文献类型：期刊文章

作　　者：钟劲松[1] 王少林[2] 冉懿[1] 冉新涛[2] 于金平[2] 俞海猛[3]

ZHONG Jingsong;WANG Shaolin;RAN Yi;RAN Xintao;YU Jinping;YU Haimeng(State Grid Xinjiang Electric Power Co.,Ltd.Electric Power Research Institute,Urumqi 830000,China;State Grid Kuitun Power Supply Company,Kuitun 833200,Xinjiang Uygur Autonomous Region,China;NARI-TECH Nanjing Control System Co.,Ltd.,Nanjing 211106,China)

机构地区：[1]国网新疆电力有限公司电力科学研究院,乌鲁木齐市830000 [2]国网奎屯供电公司,新疆维吾尔自治区奎屯市833200 [3]国电南瑞南京控制系统有限公司,南京市211106

出　　处：《电力建设》

基　　金：国家重点研发计划资助“城区用户与电网供需友好互动系统”(2016YFB0901100)。

年　　份：2022

卷　　号：43

期　　号：7

起止页码：96-102

语　　种：中文

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

摘　　要：相对于系统级负荷,用户负荷具有基数小、波动性与随机性更强的特点,加大了用户负荷预测的难度。文章借助互信息与深度学习理论,提出了一种基于最大相关最小冗余(max-relevance and min-redundancy, mRMR)和长短期记忆网络(long-short term memory networks, LSTM)的用户负荷短期预测模型。首先,采用mRMR算法对特征变量进行排序并选取合适的输入变量集合,mRMR既可以保证输入变量与目标值间互信息值最大,又使得变量间冗余性最小。接着,对选取的输入变量集合建立LSTM预测模型,LSTM能较好处理和预测延迟较长的时间序列,且不会存在梯度消失和梯度爆炸现象。最后,通过算例验证了所提算法的有效性。

关 键 词：用户负荷短期预测  互信息 最大相关最小冗余算法(mRMR)  长短期记忆网络(LSTM)  

分 类 号：TM715]