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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD