10.3969/j.issn.1007-3175.2022.09.001
基于CNN-LSTM网络的短期电力负荷预测
传统的神经网络在时间相关性较强的负荷预测中精度不高.为了有效提高短期电力负荷预测精度,提出了一种基于卷积神经网络CNN和长短时记忆网络LSTM相结合的负荷预测方法.采集5维负荷特征数据,以CNN卷积层和池化层作为特征提取单元,提取数据空间耦合交互特征;将重构数据输入到LSTM网络挖掘负荷时序特征,采用Dropout技术增加模型泛化能力;利用适应性矩估计(Adam)优化器训练模型;将测试数据输入训练后的神经网络模型,预测未来1 h和12 h电负荷.实验结果表明,该负荷预测模型收敛速度和预测精度均优于改进的BP神经网络、LSTM等预测模型,其1 h负荷预测精度达到98.66%,12 h负荷预测精度达到96.81%,提高了短期电力负荷预测精度.
长短时记忆网络、短期负荷预测、Dropout技术、卷积神经网络、适应性矩估计
TM715(输配电工程、电力网及电力系统)
宁夏自然科学基金项目2021AAC03073
2022-09-29(万方平台首次上网日期,不代表论文的发表时间)
共6页
1-6