基于深度混合储备池计算模型的短期电力负荷预测

摘要：

有效的短期电力负荷预测模型有利于保障电力系统稳定且高效地运行.为此,首先提出了一种具有相邻反馈的混合回声状态网络(hybrid echo state network with adjacent-feedback loop reservoir,HALR)模型,用以避免传统浅层模型使用单一类型神经元易产生奇异解的问题.然后,基于深度信念网络(deep neural network,DBN)和HALR模型提出了一种深度混合储备池计算(deep hybrid reservoir calculation,DHRC)模型,以提高传统模型的预测精度和效率,该模型实现了DBN优秀特征学习能力和HALR强大逼近性能的结合.将DHRC模型应用于比利时蒙斯大学采集的某地区电力负荷数据集,最终的XNRMSE、XRMSE和XMAPE分别为0.6591、0.0541和4.8523％.最后,在西北某电网供电公司的实际应用中再次证明了DHRC模型的有效性.实验结果表明,与预测效果最佳的浅层模型HALR相比,DHRC的XNRMSE、XRMSE和XMAPE分别降低了65.1685％、65.1079％和60.0954％;与预测效果较好的深度模型LSTM和DBEN相比,DHRC模型的预测效率分别提高了36.5566％和9.4276％.

关键词：深度信念网络、储备池计算、短期电力负荷预测、短期记忆能力

所属期刊栏目：46

分类号：TM73(输配电工程、电力网及电力系统)

资助基金：京津冀基础研究合作专项;京津冀基础研究合作专项;内蒙古自治区纪检监察大数据实验室开放课题;河北省博士在读研究生创新能力培养项目

在线出版日期：2022-12-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：4751-4761,中插33