基于Wide&Deep-LSTM模型的短期台区负荷预测

• 作者: 吕海灿 张毅 王伟峰 胡伟 赵兵 郭秋婷
• 来源期刊: 电网技术
• 学科: 工学
• 关键词: 负荷预测 大数据 深度学习 长短期记忆网络 宽度&深度模型
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: 电网调控领域人工智能技术应用研究与实践
• 页码范围: 428-436
• 页数: 9页
• 分类号: TM721
• 语种: 中文
• DOI: 10.13335/j.1000-3673.pst.2019.0558

摘要

负荷预测是电力系统经济运行的基础,其对电力系统规划和运行都极其重要.由于影响负荷预测的因素较多,因此用常规的方法很难获得较好的预测结果.随着新一代人工智能技术的兴起,尤其以深度学习和大数据技术的快速发展,为进一步提高负荷预测的精确度奠定了良好的基础.文中将深度学习方法引入到电力系统的短期台区负荷预测中,综合利用了负荷台区的电压、电流、功率以及时间等特征信息.同时在已有的长短期记忆网络(LSTM)模型和宽度&深度(Wide&Deep)模型的基础上,建立了基于Wide&Deep-LSTM的深度学习短期负荷预测模型,并在此基础上进行了日前台区负荷预测.该模型能够兼具深度神经网络的学习能力与LSTM模块的时间序列信息表达特性,能够较好地解决台区电力负荷预测的多特征维度及时序性特征问题.最后利用Tensorflow深度学习框架生成了仿真模型并加以验证,仿真结果充分证明了所提方法的准确性与实用性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张毅		120	2544	28.0	48.0
2	胡伟		39	594	14.0	24.0
3	赵兵		2	0	0.0	0.0
4	吕海灿		1	0	0.0	0.0
5	王伟峰		1	0	0.0	0.0
6	郭秋婷		2	0	0.0	0.0