【ESWA】基于特征提取统计技术的深度学习短期电力负荷预测混合模型
准确可靠的负荷预测可以保证电力系统运行的安全性和经济性。为了提高短期电力负荷预测的准确性，本文采用特征提取结合多种机器学习方法（经验小波分解（EWT）、卷积神经网络（CNN模型、递归神经网络（RNN）模型、长短期记忆网络（LSTM）模型、贝叶斯优化（BOA）算法）。提出了一种新的混合预测模型EWT-CNN-S-RNN+LSTM模型来预测电力消耗。在该方法中，使用EW-TT分解的固定模式来提取统计特征，并根据统计特征选择LST’y/RNN模型。该方法使用贝叶斯优化（BOA）算法优化参数来解决模式梯度爆炸问题。基于2007年（澳大利亚能源市场运营商）的电力消耗数据和总共336个电力负荷数据，获得了良好的负荷预测结果，可以为电力调节和电力可持续发展提供间接支持。
