文献类型：期刊文章

作　　者：赵辉[1,2] 杨赛[1] 岳有军[1] 王红君[1]

ZHAO Hui;YANG Sai;YUE You-jun;WANG Hong-jun(Tianjin Key Laboratory of Control Theory and Application for Complex Systems, Tianjin University of Technology, Tianjin 300384, China;College of Engineering and Technology, Tianjin Agricultural College, Tianjin 300392, China)

机构地区：[1]天津理工大学天津市复杂系统控制理论与应用重点实验室,天津300384 [2]天津农学院工程技术学院,天津300392

出　　处：《科学技术与工程》

基　　金：天津市自然科学基金重点项目(08JCZDJC18600)。

年　　份：2021

卷　　号：21

期　　号：25

起止页码：10718-10724

语　　种：中文

收录情况：BDHX、BDHX2020、RCCSE、ZGKJHX、核心刊

摘　　要：为了提高短期负荷预测精度,考虑到除历史负荷数据之外的其他因素对短期负荷预测的重要影响,提出了一种基于离散小波分解(wavelet decomposition,WD)、卷积神经网络(convolutional neural network,CNN)和支持向量回归(support vector regression,SVR)的负荷预测模型。首先,该方法通过小波分解算法对历史负荷数据进行分析与重构,得到长度相同的历史负荷数据,降低了原始序列中非平稳性对预测精度的影响;其次,对天气因素、日期类型进行特征构造,得到特征数据;最后,将处理后的负荷数据输入卷积神经网络支持向量回归机模型,将天气特征数据输入反向传播(back propagation,BP)神经网络支持向量回归模型,通过两个模型结果的叠加得到最终的预测值。实验结果表明,模型的预测精度和效率优于传统的CNN网络、SVR网络以及输入不进行划分的CNN-SVR模型,验证了其可行性。

关 键 词：短期负荷预测 小波分解 卷积神经网络 支持向量回归

分 类 号：TM715]