基于改进长短期记忆网络的短期负荷预测

摘要：

针对电力系统负荷受天气、季节、工作日、周末和节假日等多种不确定外部因素影响的问题,在考虑这些外部因素的情况下,建立一个高精度的时负荷预测模型.首先,利用卷积神经网络(convolutional neural network,CNN)将负载负荷数据作为输入,构建由一维卷积层、池化层和全连接层组成的卷积神经网络提取反应负荷的高维特征;其次,利用负载序列的自相关系数来确定卷积层的核大小,卷积层通过应用二维卷积核将一维特征转换为多维特征,将二维CNN提取的多维特征作为输入,输入到双向门控循环单元(gated recurrent unit,GRU)和双向长短期记忆网络(long short-term memory,LSTM)单元,并引入注意力机制赋予双向GRU和LSTM隐藏状态不同的权重输入到全连接层,进行逐小时电力负荷预测;最后,通过负荷数据集验证该模型.结果表明:模型具有一定的优越性,是一个可行的负荷预测.

关键词：短期负荷预测、卷积神经网络、长短期记忆网络、门控循环单元、自相关系数

所属期刊栏目：44

分类号：TM734(输配电工程、电力网及电力系统)

资助基金：国网甘肃省电力公司科技项目26271220003T

在线出版日期：2022-08-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共3页

页码：61-63