文献类型：期刊文章

作　　者：赵洋[1] 王瀚墨[1] 康丽[1] 张兆云[1]

Zhao Yang;Wang Hanmo;Kang Li;Zhang Zhaoyun(School of Electrical Engineering&Intelligentization Dongguan University of Technology,Dongguan 523808 China)

机构地区：[1]东莞理工学院电子工程与智能化学院,东莞523808

出　　处：《电工技术学报》

基　　金：国家重点研发计划“智能电网技术与装备”重点专项资助(2017YFB0903205)。

年　　份：2022

卷　　号：37

期　　号：5

起止页码：1242-1251

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：准确的短期电力负荷预测对保证电网安全稳定运行、能量优化管理、提高发电设备利用率和降低运行成本等具有重要作用。传统时间序列分析方法难以学习短期电力负荷数据的非线性特征,因此论文首先将支持向量回归、高斯过程回归和前向神经网络等经典机器学习法应用于短期电力负荷预测的适用性和预测效果进行对比分析;预测评价指标表明机器学习方法能够得到较高的预测精度,适用于处理含强非线性特征的短期电力负荷数据;在此基础上,进一步提出一种基于时间卷积深度学习网络的短期电力负荷预测方法,该模型具有从大样本时间序列中提取特征和实现预测的能力,其模型架构能有效解决深层网络学习的退化问题;最后,以实际电力负荷数据作为算例对所提模型进行测试。实验结果表明,时间卷积网络可以获得更高的预测精度,深度学习方法相较于经典机器学习方法在非线性特征学习方面更具优势。

关 键 词：短期电力负荷预测 机器学习  支持向量回归 高斯过程回归  时间卷积网络  

分 类 号：TM743]