文献类型：期刊文章

作　　者：许言路[1] 武志锴[1] 朱赫炎[1] 王斌斌[2] 邓卓夫[2]

XU Yan-lu;WU Zhi-kai;ZHU He-yan;WANG Bin-bin;DENG Zhuo-fu(Economic Research Institute,State Grid Liaoning Electric Power Supply Co.Ltd.,Shenyang 110015,China;Software College,Northeastern University,Shenyang 110819,China)

机构地区：[1]国网辽宁省电力有限公司经济技术研究院,沈阳110015 [2]东北大学软件学院,沈阳110819

出　　处：《沈阳工业大学学报》

基　　金：国家自然科学基金面上项目(61473073).

年　　份：2020

卷　　号：42

期　　号：6

起止页码：618-623

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为了提高电力系统短期负荷预测的准确率,提出了一种基于深度学习技术的多尺度信息融合卷积神经网络(MS-ConvNet)模型.引入了全卷积网络结构和因果逻辑约束增强时间序列特征表达;利用多尺度卷积提取不同长度时域数据相互关系来获取更加丰富的序列特征;并设计残差网络结构增加网络深度,以增加输出神经元的接受域并提升预测精度.仿真结果表明,MS-ConvNet模型的准确率及稳定性优于多层感知机、长短期记忆网络及门控循环单元网络,说明该模型在电力负荷预测方面具有良好的应用前景.

关 键 词：多尺度卷积  卷积神经网络 循环神经网络  时间序列  短期负荷预测 残差学习  全卷积  因果卷积  

分 类 号：TM73]