文献类型：期刊文章

作　　者：孙景钌[1] 胡长洪[1] 项烨鋆[1] 赵碚[1] 刘津源[1] 陈梦翔[1] 蔡昌春[2]

SUN Jingliao;HU Changhong;XIANG Yeyun;ZHAO Pei;LIU Jinyuan;CHEN Mengxiang;CAI Changchun(State Grid Wenzhou Power Supply Company,Wenzhou Zhejiang 325000,China;Jiangsu Key Laboratory of Power Transmission&Distribution Equipment Technology(Hohai University),Changzhou Jiangsu 213022,China)

机构地区：[1]国网浙江省电力有限公司温州供电公司,浙江温州325000 [2]江苏省输配电装备技术重点实验室(河海大学),江苏常州213022

出　　处：《浙江电力》

基　　金：国网浙江省电力有限公司温州供电公司科技项目(521WZ210010)。

年　　份：2022

卷　　号：41

期　　号：3

起止页码：65-71

语　　种：中文

收录情况：JST、普通刊

摘　　要：精准、高效的短期负荷预测是电力系统运行与调度的基础,负荷-气象因素的强耦合关系使得负荷预测过程中必须考虑气象因素。首先从影响电力负荷波动的气象因素出发,分析负荷样本数据的气象因素相关性,通过构造多核模糊C均值聚类函数实现负荷、气象数据的低维非线性至高维线性空间映射,完成基于负荷影响因素的聚类划分,获得强相关气象因素。接着,在传统LSTM(长短期记忆)神经网络中引入反馈环节,融合前向和反向计算机制消除LSTM训练过程的累计误差,构建基于深度学习的多层堆叠模式并应用于负荷预测中。然后,以历史负荷数据的聚类结果为训练样本,深度挖掘负荷-气象因素的耦合特征,从而提高负荷预测精度。最后,通过实际运行数据验证提出方法的合理性和准确性。

关 键 词：短期负荷预测 多核模糊C均值  LSTM神经网络  气象因素

分 类 号：TM715]