基于LSTM-BPNN混合模型的天然气负荷预测研究
ChengShi RanQi（2022）
摘要
准确的天然气负荷预测对燃气公司的生产运营、调度规划和安全供气至关重要.传统的天然气预测模型往往无法充分利用输入特征之间的时序相关性,这限制了它们的预测精度.因此本文提出了一种基于长短期记忆神经网络(LSTM)和反向传播神经网络(BPNN)的混合模型用于天然气负荷预测,其中LSTM用于对输入特征进行重编码,BPNN用于学习重编码特征和用气量之间的映射函数.该方法充分利用了 LSTM的时序特征提取能力和BPNN的拟合能力,旨在对用气量进行更准确的预测.本文采用浙江某天然气门站1年用气数据对该方法的性能进行了验证.结果表明,与极端梯度提升树、BPNN和LSTM相比,该方法具有更高的预测精度.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要