基于集成模型的混合神经网络电力负荷预测
Power Demand Side Management(2022)
Abstract
为了提高负荷预测的精度与泛化能力,提出了一种基于 Bagging集成算法的 GRU-BiLSTM-Self-attention模型.为充分提取高维输入数据的多个特征,该模型采用BiLSTM-Self-attention模型提取局部特征,采用GRU模型提取时序特征,从同一训练集中独立抽取样本子集并进行训练,对输出结果集成处理并得到最终的预测结果.选取南京某供电公司真实数据进行实验,并与LSTM神经网络、GRU神经网络、BiLSTM神经网络等预测模型进行对比.实验数据表明,该模型的均方根误差为50.770 3,准确率为97.36%.相较于其它用于对比的模型,该结果表明本模型在预测效果上具有一定程度的优势,说明所提出的模型具有更好的泛化能力与预测精度.
MoreAI Read Science
Must-Reading Tree
Example
![](https://originalfileserver.aminer.cn/sys/aminer/pubs/mrt_preview.jpeg)
Generate MRT to find the research sequence of this paper
Chat Paper
Summary is being generated by the instructions you defined