的短期天然气负荷组合预测模型.[方法]为充分挖掘负荷序列的内部隐藏特征信息,避免不同分量特征及额外噪声的相互干扰,通过CEEMD分解将原始负荷序列分解为有限个本征模态函数(Intrinsic Mode Function,IMF)分量,随后将不同IMF分量输入LSTM模型进行多步迭代预测,并基于贝叶斯算法对LSTM模型的超参数进行优化以提升学习效果和预测...
本发明提出了一种基于CEEMDLSTMMLR的短期电力负荷预测方法,步骤1:获取电力负荷数据,并对所得到的数据集进行预处理;步骤2:将输入数据通过CEEMD分解为有限个IMF分量和一个残余分量,根据各分量波动周期长短合并重组为高频分量和低频分量;步骤3:对高频分量应用LSTM神经网络进行预测,并用贝叶斯算法对LSTM网络超参数寻优;步骤...
采用互补集合经验模态分解法将冷,热,电负荷序列分解为各组本征模态函数(IMF)均值分量并进行筛选保留与负荷预测相关度较高的IMF均值分量;将各组筛选后的IMF均值分量以及天气因素数据输入长短期记忆网络(LSTM)模型进行训练和学习得到最终CEEMDLSTM负荷预测模型;将预测的各组IMF均值分量相加并进行归一化逆变换得到最终预测...