Print

深度学习在电力负荷预测中的应用

论文摘要

针对电力负荷预测中存在的随机性、不确定性的问题,结合深度学习算法具有很强的自适应感知能力等特点,采用目前较为主流的深度学习方法,如长短时记忆(LSTM)网络、门循环单元(GRU)神经网络和栈式自编码器(SAE),分别研究其应用于电力负荷预测时的效果。研究发现,将历史负荷数据作为三种深度学习预测模型的输入时,三种预测模型的负荷预测精度指标评估结果各有不同。因此,为了全面评估三种预测模型的预测效果,提出将不同时间段内的相同历史负荷数据作为预测模型输入对比各模型的负荷预测精度,从中找出最佳的预测模型。仿真结果验证了三种预测模型在电力负荷预测应用中的可行性,且发现在单输入因素时LSTM模型的预测精度相对较高。因此,在后续研究中,可以考虑以LSTM预测模型作为基础预测模型,结合更多的负荷影响因素进行改进,以提高负荷预测精度。

论文目录

  • 0 引言
  • 1 电力负荷预测及深度学习简介
  •   1.1 电力负荷预测现状
  •   1.2 深度学习简介
  • 2 三种深度学习模型原理
  •   2.1 LSTM神经网络原理
  •   2.2 GRU神经网络原理
  •   2.3 SAE编码器原理
  • 3 负荷预测模型建立
  •   3.1 数据预处理
  •     （1） 异常数据的识别和修正处理。
  •     （2） 缺失数据的补充。
  •     （3） 数据样本归一化。
  •   3.2 建立基于负荷预测的深度学习模型
  •   3.3 预测结果分析
  • 4 结束语

    • 文章来源

    类型: 期刊论文

    作者: 张建寰,吉莹,陈立东

    关键词: 深度学习,长短时记忆,门循环单元,循环神经网络,栈式自编码器,负荷预测,预测精度

    来源: 自动化仪表 2019年08期

    年度: 2019

    分类: 工程科技Ⅱ辑,信息科技

    专业: 电力工业,自动化技术

    单位: 厦门大学航空航天学院

    基金: 国家电网公司科技基金资助项目(JL71-16-006)

    分类号: TM715;TP18

    DOI: 10.16086/j.cnki.issn1000-0380.2018060050

    页码: 8-12+17

    总页数: 6

    文件大小: 813K

    下载量: 896

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/386b309ad9addc87effc7326.html