基于Wide&Deep-LSTM模型的短期台区负荷预测

摘要：

负荷预测是电力系统经济运行的基础,其对电力系统规划和运行都极其重要.由于影响负荷预测的因素较多,因此用常规的方法很难获得较好的预测结果.随着新一代人工智能技术的兴起,尤其以深度学习和大数据技术的快速发展,为进一步提高负荷预测的精确度奠定了良好的基础.文中将深度学习方法引入到电力系统的短期台区负荷预测中,综合利用了负荷台区的电压、电流、功率以及时间等特征信息.同时在已有的长短期记忆网络(LSTM)模型和宽度&深度(Wide&Deep)模型的基础上,建立了基于Wide&Deep-LSTM的深度学习短期负荷预测模型,并在此基础上进行了日前台区负荷预测.该模型能够兼具深度神经网络的学习能力与LSTM模块的时间序列信息表达特性,能够较好地解决台区电力负荷预测的多特征维度及时序性特征问题.最后利用Tensorflow深度学习框架生成了仿真模型并加以验证,仿真结果充分证明了所提方法的准确性与实用性.

关键词：负荷预测、大数据、深度学习、长短期记忆网络、宽度&深度模型

所属期刊栏目：44

分类号：TM721(输配电工程、电力网及电力系统)

在线出版日期：2020-04-26（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：428-436