排序方式： 共有2条查询结果，搜索用时 328 毫秒
1
1.
针对电力系统对短期电力负荷预测精确性的需求，以长短期记忆算法为基础，采用差分自适应进化算法对其进一步改进，从而提出一种基于机器学习的混合算法（SaDE-LSTM）对电力负荷进行短期预测。基于我国2004—2018年间月度社会用电负荷数据，对改进后的混合算法进行性能测试，首先利用差分进化算法的自适应变异和交叉因子来优化长短期记忆算法的初始参数，在此基础上，运用寻优得到的参数训练长短期记忆算法从而得到优化后的预测结果。为证明其优越性，对同组数据采用支持向量机（SVM）、反向传播神经网络、自回归积分滑动平均等算法分别预测。各方法预测结果和真实结果对比分析证明，SaDE-LSTM算法对时间序列数据量要求较低，同时相比其他传统算法有更高的预测精度。该改进算法能够为参与电力系统调度的虚拟电厂、负荷聚合商等对小样本和高精度预测有需求的主体提供参考。 相似文献
2.
基于文献计量学方法,利用VOS viewer、CiteSpace V等软件,对Web of Science(WoS)核心合集10643篇文献及中国知网(CNKI)核心期刊5576篇碳排放权交易相关文献进行计量分析与对比,探索该领域研究现状及发展趋势。结果表明,我国在该领域的研究能力不断提升；国家之间的合作研究呈现实力不均衡特征,我国研究机构与美英研究机构合作较为紧密；与国际文献相比,国内文献多从政策、市场机制、市场体系等方面展开研究,对能源消费与碳足迹追踪等角度的研究较少。最后,总结了我国现阶段碳排放权交易研究方面的短板与问题,以期为未来在该领域开展研究的学者提供指导与帮助。 相似文献
1