LSTM模型在电力系统负荷预测中的应用

• 作者: 王闯 兰程皓 凌德祥 吴伟 刘书剑 卜云彤
• 来源期刊: 电力大数据
• 关键词: 长短期记忆网络 深度学习 神经网络 电力系统负荷预测 平均绝对误差
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 大数据专题|Big Data Special Reports
• 页码范围: 17-24
• 页数: 8页
• 分类号: TM714
• 语种: 中文

摘要

为解决数据随时间变化的电力系统短期负荷预测问题,本文阐述、采用和总结线性回归,普通BP神经网络,GRU神经网络,LSTM神经网络在电力系统短期负荷预测中应用的理论基础和方法,分别针对神经网络的多种预测方法进行归纳总结.LSTM即长短期记忆网络,拥有门机制,可以选择性的遗忘和记忆过去的信息,特别能记忆一个序列时间段的信息.本文以某城市2019年全年的电力负荷数据为基础,该数据集包含城市350天的每天48个时间点的16800条数据,通过python绘图,解决对比不同算法之间的性能差异问题,最终得到LSTM在电力系统短期负荷预测上性能最优的结果.通过结果分析,得出利用电力负荷时间序列具有历史依赖性的特点,使用LSTM深度神经网络与传统神经网络进行了对比预测,证明了深度学习在电力负荷预测领域的适用性和精确性.