基于CNN-LSTM神经网络的电网调度火电厂短期存煤预测
采用传统的回归拟合进行发电厂存煤量单变量单步预测已无法满足电网优化调度的需求,针对该问题,提出卷积神经网络(CNN)与长短期记忆(LSTM)神经网络相结合的CNN-LSTM神经网络预测模型,利用CNN良好的特征提取能力以及LSTM神经网络特殊的记忆预测功能实现对未来电厂存煤量的精准预测.为了使预测结果更符合实际存煤量,在已有预测结果的基础上进行进一步优化.实例验证结果表明,相较于传统差分自回归移动平均(ARIMA)模型和单一LSTM神经网络模型,所提模型取得的效果更好,且经过优化后的预测精度得到了进一步提高.
短期预测、电厂存煤、深度学习、模型优化、电网调度
41
TM73(输配电工程、电力网及电力系统)
国家自然科学基金;上海市科技创新行动计划;上海市青年科技英才"扬帆计划"项目;国家电网地方公司项目非规范项目名称)
2021-06-22(万方平台首次上网日期,不代表论文的发表时间)
共7页
127-132,141