文献类型：期刊文章

作　　者：王增平[1] 赵兵[1,2] 纪维佳[3] 高欣[3] 李晓兵[3]

WANG Zengping;ZHAO Bing;JI Weijia;GAO Xin;LI Xiaobing(School of Electrical and Electronic Engineering,North China Electric Power University,Beijing 102206,China;China Electric Power Research Institute,Beijing 100192,China;School of Automation,Beijing University of Posts and Telecommunications,Beijing 100876,China)

机构地区：[1]华北电力大学电气与电子工程学院,北京市102206 [2]中国电力科学研究院有限公司,北京市100192 [3]北京邮电大学自动化学院,北京市100876

出　　处：《电力系统自动化》

基　　金：国家重点研发计划资助项目(2016YFF0201201)~~

年　　份：2019

卷　　号：43

期　　号：5

起止页码：53-62

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：目前基于统计分析和机器学习的预测方法难以同时兼顾负荷数据的时序性和非线性特点。文中提出了一种基于GRU-NN模型的短期电力负荷预测方法。该方法基于深度学习思想处理不同类型的负荷影响因素,引入门控循环单元(GRU)网络处理具有时序性特点的历史负荷序列,建模学习负荷数据内部动态变化规律,其输出结果与其他外部影响因素(天气、日类型等)融合为新的输入特征,使用深度神经网络进行处理,整体分析特征与负荷变化的内在联系,最后完成负荷预测。以美国某公共事业部门提供的公开数据集和中国某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.30%和97.12%,并与长短期记忆神经网络、多层感知机以及GRU神经网络方法进行对比,实验结果表明所提方法具有更高的预测精度和更快的预测速度。

关 键 词：电力系统 短期负荷预测 门控循环单元  深度神经网络  

分 类 号：TM715]