登录    注册    忘记密码

期刊文章详细信息

基于LSTM循环神经网络的短期电力负荷预测    

Short-term power load forecasting based on LSTM recurrent neural network

  

文献类型:期刊文章

作  者:庞传军[1,2] 张波[1,2] 余建明[1,2]

PANG Chuanjun;ZHANG Bo;YU Jianming(NARI Group(State Grid Electric Power Research Institute)Co.,Ltd.,Nanjing 211106,China;Beijing Kedong Power Control System Co.,Ltd.,Beijing 100192,China)

机构地区:[1]南瑞集团(国网电力科学研究院)有限公司,江苏南京211106 [2]北京科东电力控制系统有限责任公司,北京100192

出  处:《电力工程技术》

基  金:国家电网有限公司科技项目(4000-201940193A-0-0-00)。

年  份:2021

卷  号:40

期  号:1

起止页码:175-180

语  种:中文

收录情况:BDHX、BDHX2020、JST、RCCSE、ZGKJHX、核心刊

摘  要:为了保障电网安全稳定和电力市场高效运行,电网调度人员和电力市场参与者对电力负荷预测准确度提出了更高要求,分布式电源和间歇性负荷是影响负荷精准预测的关键因素。针对传统负荷预测方法无法同时对负荷本身变化规律及其影响因素进行建模的问题,提出基于长短期记忆单元(LSTM)的负荷预测方法。利用具备时序记忆功能的LSTM构建深度循环神经网络(RNN),综合考虑历史负荷和各类负荷影响因素建立负荷预测模型。该方法利用神经网络的特征提取能力和LSTM的时序记忆能力,能在更长的历史时间范围内辨识负荷内在变化规律及各类影响因素对负荷的非线性影响。基于实际负荷数据对不同历史时间窗口、不同网络架构的负荷预测性能进行验证,并与其他负荷预测算法进行比较,结果表明所提方法能有效提升负荷预测准确性。

关 键 词:电力系统 负荷预测 长短期记忆单元(LSTM)  循环神经网络(RNN)  机器学习  

分 类 号:TM910.6]

参考文献:

正在载入数据...

二级参考文献:

正在载入数据...

耦合文献:

正在载入数据...

引证文献:

正在载入数据...

二级引证文献:

正在载入数据...

同被引文献:

正在载入数据...

版权所有©重庆科技学院 重庆维普资讯有限公司 渝B2-20050021-7
 渝公网安备 50019002500408号 违法和不良信息举报中心