所属单位：

信息与控制工程学院

发表刊物：

2024中国自动化大会

关键字：

卷积神经网络;工业负荷预测;粒子群优化;双向长短期记忆网络;时间序列;

摘要：

本文针对于工业负荷数据量大,波动性强的特点提出了一种基于粒子群优化算法(PSO)与卷积神经网络(CNN)和双向长短期记忆网络(BILSTM)的集成学习模型的负荷预测方法。首先,通过增加时间序列对LSTM模型的双向检测构建BILSTM模型,然后使用卷积神经网络对模型数据特征进行提取,用以提高精准度,最后通过PSO算法对CNNBILSTM模型的相关参数进行优化,用以提高模型的精准性和鲁棒性。实验结果表明,所提出的PSO-CNN-BILSTM模型相比与其他神经网络模型在短期电力负荷预测中具有更好的准确度,而通过工业负荷的高负荷性,由电力预测为基准进行的能源优化调度,在节能减排的同时可提高企业的能源利用率从而优化经济效益.

第一作者：

李明海

论文类型：

会议论文

通讯作者：

张柄涛,王锦煜

卷号：

2024/1/34

是否译文：

否

发表时间：

2024-11-07