10.13335/j.1000-3673.pst.2019.2058
基于CNN-GRU混合神经网络的负荷预测方法
为充分挖掘负荷数据中时序性特征的联系,提高负荷预测的精度,提出了一种基于卷积神经网络(convolutional neural networks,CNN)和门控循环单元(gated recurrent unit,GRU)混合神经网络的负荷预测方法.以日期因素、气候因素、相似日负荷因素构建特征集作为输入,首先采用k-means聚类方法对地区内的样本数据集进行分组;再运用CNN网络提取特征与负荷在高维空间的联系,构造时序序列的高维特征向量,并将结果输入到GRU网络中;最后训练各组GRU 网络模型的参数并输出负荷预测值.使用该方法对浙江省某地区电力负荷数据进行预测,结果表明,所提负荷预测方法与长短期记忆(long short-term memory,LSTM)网络模型、GRU 网络模型、CNN-LSTM 网络模型、支持向量机回归模型及决策树模型相比,在预测精度与预测效率方面具有显著优势.
负荷预测、卷积神经网络、门控循环单元、深度学习、负荷聚类
44
TM715(输配电工程、电力网及电力系统)
广东省科技计划2017B030314124
2020-09-21(万方平台首次上网日期,不代表论文的发表时间)
共9页
3416-3423,中插19