基于CNN-LSTM的综合能源系统负荷预测模型

摘要：

负荷的准确预测是综合能源系统设计、运行、调度和管理的前提.现有的负荷预测模型中大都考虑了气象、日期因素,却没有考虑系统中电、冷、热负荷间的相关性,这会对模型的预测精度造成影响.使用了科普拉理论对系统中3种负荷之间的相关性进行分析.从分析结果看,它们之间具有强相关的关系.基于上述分析结果,提出了一种基于深度学习的智慧综合能源系统负荷预测模型,该模型使用卷积神经网络(convolutional neural network,CNN)来提取系统中电、冷、热负荷间的耦合特性相关的特征量.将得到的特征量转换为时间序列后,输入到长短期记忆(long short-term memory,LSTM)网络中进行负荷预测.实验显示,所提出的CNN-LSTM组合模型的预测精度更为精准,可为综合能源系统的负荷预测提供参考.

关键词：综合能源系统、卷积神经网络(CNN)、长短期记忆网络(LSTM)、负荷预测

所属期刊栏目：35

分类号：TN86;TP39(无线电设备、电信设备)

资助基金：五凌电力有限公司综合智慧能源业务;数字化建设发展规划项目

在线出版日期：2023-05-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：254-262