文献类型：期刊文章

作　　者：任建吉[1] 位慧慧[1] 邹卓霖[2] 侯庭庭[1] 原永亮[3] 沈记全[1] 王小敏[1]

REN Jianji;WEI Huihui;ZOU Zhuolin;HOU Tingting;YUAN Yongliang;SHEN Jiquan;WANG Xiaomin(College of Computer Science and Technology,Henan Polytechnic University,Jiaozuo 454000,China;HVDC Transmission Branch of XJ Group Co.,Ltd.,Xuchang 461000,China;School of Mechanical and Power Engineering,Henan Polytechnic University,Jiaozuo 454000,China)

机构地区：[1]河南理工大学计算机科学与技术学院,河南焦作454000 [2]许继电气直流输电分公司,河南许昌461000 [3]河南理工大学机械与动力工程学院,河南焦作454000

出　　处：《电力系统保护与控制》

基　　金：河南省科技攻关项目资助(212102210226);河南理工大学博士基金项目资助(B2021-31);河南省高等学校重点科研项目资助(22A520029)。

年　　份：2022

卷　　号：50

期　　号：8

起止页码：108-116

语　　种：中文

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

摘　　要：超短期电力负荷预测对电力系统的快速响应和实时调度至关重要,准确预测负荷能保障电力系统的安全并提高用电效率。为获得准确可靠的负荷预测结果,针对电网负荷数据非线性和时序性等特征,提出了一种基于CNN-BiLSTM-Attention(AC-BiLSTM)的新型超短期电力负荷预测方法。该方法首先将卷积神经网络(CNN)和双向长短期记忆(BiLSTM)网络相结合充分提取负荷数据本身的时空特征。然后引入注意力(Attention)机制自动为BiLSTM隐藏层状态分配相应的权重,以区分不同时间负荷序列的重要性,能够有效减少历史信息的丢失并突出关键历史时间点的信息。最后通过全连接层输出最终负荷预测结果。以某地区真实负荷数据为例进行了实验分析。通过两种实验场景对比,验证了该方法具有较高的预测精度,可以为电力系统规划和稳定运行提供可靠的依据。

关 键 词：负荷预测 卷积神经网络 双向长短期记忆网络  注意力机制  电力系统  

分 类 号：TM715] TP183]