文献类型：期刊文章

作　　者：郭玲[1] 徐青山[2] 郑乐[1]

GUO Ling;XU Qingshan;ZHENG Le(School of Cyberspace Security,Southeast University,Nanjing 210096,China;School of Electrical Engineering,Southeast University,Nanjing 210096,China)

机构地区：[1]东南大学网络空间安全学院,江苏南京210096 [2]东南大学电气工程学院,江苏南京210096

出　　处：《电力工程技术》

基　　金：国家自然科学基金资助项目(51877044)。

年　　份：2021

卷　　号：40

期　　号：3

起止页码：66-71

语　　种：中文

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

摘　　要：为了进一步提高短期负荷的预测精度,为电力系统的稳定运行提供更加有力的保障,文中提出了一种将时间卷积网络(TCN)和门限循环单元(GRU)相结合的短期负荷预测方法TCN-GRU。首先,将采集的训练数据划分为时序数据和非时序数据;其次,将时序数据输入到TCN模型中以提取时序特征;然后,将提取出来的时序特征与非时序数据组合起来输入到GRU模型中对模型进行训练;最后,利用训练好的模型实现对短期电力负荷的预测。基于广东省佛山市某行业真实负荷数据验证了TCN-GRU模型的负荷预测能力,并通过对比多种深度学习模型的预测效果,验证该模型具有更高精度的短期负荷预测能力。

关 键 词：时间卷积网络(TCN)  门限循环单元(GRU)  短期负荷预测 时序特征  深度学习  

分 类 号：TM715]