10.3969/j.issn.2097-0706.2023.01.004
基于BiLSTM网络与误差修正的超短期负荷预测
电力负荷预测对于电力系统电量供需平衡、经济运行具有重要意义,电力负荷具有随机性、波动性等不确定性特征且易受天气因素影响,负荷准确预测存在技术挑战.提出了一种基于双向长短期记忆(BiLSTM)神经网络与误差修正的超短期负荷预测模型,采用最大信息系数描述各影响因素与负荷的关系,并进一步对输入特征进行筛选;考虑负荷变量数值序列的时序性,利用BiLSTM网络建立负荷预测模型,针对预测结果误差,采用自适应噪声的完备集合经验模态分解(CEEMDAN)算法将误差结果序列分解为若干分量,每个误差分量分别再建立BiLSTM预测模型.以我国北方某地区配电网实际负荷数据为算例,采用不同神经网络模型进行对比测试,结果表明该模型具有更高的准确度.
电力负荷、超短期负荷预测、BiLSTM神经网络、CEEMDAN算法、误差修正、最大信息系数
45
TK01:TM715(一般性问题)
河北省自然科学基金E2020202142
2023-02-24(万方平台首次上网日期,不代表论文的发表时间)
共10页
31-40