅读 · 7 评论 -
麻雀优化CNN超参数用于回归MATLAB
MATLAB采用麻雀优化算法优化CNN超参数用于回归预测原创 2022-10-26 19:58:12 · 3253 阅读 · 3 评论 -
MATLAB人工大猩猩部队GTO优化CNN-LSTM用于多变量负荷预测
基于MATLAB2020b的深度学习框架,提出了一种基于CNN-LSTM的多变量电力负荷预测方法,该方法将历史负荷与气象数据作为输入,输出一天96个时刻负荷值,建模学习特征内部动态变化规律,即多变量输入多输出模型。同时,针对该模型超参数选择困难的问题,提出利用人工大猩猩部队GTO算法实现该模型超参数的优化选择。原创 2022-09-09 16:27:20 · 3096 阅读 · 1 评论 -
Python的遗传算法GA优化深度置信网络DBN超参数回归预测
DBN超参数众多,包括隐含层层数、各层节点数、无监督预训练阶段的训练次数及其学习率、微调阶段的训练次数及其学习率、与Batchsize,如果采用SGD相关优化器,还有动量项这个超参数。总之就是特别多,手动选择的话很难选到最佳超参数组合,为此采用遗传算法对上述超参数进行优化。之前写过MATLAB版本的DBN超参数优化,今天这个是python/torch版本的DBN超参数优化。具体运行环境python36、torch1.2。 话不多说,直接上结果。数据结构是...原创 2021-07-22 11:41:27 · 7183 阅读 · 19 评论 -
基于EMD+模拟退火优化DBN的风速预测模型
图1 原始风速时间序列 风速预测主要是时间序列预测,通常采用滚动序列建模,即采用1-n时刻风速作为输入,第n+1时刻风速作为输出,然后采用第2到n+1时刻风速作为输...原创 2020-02-26 15:27:39 · 7862 阅读 · 16 评论 -
鲸鱼WOA优化注意力机制的BiLSTM用于负荷预测
本文提出基于注意力机制的双向LSTM用于负荷预测,简称BiLSTM-Attention,提出了一种基于 Attention 机制的BiLSTM短期电力负荷预测方法,该方法将历史负荷数据作为输入,建模学习特征内部动态变化规律,并引入Attention 机制通过映射加权和学习参数矩阵赋予Bilstm隐含状态不同的权重,减少历史信息的丢失并加强重要信息的影响,简称BiLSTM-Attention短期负荷预测模型。同时,针对该模型超参数选择困难的问题,提出利用ssa算法实现该模型超参数的优化选择。简单的介.原创 2021-06-04 14:29:54 · 7745 阅读 · 31 评论 -
基于注意力机制的 CNN-BiGRU 短期电力负荷预测方法
提出了一种基于 Attention 机制的卷积神经网络(convolutional neural network,CNN)-GRU (gated recurrent unit)短期电力负荷 预测方法,该方法将历史负荷数据作为输入,搭建由一维卷 积层和池化层等组成的 CNN 架构,提取反映负荷复杂动态变 化的高维特征;将所提特征向量构造为时间序列形式作为 GRU 网络的输入,建模学习特征内部动态变化规律,并引入 Attention 机制通过映射加权和学习参数矩阵赋予 GRU 隐含原创 2021-06-03 11:04:48 · 14814 阅读 · 15 评论 -
基于同步挤压小波降噪与贝叶斯优化长短时记忆网络的时间序列预测
长短时记忆网络LSTM在针对短时时间序列预测问题上近来年受到大家的关注,但由于该方法为深度学习方法,通常面临着众多超参数的影响,而众所周知,关于深度学习超参数的设置并没有一直明确的指导方针,大多采用经验方法,比如学习率1e-3,1e-4啥的,迭代次数根据loss曲线的变化等进行设置,这种方法说简单的就是无限尝试,找到效果比较好的一组,耗时耗力。为此,本文将采用贝叶斯框架对 LSTM进行参数优化 , 同时采用同步挤压小波SWT对原始数据进行滤波降噪,并采用降噪会的数据进行建模,最后用实例验证...原创 2021-02-24 14:19:52 · 1985 阅读 · 2 评论 -
基于同步挤压小波降噪与改进麻雀优化长短时记忆网络的时间序列预测
长短时记忆网络LSTM在针对短时时间序列预测问题上近来年受到大家的关注,但由于该方法为深度学习方法,通常面临着众多超参数的影响,而众所周知,关于深度学习超参数的设置并没有一直明确的指导方针,大多采用经验方法,比如学习率1e-3,1e-4啥的,迭代次数根据loss曲线的变化等进行设置,这种方法说简单的就是无限尝试,找到效果比较好的一组,耗时耗力。为此,本文将采用改进的麻雀搜索算法ISSA对 LSTM进行参数优化 , 并用实例验证表明 , ISSA-LSTM 模型的预测效果。 ...原创 2021-01-28 11:02:36 · 4942 阅读 · 9 评论 -
麻雀SSA优化深度极限学习机用于回归
原理1: 深度极限学习机也叫多层极限学习机ML-ELM,其首先采用多个极限学习机-自动编码器(ELM-AE)进行无监督预训练,然后利用各ELM-AE的输出权重用于初始化整个DELM。相比于其他深度方法,DELM具有训练速度快的优点,但是ELM-AE在预训练的过程中,输入层权重与偏置是随机产生的正交随机矩阵;同时,ELM-AE无监督预训练过程中采用最小二乘法更新参数,但只有输出层权重参数会更新,而输入层权重与偏置是不进行更新的,这就导致了最终DELM的效果受各ELM-AE的随机...原创 2020-10-03 22:03:04 · 8716 阅读 · 18 评论 -
基于布谷鸟优化LSTM的短时电力负荷预测
短期电力负荷预测是电力系统安全调度、经济运行的重要依据 , 随着电力系统的市场化 , 负荷预测的精度直接影响到电力系统运行的可靠性、经济性和供电质量。LSTM 为短期电力负荷预测提供了一个新的研究方向。本文将LSTM用于短期电力负荷预测 , 提出基于LSTM的短期电力负荷预测模型 , 同时建立布谷鸟算法模型对 LSTM进行参数优化以提高预测精度, 并以浙江某地区的历史负荷数据和气象数据为例进行验证 , 实例验证表明 , CS-LSTM 模型的预测效果明显提高。 布谷鸟搜索(Cu...原创 2021-07-13 11:57:27 · 11327 阅读 · 43 评论 -
基于改进粒子群IPSO与LSTM的短期电力负荷预测
短期电力负荷预测是电力系统安全调度、经济运行的重要依据 , 随着电力系统的市场化 , 负荷预测的精度直接影响到电力系统运行的可靠性、经济性和供电质量。LSTM 为短期电力负荷预测提供了一个新的研究方向。本文将LSTM用于短期电力负荷预测 , 提出基于LSTM 的短期电力负荷预测模型 , 同时建立改进粒子群模型对 LSTM进行参数优化 , 并以浙江某地区的历史负荷数据和气象数据为例进...原创 2019-12-30 14:51:44 · 25277 阅读 · 108 评论 -
基于变分模态分解与麻雀优化最小二乘支持向量机的短期电力负荷预测(VMD-SSA-LSSVM)
短期电力负荷预测是电力系统安全调度、经济运行的重要依据 , 随着电力系统的市场化 , 负荷预测的精度直接影响到电力系统运行的可靠性、经济性和供电质量。LSTM 为短期电力负荷预测提供了一个新的研究方向。本文将LSTM用于短期电力负荷预测 , 提出基于LSTM的短期电力负荷预测模型 , 同时建立布谷鸟算法模型对 LSTM进行参数优化以提高预测精度, 并以浙江某地区的历史负荷数据和气象数据为例进行验证 , 实例验证表明 , CS-LSTM 模型的预测效果明显提高。 布谷鸟搜索(Cu...原创 2020-08-21 11:42:50 · 6942 阅读 · 20 评论