基于多层双向递归神经网络的短期电力负荷预测

摘要：

短期电力负荷预测是电网规划和决策的基础,针对短期电力负荷预测准确度不足的问题,提出了一种基于长短期记忆(LSTM)和门控循环单元(GRU)的多层双向递归神经网络模型.首先,GRU通过将LSTM中的输入门和遗忘门组合形成更新门,并将存储单元的状态与输出向量相结合,得到多层双向递归模型.其次,使用LSTM作为复杂的非线性单元构建双向递归神经网络(RNN)模型,提升LSTM的预测效果和深度学习能力.最后,采用EUNITE竞赛数据对模型进行训练测试,并以真实数据集进行有效性验证.实验结果表明,将LSTM和GRU应用于网络时,双向RNN模型能够有效提高短期负荷预测的准确性,并减少预测过程中预测值的波动.

关键词：短期电力、负荷预测、双向递归神经网络、长短期记忆、门控循环单元

所属期刊栏目：43

分类号：TM715;TP391;TP183

资助基金：重庆市科技厅重点研发项目2020

在线出版日期：2022-04-26（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：96-104