Multi-Energy Coupling Load Forecasting in Integrated Energy System with Improved Variational Mode Decomposition-Temporal Convolutional Network-Bidirectional Long Short-Term Memory Model

联轴节(管道) 模式(计算机接口) 期限(时间) 能量(信号处理) 分解 短时记忆 计算机科学 算法 物理 人工智能 循环神经网络 人工神经网络 工程类 量子力学 机械工程 生态学 生物 操作系统
作者
Xinfu Liu,Lei Zhu,Wei Zhou,Yanfeng Cao,Wang Meng-xiao,Wenhao Hu,Chunhua Liu,Peng Liu,Guoliang Liu
出处
期刊:Sustainability [MDPI AG]
卷期号:16 (22): 10082-10082
标识
DOI:10.3390/su162210082
摘要

Accurate load forecasting is crucial to the stable operation of integrated energy systems (IES), which plays a significant role in advancing sustainable development. Addressing the challenge of insufficient prediction accuracy caused by the inherent uncertainty and volatility of load data, this study proposes a multi-energy load forecasting method for IES using an improved VMD-TCN-BiLSTM model. The proposed model consists of optimizing the Variational Mode Decomposition (VMD) parameters through a mathematical model based on minimizing the average permutation entropy (PE). Moreover, load sequences are decomposed into different Intrinsic Mode Functions (IMFs) using VMD, with the optimal number of models determined by the average PE to reduce the non-stationarity of the original sequences. Considering the coupling relationship among electrical, thermal, and cooling loads, the input features of the forecasting model are constructed by combining the IMF set of multi-energy loads with meteorological data and related load information. As a result, a hybrid neural network structure, integrating a Temporal Convolutional Network (TCN) with a Bidirectional Long Short-Term Memory (BiLSTM) network for load prediction is developed. The Sand Cat Swarm Optimization (SCSO) algorithm is employed to obtain the optimal hyper-parameters of the TCN-BiLSTM model. A case analysis is performed using the Arizona State University Tempe campus dataset. The findings demonstrate that the proposed method can outperform six other existing models in terms of Mean Absolute Percentage Error (MAPE) and Coefficient of Determination (R2), verifying its effectiveness and superiority in load forecasting.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
科大摆王完成签到,获得积分10
1秒前
1秒前
秉烛夜游完成签到,获得积分10
3秒前
Ava应助chen采纳,获得10
4秒前
武广敏发布了新的文献求助30
8秒前
9秒前
song完成签到,获得积分10
12秒前
13秒前
胖胖橘发布了新的文献求助30
14秒前
sun_lin发布了新的文献求助10
14秒前
15秒前
bsgmsf完成签到,获得积分20
16秒前
16秒前
李健的小迷弟应助zym采纳,获得10
17秒前
WJQ关闭了WJQ文献求助
18秒前
18秒前
19秒前
爆米花应助林少玮采纳,获得10
19秒前
bzc229完成签到,获得积分10
19秒前
困敦发布了新的文献求助10
20秒前
向前跑完成签到,获得积分20
20秒前
chen发布了新的文献求助10
22秒前
香菜张完成签到,获得积分10
22秒前
不安青牛应助小龟别乱跑采纳,获得10
24秒前
24秒前
xdj1990831473发布了新的文献求助10
25秒前
25秒前
25秒前
26秒前
侯卿完成签到,获得积分20
26秒前
Zz完成签到,获得积分10
27秒前
万能图书馆应助π.采纳,获得10
27秒前
28秒前
向前跑发布了新的文献求助10
29秒前
完美的婴发布了新的文献求助10
30秒前
林少玮发布了新的文献求助10
31秒前
研友_nv2r4n发布了新的文献求助10
32秒前
聪慧小燕发布了新的文献求助10
32秒前
小菜鸟发布了新的文献求助10
33秒前
星辰大海应助一心向雨采纳,获得10
34秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Very-high-order BVD Schemes Using β-variable THINC Method 830
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3247606
求助须知:如何正确求助?哪些是违规求助? 2890926
关于积分的说明 8265247
捐赠科研通 2559191
什么是DOI,文献DOI怎么找? 1387904
科研通“疑难数据库(出版商)”最低求助积分说明 650658
邀请新用户注册赠送积分活动 627495