文献知网节
  • 记笔记
摘要:随着对利用新能源的迫切需求,分布式能源将以"能量细胞"的形式分布在用户侧,并具有即插即用的特点。受到利益的驱动或稳定性的要求,"能量细胞"将组成形态各异的"能量组织",而新形成的"能量组织"则存在历史数据较少的问题。针对"能量组织"中小样本日前负荷概率预测问题,提出基于pinball损失函数的深度长短时记忆(long short-term memory,LSTM)网络概率预测方法。为解决小样本下深度LSTM网络的过拟合问题,采用自底向上的层次聚类方法进行数据增强,并针对各个分位点进行并行预测。实验结果表明,所提方法能够获得较高的可靠性以及锐度较好的置信区间,可以为日前调度提供合理依据。
  • DOI:

    10.13335/j.1000-3673.pst.2019.0533

  • 专辑:

    理工C(机电航空交通水利建筑能源)

  • 专题:

    电力工业

  • 分类号:

    TM732

  • 手机阅读
    即刻使用手机阅读
    第一步

    扫描二维码下载

    "移动知网-全球学术快报"客户端

    第二步

    打开“全球学术快报”

    点击首页左上角的扫描图标

    第三步

    扫描二维码

    手机同步阅读本篇文献

  • HTML阅读
  • CAJ下载
  • PDF下载

下载手机APP用APP扫此码同步阅读该篇文章

下载:358 页码:3055-3060 页数:6 大小:1090K

相关文献推荐
  • 相似文献
  • 读者推荐
  • 相关基金文献
  • 关联作者