利用温度信息及深度学习方法实现高精度电力负荷预测

• 作者: 徐先峰 黄刘洋 龚美
• 来源期刊: 物联网技术
• 关键词: 负荷预测 深度学习 LSTM 温度信息 Tensor-flow 激活函数
• 年，卷（期）: 2019,（9）
• 所属期刊栏目: 智能处理与应用
• 页码范围: 97-101,104
• 页数: 6页
• 分类号: TP301.6
• 语种: 中文
• DOI: 10.16667/j.issn.2095-1302.2019.09.029

摘要

负荷预测是电力系统规划的重要组成部分,直接影响着电网运行的安全性及可靠性,实时高精度的负荷预测结果更是提高整个电网运行效率的关键.为了解决现存算法预测精度低的问题,在深入分析了温度与用电量强相关性的基础上,构建了长短时记忆深度学习网络(LSTM),执行历史用电数据特点的深度挖掘及用电量与温度相关性的深度自学习,实现了电力负荷预测.与传统负荷预测技术相比,预测精度显著提高.基于谷歌Tensor-flow平台进一步研究了不同激活函数组合对于所提算法预测性能的影响.仿真结果表明,使用ELU激活函数比使用其他常用激活函数预测精度更高,有效解决了当前预测算法普遍存在的精度低问题.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	徐先峰	长安大学电子与控制工程学院	21	77	5.0	8.0
2	龚美	长安大学电子与控制工程学院	4	2	1.0	1.0
3	黄刘洋	长安大学电子与控制工程学院	2	1	1.0	1.0