并行多模型融合的混合神经网络超短期负荷预测

摘要：

针对输入数据特征多时负荷预测模型精度提升难的问题,文章提出一种并行多模型融合的混合神经网络超短期负荷预测方法.将卷积神经网络(convolutional neural network,CNN)与门控循环单元神经网络(gated recurrent unit neural network,GRU-NN)并行,分别提取局部特征与时序特征,将2个网络结构的输出拼接并输入深度神经网络(deep neural network,DNN),由DNN进行超短期负荷预测.最后应用负荷与温度数据进行预测实验,结果表明相比于GRU-NN网络结构、长短期记忆(long short term memory,LSTM)网络结构、串行CNN-LSTM网络结构与串行CNN-GRU网络结构,所提方法具有更好的预测性能.

关键词：超短期负荷预测、卷积神经网络(CNN)、门控循环单元(GRU)、深度神经网络(DNN)、特征提取

所属期刊栏目：41

分类号：TM715(输配电工程、电力网及电力系统)

资助基金：国家自然科学基金项目;宁夏自治区重点研发项目;宁夏自治区自然科学基金项目

在线出版日期：2020-11-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1-8