基于LSTM模型的短期负荷预测

• 作者: 张亚宁
• 来源期刊: 科技与创新
• 关键词: 短期负荷预测 LSTM神经网络 工业用户 深度学习
• 年，卷（期）: 2018,（12）
• 所属期刊栏目: 理论探索
• 页码范围: 18-21
• 页数: 4页
• 分类号: TM71
• 语种: 中文
• DOI: 10.15913/j.cnki.kjycx.2018.12.018

摘要

我国工业用电在全社会用电中所占的比例比较大,工业用户准确的负荷预测可以降低用电成本,对电力系统规划和优化运行有着重要的作用.随着智能电网时代的发展,电力用户侧数据量剧增,传统的负荷预测方法难以应付更大的数据量和更强的随机性.针对此问题,提出了基于LSTM网络建立模型,利用LSTM网络善于处理序列型数据的特点,在整合历史时刻点信息的基础上,对未来的负荷进行预测.结果表明,LSTM模型相较于其他机器学习算法具有较高的准确性,可以有效预测负荷的变化,有较强的实践价值.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张亚宁	华北电力大学数理学院	1	7	1.0	1.0