申请/专利权人:长沙理工大学
申请日:2024-01-11
公开(公告)日:2024-04-09
公开(公告)号:CN117852918A
主分类号:G06Q10/0637
分类号:G06Q10/0637;G06Q50/06;G06N3/006;G06N3/0442;G06N3/045;G06N3/084;H02J3/00
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.26#实质审查的生效;2024.04.09#公开
摘要:本发明公开一种基于FP‑Growth‑BiLSTM组合模型的短期电力负荷预测方法,涉及电力负荷预测领域,包括以下步骤:首先使用FP‑Growth关联算法,对气象数据和电力负荷数据进行关联程度分析.通过改进的鲸鱼优化算法对BiLSTM模型网络超参数进行优化,将BiLSTM模型预测电力负荷作为一个优化问题,以该问题的损失函数作为适应度函数。针对该优化问题使用改进鲸鱼优化算法求取BiLSTM神经网络模型的超参数最优解,然后使用这些最优解参数建立模型,将预处理的数据集输入该神经网络进行训练,得到一个能够预测的模型。
主权项:1.一种基于FP-Growth-BiLSTM组合模型的短期电力负荷预测方法,其特征在于,所述一种基于FP-Growth-BiLSTM组合模型的短期电力负荷预测方法步骤包括:S1:对气象数据和电力负荷数据,使用FP-Growth算法进行关联分析;S2:对原始电力负荷数据预处理;S3:基于初始鲸鱼优化算法,对其算法进行改进优化;S4:采用改进鲸鱼优化算法得到BiLSTM网络模型的最优超参数;S5:基于IWOA-BiLTSM网络模型加入注意力机制,建立IWOA-BiLSTM-Attention网络模型。
全文数据:
权利要求:
百度查询: 长沙理工大学 一种基于FP-Growth-BiLSTM组合模型的短期电力负荷预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。