| 翁国庆,龚阳光,舒俊鹏,黄飞腾.基于聚类LSTM深度学习模型的主动配电网电能质量预测[J].高技术通讯(中文),2020,30(7):687~697 |
| 基于聚类LSTM深度学习模型的主动配电网电能质量预测 |
|
| |
| DOI：10.3772/j.issn.1002-0470.2020.07.004 |
| 中文关键词: 电能质量（PQ）预测； 深度学习； 长短期记忆网络（LSTM）； K-means聚类； 主动配电网(ADN) |
| 英文关键词: |
| 基金项目: |
|
| 摘要点击次数: 2254 |
| 全文下载次数: 1503 |
| 中文摘要: |
| 针对较长时间跨度上电能质量（PQ）数据的时序性和非线性特点，提出一种基于K-means聚类和长短期记忆（LSTM）网络的主动配电网(ADN)电能质量预测方法。在构建LSTM深度学习模型的基础上，将大量的电能质量历史数据、环境因素及负荷数据以多维向量的形式进行K-means聚类，并针对每一类数据集分别使用LSTM模型进行网络的训练和性能评估，然后利用完成训练和评估的聚类LSTM网络模型进行主动配电网电能质量稳态指标项的预测。最后，通过IEEE-13节点含分布式电源的主动配电网仿真算例，分析验证了所提聚类LSTM网络法比时间序列预测法、反向传播(BP)神经网络法和标准LSTM网络法具有更优的预测性能。 |
| 英文摘要: |
| |
|
查看全文
查看/发表评论 下载PDF阅读器 |
| 关闭 |
