文献类型：期刊文章

作　　者：栗然[1] 孙帆[1] 丁星[1] 韩怡[1] 刘英培[1] 严敬汝[2]

LI Ran;SUN Fan;DING Xing;HAN Yi;LIU Yingpei;YAN Jingru(School of Electrical and Electronic Engineering,North China Electric Power University,Baoding 071003,Hebei Province,China;State Grid Hebei Electric Power Research Institute,Shijiazhuang 050021,Hebei Province,China)

机构地区：[1]华北电力大学电气与电子工程学院,河北省保定市071003 [2]国网河北省电力有限公司电力科学研究院,河北省石家庄市050021

出　　处：《电网技术》

基　　金：国家自然科学基金项目(51607069)。

年　　份：2020

卷　　号：44

期　　号：11

起止页码：4121-4131

语　　种：中文

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

摘　　要：针对用户级综合能源系统(integratedenergysystem,IES)规模小、负荷波动大、能量耦合复杂的特点,提出一种考虑多能时空耦合的超短期负荷预测方法。首先,结合K-means聚类方法和Pearson相关系数,将无明显规律的各类基本负荷单元进行"像素重构",使之在水平和竖直两个方向具有一定的关联特征;其次,利用多通道卷积神经网络(multi-channel convolutional neural network,MCNN)对多类重构后的二维负荷像素在高维空间进行特征的独立提取和统一融合;最后,将扩展气象与节假日信息的综合特征按照时序的方式输入长短时记忆网络(long short-term memory,LSTM)进行负荷预测。以某用户级IES实测负荷数据为算例进行分析,结合基本卷积神经网络(convolutionalneuralnetwork,CNN),对比是否进行像素重构和负荷特征融合的各场景下LSTM、CNN-LSTM、MCNN-LSTM方法的预测效果,结果表明,考虑像素重构和负荷特征融合的MCNN-LSTM方法可有效提高用户级IES负荷的预测精度。

关 键 词：超短期负荷预测 综合能源系统  多通道卷积神经网络  长短时记忆网络  负荷像素  

分 类 号：TM721]