采用长短期记忆深度学习模型的工业负荷短期预测方法

• 作者: 刘国龙 文福拴 杨甲甲 董朝阳 赵俊华
• 来源期刊: 电力建设
• 学科: 工学
• 关键词: 深度学习 长短期记忆网络(LSTM) 工业负荷 短期负荷预测
• 年，卷（期）: 2018,（10）
• 所属期刊栏目: 现代人工智能在电力系统中的应用
• 页码范围: 20-27
• 页数: 8页
• 分类号: TM73
• 字数: 8109字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-7229.2018.10.003

摘要

工业负荷不同于其他电力负荷,受气温、时间、人口等外部因素的影响较小,其功率需求主要由相关企业的生产计划来决定.在电力市场环境下,准确的负荷预测有助于工业用户更好地制定电力交易策略,从而增加收益.在此背景下,基于改进的长短期记忆(long short term memory,LSTM)深度学习网络模型,提出了一种工业负荷短期预测算法.首先,在网络层次上构建层数更多即网络层次更深的LSTM深度学习负荷预测模型.接着,在每个LSTM单元构成的隐含层中,采用Dropout技术对神经元进行随机概率失活,并通过正则化有效避免深度学习过拟合问题并改善了模型性能.然后,采用真实的工业用户历史负荷数据对所提算法进行测试,并与已有的短期负荷预测算法进行对比,包括自回归滑动平均模型(auto-regressive and moving average model,ARMA),最邻近回归算法(K nearest neighbor regression,KNN)以及支持向量回归算法(support vector regression,SVR).仿真结果表明,所提深度学习工业负荷短期预测算法相比于一些现有方法,其预测准确度有明显提升,预测结果的平均绝对百分误差(mean absolute percentage error,MAPE)在9％以下.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	文福拴	浙江大学电气工程学院	253	8223	44.0	84.0
2	董朝阳	新南威尔士大学电气与通信工程学院	2	9	1.0	2.0
3	杨甲甲	新南威尔士大学电气与通信工程学院	2	45	2.0	2.0