基于Attention-BiLSTM神经网络和气象数据修正的短期负荷预测模型
基于循环神经网络的负荷预测模型大多将历史负荷数据和影响负荷的其他因素如气象数据等共同作为预测模型的输入特征,但气象数据内部规律性不强,不适合作为循环神经网络的输入.针对该问题,提出一种基于Attention-BiLSTM神经网络和气象数据修正的短期负荷预测模型.采用最大信息系数分析影响负荷的主要因素;考虑到负荷序列较长且存在双向信息流,利用BiLSTM神经网络进行预测;引入注意力机制,通过注意力权重突出关键因素的影响,挖掘负荷数据的内部规律;利用核极限学习机结合气象数据进行误差预测和修正,完成负荷预测.以我国东部某地区真实数据作为实际算例,实验结果表明,所提模型与其他模型相比有更好的预测效果.
短期负荷预测、最大信息系数、注意力机制、双向长短时记忆神经网络、核极限学习机
42
TM715(输配电工程、电力网及电力系统)
国家重点研发计划2016YFB0901102
2022-05-05(万方平台首次上网日期,不代表论文的发表时间)
共7页
172-177,224