文献类型：期刊文章

作　　者：肖白[1] 黄钰茹[1] 姜卓[2] 施永刚[3] 焦明曦[4] 王徭[4]

XIAO Bai;HUANG Yuru;JIANG Zhuo;SHI Yonggang;JIAO Mingxi;WANG Yao(School of Electrical Engineering,Northeast Electric Power University,Jilin 132012,Jilin Province,China;School of Computer Science and Technology(Beihua University),Jilin 132021,Jilin Province,China;Tonghua Power Supply Company,State Grid Jilin Electric Power Company Co.,Ltd.,Tonghua 134001,Jilin Province,China;Changchun Power Supply Company,State Grid Jilin Electric Power Company Co.,Ltd.,Changchun 130021,Jilin Province,China)

机构地区：[1]东北电力大学电气工程学院,吉林省吉林市132012 [2]北华大学计算机科学技术学院,吉林省吉林市132021 [3]国网吉林省电力有限公司通化供电公司,吉林省通化市134001 [4]国网吉林省电力有限公司长春供电公司,吉林省长春市130021

出　　处：《中国电机工程学报》

基　　金：国家自然科学基金项目(51177009);吉林省产业创新专项基金(2019C058-7);吉林省教育厅科技项目(JJKH20180442KJ)。

年　　份：2020

卷　　号：40

期　　号：24

起止页码：7990-8001

语　　种：中文

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

摘　　要：针对在历史负荷数据匮乏场景下,现有空间负荷预测方法预测结果精度较低甚至失效的问题,提出一种基于生成式对抗网络(generative adversarial networks,GAN)和RCGAN的空间负荷预测方法。该方法首先建立电力地理信息系统,并生成I类元胞和Ⅱ类元胞?然后构建基于原始GAN的数据生成模型,根据十分有限的历史负荷数据生成数量充足且兼顾负荷时空分布规律的"Ⅱ类元胞历史负荷数据",达到数据增强的目的。其次构建基于RCGAN的空间负荷预测模型。最后利用生成的"Ⅱ类元胞历史负荷数据"和确定参数的RCGAN模型实现空间负荷预测。工程实例表明该方法是正确、有效的。

关 键 词：空间负荷预测(SLF)  电力系统规划 生成式对抗网络(GAN)  卷积神经网络 长短时记忆神经网络(LSTM)  

分 类 号：TM71]