基于LSTM的钢铁工业地区母线短期负荷预测研究

• 作者: 孙昀昀 王连成
• 来源期刊: 山东电力技术
• 学科: 工学
• 关键词: 光伏 钢铁负荷 母线负荷预测 长短期记忆
• 年，卷（期）: 2020,（8）
• 所属期刊栏目: 电网技术
• 页码范围: 33-37
• 页数: 5页
• 分类号: TM715
• 语种: 中文

摘要

当地区电力负荷中光伏电站并网和钢铁冲击性负荷占比较大时,不仅威胁电网的安全稳定,也会对电力系统的短期负荷预测造成显著影响.通过分析钢铁冲击性负荷的影响因素,提出一种基于深度学习算法的长短期记忆(Long Short-term Memory,LSTM)神经网络分别对钢铁冲击负荷不同占比下的母线负荷序列进行预测.实际计算结果表明:LSTM应用于钢铁工业地区母线短期负荷预测时,能够有效提升预测精度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王连成		4	10	1.0	3.0
2	孙昀昀		1	0	0.0	0.0