文献类型：期刊文章

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

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

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

出　　处：《电网技术》

基　　金：国家重点研发计划项目((2016YFF0201201)~~

年　　份：2019

卷　　号：43

期　　号：12

起止页码：4370-4376

语　　种：中文

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

摘　　要：高效准确的短期电力负荷预测能帮助电力部门合理制定生产调度计划,减少资源浪费。深度学习中以循环神经网络(recurrent neural network,RNN)为主体构建的预测模型是短期负荷预测方法中的典型代表,但存在难以有效提取历史序列中潜在高维特征且当时序过长时重要信息易丢失的问题。提出了一种基于Attention机制的卷积神经网络(convolutional neural network,CNN)-GRU(gated recurrent unit)短期电力负荷预测方法,该方法将历史负荷数据作为输入,搭建由一维卷积层和池化层等组成的CNN架构,提取反映负荷复杂动态变化的高维特征;将所提特征向量构造为时间序列形式作为GRU网络的输入,建模学习特征内部动态变化规律,并引入Attention机制通过映射加权和学习参数矩阵赋予GRU隐含状态不同的权重,减少历史信息的丢失并加强重要信息的影响,最后完成短期负荷预测。以美国某公共事业部门提供的公开数据集和中国西北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97.15%和97.44%,并与多层感知机(multi-layer perceptron,MLP)、径向基神经网络(radial basis function neural network,RBF)、支持向量回归(support vector regression,SVR)、GRU、CNN、自编码器(autoencoder,AE)-GRU和未引入Attention机制的CNN-GRU进行对比,实验结果表明所提方法具有更高的预测精度。

关 键 词：短期负荷预测 卷积神经网络 门控循环单元  注意力机制  

分 类 号：TM721]