基于深度学习LSTM网络的短期电力负荷预测方法

• 作者: 孙龙祥 陈卓
• 来源期刊: 电子技术
• 关键词: 短期电力负荷预测 长短期记忆神经网络 传统模型
• 年，卷（期）: 2018,（1）
• 所属期刊栏目: 电子技术设计与应用
• 页码范围: 39-41
• 页数: 3页
• 字数: 2320字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-0755.2018.01.011

摘要

随着电力系统的建立与发展,负荷预测将发挥越来越重要的作用.电力系统负荷预测的结果对电力系统的调度运行和生产有很大影响,准确的负荷预测有助于提高电力系统的安全稳定性.但在进行短期电力负荷预测时,传统模型无法同时兼顾负荷数据的时序性和非线性的特点.为此文章提出一种基于长短期记忆神经网络(Long Short Term Memory,LSTM)的电力负荷预测方法,并使用这种方法对某地电力负荷值进行预测,将预测结果与传统模型对比,最终证明LSTM模型的误差更低,预测效果更好.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈卓	浙江大学电气工程学院	40	194	6.0	13.0
2	孙龙祥	浙江大学电气工程学院	1	54	1.0	1.0