Short-term electric load forecasting using particle swarm optimization-based convolutional neural network

计算机科学 粒子群优化 过度拟合 电力负荷 电力系统 核(代数) 卷积神经网络 支持向量机 人工神经网络 人工智能 数学优化 算法 功率(物理) 数学 物理 量子力学 组合数学
作者
Ying-Yi Hong,Yu‐Hsuan Chan
出处
期刊:Engineering Applications of Artificial Intelligence [Elsevier]
卷期号:126: 106773-106773
标识
DOI:10.1016/j.engappai.2023.106773
摘要

Short-term electric load forecasting is essential for the operation of power systems and the power market, including economic dispatch, unit commitment, peak load shaving, load management and bidding strategy development. This paper presents a novel method that uses a hybrid convolutional neural network (CNN) that is cascaded with a fully-connected network, to conduct 24h-ahead electric load forecasting in power systems. Spearman’s rank-order correlation, which serves as input size information for the CNN, was used to measure the cross-correlation between two sets of observations (chronological loads) of time shifts or lags. Both max and average pooling operations were utilized to extract data features in concatenation while spatial and conventional dropouts were employed to avoid overfitting in the hybrid CNN. The proposed method used two loops to yield the optimal CNN. The outer loop optimizes the structure and hyperparameters (such as kernel size) of the hybrid CNN by a proposed method of enhanced elite-based particle swarm optimization (EEPSO) while the inner loop optimizes the parameters (such as values of a kernel) and weights in neural networks using the Adam optimizer. The EEPSO is based on the mean search and chaotic descending inertia weight. The proposed method was used to study the 2018 and 2019 hourly load data in Taiwan Power Company. Simulation results show that the proposed method outperforms the well-known ARIMA, Radial Basis Function Network, Support Vector Regression, Long Short-term Memory and their hybrid variants.
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
热塑性哈士奇完成签到,获得积分10
1秒前
2秒前
小王同学完成签到 ,获得积分10
2秒前
Medneuron发布了新的文献求助10
3秒前
xiaolu完成签到,获得积分20
3秒前
跳跃尔琴发布了新的文献求助10
4秒前
随便啦完成签到,获得积分20
4秒前
hzNB完成签到,获得积分20
5秒前
石头发布了新的文献求助10
6秒前
小马甲应助勤劳尔容采纳,获得10
7秒前
无花果应助长孙谷梦采纳,获得10
7秒前
西木关注了科研通微信公众号
9秒前
斯文败类应助提莫蘑菇采纳,获得10
9秒前
9秒前
科研通AI2S应助科2研7通采纳,获得10
10秒前
10秒前
10秒前
10秒前
11秒前
无花果应助Medneuron采纳,获得10
12秒前
开放的大侠完成签到,获得积分10
13秒前
隐形曼青应助气泡酸梅汁采纳,获得10
13秒前
liuhe完成签到,获得积分10
14秒前
小薇发布了新的文献求助10
14秒前
15秒前
不配.应助xiamu采纳,获得10
16秒前
Transient发布了新的文献求助30
16秒前
呼呼哈嘿发布了新的文献求助10
16秒前
Dr.Dream完成签到,获得积分10
16秒前
liuhe发布了新的文献求助10
17秒前
赵爽爽完成签到 ,获得积分10
17秒前
华仔应助Mor采纳,获得30
18秒前
18秒前
泡面加蛋发布了新的文献求助10
20秒前
ll完成签到,获得积分10
20秒前
八戒完成签到 ,获得积分0
20秒前
20秒前
orixero应助科研啊科研采纳,获得10
23秒前
23秒前
烟花应助激昂的亦竹采纳,获得10
25秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Foreign Policy of the French Second Empire: A Bibliography 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
XAFS for Everyone 500
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 3143538
求助须知:如何正确求助?哪些是违规求助? 2794891
关于积分的说明 7812770
捐赠科研通 2451061
什么是DOI,文献DOI怎么找? 1304203
科研通“疑难数据库(出版商)”最低求助积分说明 627207
版权声明 601386