基于自适应深度长短时记忆网络的电力负荷预测

• 作者: 丁子涵 施亚华
• 来源期刊: 数字技术与应用
• 学科: 工学
• 关键词: 电力负荷 预测分析 长短时记忆网络 深度学习
• 年，卷（期）: 2018,（8）
• 所属期刊栏目: 应用研究
• 页码范围: 95-98
• 页数: 4页
• 分类号: TM714
• 字数: 3341字
• 语种: 中文
• DOI: 10.19695/j.cnki.cn12-1369.2018.08.51

摘要

电力负荷数据有着明显的时序依赖关系.针对电力负荷的时序依赖特性,提出了一种基于自适应深度长短时记忆网络模型来进行电力负荷的预测.该模型通过深度长短时记忆网络有效的提取负荷序列的时序依赖关系.另外,该模型输入的自适应度量可以解决幅度变化和趋势确定的问题,避免了网络的过拟合.新的混合输出机制可以通过相对误差调整预测结果,使预测结果更加准确.实验结果表明,该模型优于BP神经网络、自回归模型、灰色系统、极限学习机模型和K-近邻模型.自适应深度LSTM网络为电力负荷预测提供了一种新的有效方法.