10.19421/j.cnki.1006-6357.2019.07.011
基于长短期记忆神经网络的配电网负荷预测方法研究
高渗透率分布式光伏接入配电网后,将削减配电网负荷.由于光伏出力与配电网负荷均具有强随机性,且与温度、太阳辐照等相关气象因素耦合特性不同,导致配电网净负荷随机性提高、预测难度增加.为满足强波动性配电网净负荷短时预测需要,提出基于长短期记忆(long short term memory,LSTM)神经网络短期预测模型构建新方法.采用LSTM分别构建小时前配电网负荷预测模型和短期光伏出力预测模型,并分别使用交叉验证方法优化各个LSTM预测器结构超参数;最后,以两者预测结果相减,获得配电网净负荷.实测数据实验表明,相较于支持向量回归(SVR)等方法,采用LSTM的新方法能够自适应挖掘历史负荷、光伏出力特征与预测对象间的相关性,避免了复杂的特征选择环节,且预测精度优于SVR预测方法.
配电网、负荷预测、光伏出力预测、净负荷、长短期记忆(LSTM)、高渗透率
36
TM74(输配电工程、电力网及电力系统)
江苏省电力有限公司咨询项目SGJSJY00GH WT1800087
2019-07-12(万方平台首次上网日期,不代表论文的发表时间)
共8页
71-77,90