Jun, 2024

使用堆叠的双向 LSTM 和 CNN 对达卡市短期电力需求进行预测

PDF
TL;DR提出了一种混合模型，结合了卷积神经网络和堆叠双向长短期记忆架构，以准确预测达卡市电力需求的短期预测，该方法在比较中表现最佳，优于其他基准模型，并且对于负载预测也超过了现有的某些研究成果。
electricity demandload forecastinghybrid modelconvolutional neural networkshort-term forecast
发现论文，激发创造
  • 使用长短期记忆网络进行自然语言处理的电力需求预测

    本文提出了一种利用文本新闻特征的长短期记忆网络（LSTM）来成功预测英国国家电力需求的确定性和概率任务。实验结果表明，带有文本特征的 LSTM 相对于纯 LSTM 基准模型改进了 3% 以上，相对于官方基准模型改进了近 10%。此外，该模型能够通过缩小置信区间和使预测分布更接近真实值来有效地降低预测的不确定性。

    Sep, 2023

  • 制造业短期瞬时能耗预测的深度学习

    本文研究了如何在短期内准确预测能源消耗，对比了使用 LSTM、CNN、混合 CNN-LSTM 和 TCN 等多种深度学习算法的表现，通过实验结果表明 TCN 是最可靠的预测短期能源消耗的方法。

    Jul, 2022

  • 集成能源系统短期多能源需求预测的深度卷积神经网络

    开发基于卷积神经网络的六种新型预测模型，用于预测集成能源系统的多能源需求，评估结果使用信噪比和均方根误差进行。

    Dec, 2023

  • 时间序列预测的深度学习：电力负荷案例

    本文探讨了在智能电网等关键基础设施中实现高效运营所需的精确电力负荷预测的问题，提出了基于深度学习模型应用于电力负荷预测问题的最新趋势，并通过实验评估了前馈神经网络、循环神经网络、序列到序列模型和时空卷积神经网络等多种深度学习模型在短期负荷预测方面的性能表现。

    Jul, 2019

  • 利用非规则卷积神经网络提升短期自行车共享需求预测

    该研究提出了一种基于 IrConv+LSTM 的非规则卷积神经网络模型，可用于改善城市自行车共享短期需求预测，其考虑到了非相邻城市之间的联系。该模型在新加坡的无桩共享单车系统和芝加哥、华盛顿、纽约和伦敦的四个基于站点的系统，表现出比其他基准模型更好的性能。

    Feb, 2022

  • 基于混合统计和机器学习算法的电力需求预测：以乌克兰为例

    该研究使用统计学和机器学习方法来预测国家电力需求，构建了一个完整的长、中、短期电力需求预测模型，其中跨度长的年度趋势采用宏观经济回归分析，中期模型采用温度和日历回归器，短期模型通过多个 ARMA 模型来捕捉小时级别的季节性，结果表明两年外部采样预测精度可达 96.83％。

    Apr, 2023

  • 利用粒子群优化的多头自注意力增强的 CNN-LSTM 网络进行短期负荷预测

    本文提出了一种新的解决方案，利用粒子群优化算法自主探索和优化超参数、多头注意机制识别准确预测所需的关键特征，并采用高效的计算框架，通过对一个真实的用电需求数据集进行严格评估，实验结果表明，该方法在准确性、鲁棒性和计算效率方面具有显著优势，其平均绝对百分比误差为 1.9376，相较于现有最先进的方法标志着短期负荷预测的新时代的开启。

    Sep, 2023

  • 利用深度神经网络建模长短期时间模式

    本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)， 用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

    Mar, 2017

  • 基于分段线性回归和扩张因果卷积神经网络的中长期日电力消费预测

    日常电力消耗预测是一个经典问题，本研究通过使用分段线性回归和扩张因果卷积神经网络构建两阶段预测方法，将每日电力消耗系列拆分为趋势、季节和残差三个组件，并引入距离变量来挑战传统节日预测，最终预测结果通过两阶段预测的求和得出，实验结果表明该方法较现有方法具有更高的准确性。

    Oct, 2023

  • 比较 LSTM 和双向 LSTM 深度神经网络在电力消耗预测中的应用

    比较了两种深度学习模型 —— 长短期记忆网络（LSTM）和双向 LSTM（BLSTM）在电力消耗时间序列（TS）短期预测方面的效果，利用不同背景和规模的四个数据集，其中 BLSTM 表现优于 LSTM。

    May, 2023