1、“.....采用输入的自适应度量，输出数据由混合机制演变而来。模型的输入的自适应度量能够适应趋势和振幅的局部变化。网络的大部分输入与历史数据接近，以避免由于训练数据和输入数据之间的大差异而导致预测误差的急剧增加。在所提出的混合输出机制中，可以通过相对误差来调整预测结果，使预测结果更加准确。负荷预测模型深度长短时记忆网络长短类分析和支持向量机的空间负荷预测方法电力系统自动化，李霄，王昕，郑益慧，等基于改进最小乘支持向量机和预测误差校正的短期风电负荷预测电力系统保护与控制，王保义，王冬阳，张少敏基于和的短期分布式电力负荷预测算法电力自动化设备，基于自适应深度长短时记忆网络的电力负荷预测论文原稿于云计算和极限学习机的分布式电力负荷预测算法电网技术，刘念，张清鑫，刘海涛基于核函数极限学习机的微电网短期负荷预测方法电工技术学报，回立川，于淼......”。

2、“.....宁晓光，朱永利基于增量优化极限学习机的电力负荷预测计算机仿真，苏学能，刘天琪，曹鸿谦，等基于架构的多重分布式神经网络的短期史数据，并减少过拟合的现象，有效提高了模型在负荷预测时的准确率。通过仿真实验表明本文提出的方法比传统的网络极限学习机自回归模型以及传统的灰色系统模型准确度更高。自适应深度网络为电力负荷预测提供了种新的有效方法。参考文献肖白，周潮，穆钢空间电力负荷预测方法综述与展望中国电机工程学报廖旎焕，胡智宏，马莹莹，等电力系统短期负荷预测方法综述电力系统编号引言電力系统的可靠运营是国民经济各领域发展的基础。而电力负荷预测是目前只能电网规划与生产调度的重要数据依据，精准的负荷预测已经成为智能电网的重要标志之。电力负荷预测的核心是预测算法。电力负荷预测是种典型的时间序列预测，目前负荷预测的主要方法有基于优化的数学拟合方法......”。

3、“.....表给出了几种方法的具体预测结果对比。通过上述对比试验可以看出，第步选择最近邻分类算法，并获得基于方程的。根据公式初始化第网络的输入数据。第步应用第个神经网络并获得结果输出。基于自适应深度长短时记忆网络的电力负荷预测论文原稿。摘要电力负荷数据有着明显的时序依赖关系。针对电力负荷的时序依赖特性，提出了种基于自适应深度长短时记忆网络模型来进行电力负荷的预测。该模型通过深度长短时记忆网络有效的提取负荷序列的时序依赖关系。另作为评价指标，本文中为了更加有效的反映算法的可信性采用了和两种指标。为了更好的证明本文方法的有效性，将本文的方法与神经网络自回归模型极限学习机模型以及灰色系统模型进行对比。为了反映本文方法对时序关系建模的优势，本文从两种尺度实现负荷预测以天为单位和以半小时为单位。以按天负荷预测时，网络以及的输入也为预测数据的个星期的数据，邻模型......”。

4、“.....关键词电力负荷预测分析长短时记忆网络深度学习中图分类号文献标识码文章编号引言電力系统的可靠运营是国民经济各领域发展的基础。而电力负荷预测是目前只能电网规划与生产调度的重要数据依据，精准的负荷预测已经成为智能电网的重要标志之。电力负荷预测的核心是预测算法。电力负荷预测是种典型的时间序列预测，和的短期分布式电力负荷预测算法电力自动化设备。摘要电力负荷数据有着明显的时序依赖关系。针对电力负的短期负荷预测电力系统及其自动化学报，宁晓光，朱永利基于增量优化极限学习机的电力负荷预测计算机仿真，苏学能，刘天琪，曹鸿谦，等基于架构的多重分布式神经网络的短期负荷预测方法中国电机工程学报，陈亚，李萍基于神经网络的短期电力负荷预测仿真研究电气技术，梁智，孙国强，李虎成，等基于与优化深度信念网络的短期负荷预测电网技术，王新......”。

5、“.....基于自适应深度长短时记忆网络的电力负荷预测论文原稿。第步使用历史数据训练两个神经网络。在第个神经网络中，是输入训练数据，是输出的训练数据。在第个神经网络中，和是训练的输入，相对误差是训练的输出。算法用于训练这两个神经网络。第步比较数据集和其他部分的时间序列使用基于方程的欧几里德空间的自适应度量距离。第步比较数据集和其他部分的时间序列使用基于方程的欧几里德空间的自适应度量距离。为了有效利用负荷数据的时序依赖关系，本文采用了种自适应深度长短时记忆网络实现负荷的预测。该方法通过实现时序关系的提取，利用自适应输入减少网络的过拟合。为了将本文模型与其他方法作比较，本文采用归化均方误差和绝对平均误差作为误差准则。已有的文献中电力负荷预测的正确率通常采用网络为电力负荷预测提供了种新的有效方法。参考文献肖白，周潮......”。

6、“.....胡智宏，马莹莹，等电力系统短期负荷预测方法综述电力系统保护与控制，崔和瑞，彭旭基于模型的夏季短期电力负荷预测电力系统保护与控制，王惠中，刘轲，周佳，等电力系统短期负荷预测建模仿真研究计算机仿真，吉兴全，傅荣荣，文福拴，等目前负荷预测的主要方法有基于优化的数学拟合方法，灰色系统理论以及机器学习方法。第步选择最近邻分类算法，并获得基于方程的。根据公式初始化第网络的输入数据。第步应用第个神经网络并获得结果输出。第步使用历史数据训练两个神经网络。在第个神经网络中，是输入训练数据，是输出的训练数据。在第个神经网络中，和是训练的输入，相对误差是训练的输出。算法用于训练这两个神经网络的时序依赖特性，提出了种基于自适应深度长短时记忆网络模型来进行电力负荷的预测。该模型通过深度长短时记忆网络有效的提取负荷序列的时序依赖关系。另外......”。

7、“.....避免了网络的过拟合。新的混合输出机制可以通过相对误差调整预测结果，使预测结果更加准确。实验结果表明，该模型优于神经网络自回归模型灰色系统极限学习机模型和近孟玲玲基于的超短期负荷预测电力系统保护与控制，王奔，冷北雪，张喜海，等支持向量机在短期负荷预测中的应用概况电力系统及其自动化学报，肖白，聂鹏，穆钢，等基于多级聚类分析和支持向量机的空间负荷预测方法电力系统自动化，李霄，王昕，郑益慧，等基于改进最小乘支持向量机和预测误差校正的短期风电负荷预测电力系统保护与控制，王保义，王冬阳，张少敏基于饱和负荷预测中的多级聚类分析和改进模型电力系统及其自动化学报，焦润海，苏辰隽，林碧英，等基于气象信息因素修正的灰色短期负荷预测模型电网技术，王保义，赵硕，张少敏基于云计算和极限学习机的分布式电力负荷预测算法电网技术，刘念，张清鑫......”。

8、“.....回立川，于淼，梁芷睿应用近邻传播算法改进基于自适应深度长短时记忆网络的电力负荷预测论文原稿数据的时序依赖关系，并减少神经网络在学习的过拟合现象，本文提出了种自适应深度长短时记忆网络来实现负荷预测。该方法通过长短时记忆网络实现时序关系的提取，利用自适应输入操作进步有效利用历史数据，并减少过拟合的现象，有效提高了模型在负荷预测时的准确率。通过仿真实验表明本文提出的方法比传统的网络极限学习机自回归模型以及传统的灰色系统模型准确度更高。自适应深度时记忆网络包含种重复神经网络模块的链式的形式。重复模块的内部结构如图所示，其中每个小圆角矩形代表层可学习参数的循环神经网络小圆圈代表操作，这里使用了向量加法和点乘两种矩阵运算代表激活函数，代表激活函数，代表上个时刻的状态，代表上个时刻的输出，代表当前时刻的输出，代表当前时刻的状态，代表，。近年来......”。

9、“.....这种特性非常适合负荷时间序列的分析。然而，由于长短时记忆网络缺乏建立模型的系统过程，当输入数据与训练数据非常不同时，预测结果并不总是准确的，网络可能遭受欠荷预测方法中国电机工程学报，陈亚，李萍基于神经网络的短期电力负荷预测仿真研究电气技术，梁智，孙国强，李虎成，等基于与优化深度信念网络的短期负荷预测电网技术，王新，孟玲玲基于的超短期负荷预测电力系统保护与控制，王奔，冷北雪，张喜海，等支持向量机在短期负荷预测中的应用概况电力系统及其自动化学报，肖白，聂鹏，穆钢，等基于多级聚保护与控制，崔和瑞，彭旭基于模型的夏季短期电力负荷预测电力系统保护与控制，王惠中，刘轲，周佳，等电力系统短期负荷预测建模仿真研究计算机仿真，吉兴全，傅荣荣，文福拴，等饱和负荷预测中的多级聚类分析和改进模型电力系统及其自动化学报，焦润海......”。