Print

基于GRU-NN模型的短期负荷预测方法

论文摘要

目前基于统计分析和机器学习的预测方法难以同时兼顾负荷数据的时序性和非线性特点。文中提出了一种基于GRU-NN模型的短期电力负荷预测方法。该方法基于深度学习思想处理不同类型的负荷影响因素,引入门控循环单元（GRU）网络处理具有时序性特点的历史负荷序列,建模学习负荷数据内部动态变化规律,其输出结果与其他外部影响因素（天气、日类型等）融合为新的输入特征,使用深度神经网络进行处理,整体分析特征与负荷变化的内在联系,最后完成负荷预测。以美国某公共事业部门提供的公开数据集和中国某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.30%和97.12%,并与长短期记忆神经网络、多层感知机以及GRU神经网络方法进行对比,实验结果表明所提方法具有更高的预测精度和更快的预测速度。

论文目录

  • 0 引言
  • 1 深度学习神经网络原理
  •   1.1 GRU原理
  •   1.2 DNN原理
  • 2 基于GRU-NN的负荷预测方法
  •   2.1 预测模型叙述
  •   2.2 预测模型结构
  •   2.3 损失函数
  •   2.4 预测模型的求解过程
  • 3 负荷预测实验及结果分析
  •   3.1 数据预处理和输入特征选取
  •   3.2 实验评价标准
  •   3.3 美国公开数据集预测结果分析
  •   3.4 中国某地区数据集预测结果分析
  • 4 结语

    • 文章来源

    类型: 期刊论文

    作者: 王增平,赵兵,纪维佳,高欣,李晓兵

    关键词: 电力系统,短期负荷预测,门控循环单元,深度神经网络

    来源: 电力系统自动化 2019年05期

    年度: 2019

    分类: 工程科技Ⅱ辑,信息科技

    专业: 电力工业

    单位: 华北电力大学电气与电子工程学院,中国电力科学研究院有限公司,北京邮电大学自动化学院

    基金: 国家重点研发计划资助项目(2016YFF0201201)~~

    分类号: TM715

    页码: 53-62

    总页数: 10

    文件大小: 1263K

    下载量: 1464

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/077452b464c1f51fe785f198.html