基于多元特征动态相似日与长短时记忆网络的综合能源系统负荷预测方法

为充分挖掘综合能源系统(integrated energy system,IES)丰富的特征规律,进一步提高短期负荷预测精度,提出一种基于多元特征动态相似日与长短时记忆网络(long short-term memory,LSTM)的IES负荷预测方法.首先进行特征扩充,构造粗细时间粒度交叉、远近时间周期交叉、涵盖负荷与气象信息的综合负荷日序列.其次采用高斯混合模型(gaussian mixture model, GMM)对综合负荷日进行场景划分,进而利用灰色关联分析与待预测日的粗时间粒度特征进行场景匹配,选择场景中与待预测日关联度最高的5个典型日加权构造"动态相似日".最后...

Full description

Saved in:
Bibliographic Details
Published in:全球能源互联网（英文版） 2023, Vol.6 (3), p.285-296
Main Authors: 孙帆, 霍耀佳, 付磊, 刘会兰, 王玺, 马一鸣
Format: Article
Language:Chinese
Online Access:Get full text
Tags: Add Tag
No Tags, Be the first to tag this record!
cited_by
cites
container_end_page 296
container_issue 3
container_start_page 285
container_title 全球能源互联网（英文版）
container_volume 6
creator 孙帆
霍耀佳
付磊
刘会兰
王玺
马一鸣
description 为充分挖掘综合能源系统(integrated energy system,IES)丰富的特征规律,进一步提高短期负荷预测精度,提出一种基于多元特征动态相似日与长短时记忆网络(long short-term memory,LSTM)的IES负荷预测方法.首先进行特征扩充,构造粗细时间粒度交叉、远近时间周期交叉、涵盖负荷与气象信息的综合负荷日序列.其次采用高斯混合模型(gaussian mixture model, GMM)对综合负荷日进行场景划分,进而利用灰色关联分析与待预测日的粗时间粒度特征进行场景匹配,选择场景中与待预测日关联度最高的5个典型日加权构造"动态相似日".最后以邻近日与"动态相似日"关键特征作为输入,采用LSTM进行细时间粒度的多元负荷预测.对比静态特征作为输入场景及基于非扩充单一特征相似日的选择方法,验证了本文所提预测方法的有效性.
doi_str_mv 10.1016/j.gloei.2023.06.003
format article
fullrecord <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_qqnyhlw_e202303004</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>qqnyhlw_e202303004</wanfj_id><sourcerecordid>qqnyhlw_e202303004</sourcerecordid><originalsourceid>FETCH-wanfang_journals_qqnyhlw_e2023030043</originalsourceid><addsrcrecordid>eNpjYJA2NNAzNDA008_SS8_JT83UMzIwMtYzMNMzMDBmYeA0MrA00zU1NDTnYOAtLs5MMjA1MDc2tDQ14mRIeDp_15NdfU-XzHra2vy8c-fTfY1Pu1Y8a2h8PnvHkz17nk1f-mRH38up-5_PX_ts-rYX6zY83d_2fO_E57vnPJ_V8nz3nqcTOl407322a8Lzzbuf757_Ysv8F73bXy5qeba1-9m0nc82T-VhYE1LzClO5YXS3Axabq4hzh665Yl5aYl56fFZ-aVFeUCZ-MLCvMqMnPL4VJDjDYwNDEyMSVIMAAmdc2U</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于多元特征动态相似日与长短时记忆网络的综合能源系统负荷预测方法</title><source>ScienceDirect®</source><creator>孙帆 ; 霍耀佳 ; 付磊 ; 刘会兰 ; 王玺 ; 马一鸣</creator><creatorcontrib>孙帆 ; 霍耀佳 ; 付磊 ; 刘会兰 ; 王玺 ; 马一鸣</creatorcontrib><description>为充分挖掘综合能源系统(integrated energy system,IES)丰富的特征规律,进一步提高短期负荷预测精度,提出一种基于多元特征动态相似日与长短时记忆网络(long short-term memory,LSTM)的IES负荷预测方法.首先进行特征扩充,构造粗细时间粒度交叉、远近时间周期交叉、涵盖负荷与气象信息的综合负荷日序列.其次采用高斯混合模型(gaussian mixture model, GMM)对综合负荷日进行场景划分,进而利用灰色关联分析与待预测日的粗时间粒度特征进行场景匹配,选择场景中与待预测日关联度最高的5个典型日加权构造"动态相似日".最后以邻近日与"动态相似日"关键特征作为输入,采用LSTM进行细时间粒度的多元负荷预测.对比静态特征作为输入场景及基于非扩充单一特征相似日的选择方法,验证了本文所提预测方法的有效性.</description><identifier>ISSN: 2096-5117</identifier><identifier>DOI: 10.1016/j.gloei.2023.06.003</identifier><language>chi</language><ispartof>全球能源互联网（英文版）, 2023, Vol.6 (3), p.285-296</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><lds50>peer_reviewed</lds50><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/qqnyhlw-e/qqnyhlw-e.jpg</thumbnail><link.rule.ids>314,780,784,4024,27923,27924,27925</link.rule.ids></links><search><creatorcontrib>孙帆</creatorcontrib><creatorcontrib>霍耀佳</creatorcontrib><creatorcontrib>付磊</creatorcontrib><creatorcontrib>刘会兰</creatorcontrib><creatorcontrib>王玺</creatorcontrib><creatorcontrib>马一鸣</creatorcontrib><title>基于多元特征动态相似日与长短时记忆网络的综合能源系统负荷预测方法</title><title>全球能源互联网（英文版）</title><description>为充分挖掘综合能源系统(integrated energy system,IES)丰富的特征规律,进一步提高短期负荷预测精度,提出一种基于多元特征动态相似日与长短时记忆网络(long short-term memory,LSTM)的IES负荷预测方法.首先进行特征扩充,构造粗细时间粒度交叉、远近时间周期交叉、涵盖负荷与气象信息的综合负荷日序列.其次采用高斯混合模型(gaussian mixture model, GMM)对综合负荷日进行场景划分,进而利用灰色关联分析与待预测日的粗时间粒度特征进行场景匹配,选择场景中与待预测日关联度最高的5个典型日加权构造"动态相似日".最后以邻近日与"动态相似日"关键特征作为输入,采用LSTM进行细时间粒度的多元负荷预测.对比静态特征作为输入场景及基于非扩充单一特征相似日的选择方法,验证了本文所提预测方法的有效性.</description><issn>2096-5117</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2023</creationdate><recordtype>article</recordtype><recordid>eNpjYJA2NNAzNDA008_SS8_JT83UMzIwMtYzMNMzMDBmYeA0MrA00zU1NDTnYOAtLs5MMjA1MDc2tDQ14mRIeDp_15NdfU-XzHra2vy8c-fTfY1Pu1Y8a2h8PnvHkz17nk1f-mRH38up-5_PX_ts-rYX6zY83d_2fO_E57vnPJ_V8nz3nqcTOl407322a8Lzzbuf757_Ysv8F73bXy5qeba1-9m0nc82T-VhYE1LzClO5YXS3Axabq4hzh665Yl5aYl56fFZ-aVFeUCZ-MLCvMqMnPL4VJDjDYwNDEyMSVIMAAmdc2U</recordid><startdate>2023</startdate><enddate>2023</enddate><creator>孙帆</creator><creator>霍耀佳</creator><creator>付磊</creator><creator>刘会兰</creator><creator>王玺</creator><creator>马一鸣</creator><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2023</creationdate><title>基于多元特征动态相似日与长短时记忆网络的综合能源系统负荷预测方法</title><author>孙帆 ; 霍耀佳 ; 付磊 ; 刘会兰 ; 王玺 ; 马一鸣</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-wanfang_journals_qqnyhlw_e2023030043</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2023</creationdate><toplevel>peer_reviewed</toplevel><toplevel>online_resources</toplevel><creatorcontrib>孙帆</creatorcontrib><creatorcontrib>霍耀佳</creatorcontrib><creatorcontrib>付磊</creatorcontrib><creatorcontrib>刘会兰</creatorcontrib><creatorcontrib>王玺</creatorcontrib><creatorcontrib>马一鸣</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>全球能源互联网（英文版）</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>孙帆</au><au>霍耀佳</au><au>付磊</au><au>刘会兰</au><au>王玺</au><au>马一鸣</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于多元特征动态相似日与长短时记忆网络的综合能源系统负荷预测方法</atitle><jtitle>全球能源互联网（英文版）</jtitle><date>2023</date><risdate>2023</risdate><volume>6</volume><issue>3</issue><spage>285</spage><epage>296</epage><pages>285-296</pages><issn>2096-5117</issn><abstract>为充分挖掘综合能源系统(integrated energy system,IES)丰富的特征规律,进一步提高短期负荷预测精度,提出一种基于多元特征动态相似日与长短时记忆网络(long short-term memory,LSTM)的IES负荷预测方法.首先进行特征扩充,构造粗细时间粒度交叉、远近时间周期交叉、涵盖负荷与气象信息的综合负荷日序列.其次采用高斯混合模型(gaussian mixture model, GMM)对综合负荷日进行场景划分,进而利用灰色关联分析与待预测日的粗时间粒度特征进行场景匹配,选择场景中与待预测日关联度最高的5个典型日加权构造"动态相似日".最后以邻近日与"动态相似日"关键特征作为输入,采用LSTM进行细时间粒度的多元负荷预测.对比静态特征作为输入场景及基于非扩充单一特征相似日的选择方法,验证了本文所提预测方法的有效性.</abstract><doi>10.1016/j.gloei.2023.06.003</doi></addata></record>
fulltext fulltext
identifier ISSN: 2096-5117
ispartof 全球能源互联网（英文版）, 2023, Vol.6 (3), p.285-296
issn 2096-5117
language chi
recordid cdi_wanfang_journals_qqnyhlw_e202303004
source ScienceDirect®
title 基于多元特征动态相似日与长短时记忆网络的综合能源系统负荷预测方法
url http://sfxeu10.hosted.exlibrisgroup.com/loughborough?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-01-02T16%3A11%3A53IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E5%A4%9A%E5%85%83%E7%89%B9%E5%BE%81%E5%8A%A8%E6%80%81%E7%9B%B8%E4%BC%BC%E6%97%A5%E4%B8%8E%E9%95%BF%E7%9F%AD%E6%97%B6%E8%AE%B0%E5%BF%86%E7%BD%91%E7%BB%9C%E7%9A%84%E7%BB%BC%E5%90%88%E8%83%BD%E6%BA%90%E7%B3%BB%E7%BB%9F%E8%B4%9F%E8%8D%B7%E9%A2%84%E6%B5%8B%E6%96%B9%E6%B3%95&rft.jtitle=%E5%85%A8%E7%90%83%E8%83%BD%E6%BA%90%E4%BA%92%E8%81%94%E7%BD%91%EF%BC%88%E8%8B%B1%E6%96%87%E7%89%88%EF%BC%89&rft.au=%E5%AD%99%E5%B8%86&rft.date=2023&rft.volume=6&rft.issue=3&rft.spage=285&rft.epage=296&rft.pages=285-296&rft.issn=2096-5117&rft_id=info:doi/10.1016/j.gloei.2023.06.003&rft_dat=%3Cwanfang_jour%3Eqqnyhlw_e202303004%3C/wanfang_jour%3E%3Cgrp_id%3Ecdi_FETCH-wanfang_journals_qqnyhlw_e2023030043%3C/grp_id%3E%3Coa%3E%3C/oa%3E%3Curl%3E%3C/url%3E&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=qqnyhlw_e202303004&rfr_iscdi=true