基于多尺度跳跃深度长短期记忆网络的短期多变量负荷预测

• 作者: 李森 肖勇 郑楷洪 郑镇境 钱斌 马千里
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 短期电力负荷预测 时间序列预测 多尺度时序特征 长短期记忆网络 跳跃连接
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 第八届中国数据挖掘会议(CCDM 2020)
• 页码范围: 231-236
• 页数: 6页
• 分类号: TM714
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2020060929

摘要

近年来,以循环神经网络(RNN)为主体构建的预测模型在短期电力负荷预测中取得了优越的性能.然而,由于RNN不能有效捕捉存在于短期电力负荷数据的多尺度时序特征,因而难以进一步提升负荷预测精度.为了捕获短期电力负荷数据中的多尺度时序特征,提出了一种基于多尺度跳跃深度长短期记忆(MSD-LSTM)网络的短期电力负荷预测模型.具体来说,以长短期记忆(LSTM)网络为主体构建预测模型能够较好地捕获长短期时序依赖,从而缓解时序过长时重要信息容易丢失的问题.进一步地,采用多层LSTM架构并且对各层设置不同的跳跃连接数,使得MSD-LSTM的每一层能够捕获不同时间尺度的特征.最后,引入全连接层把各层提取到的多尺度时序特征进行融合,再利用该融合特征进行短期电力负荷预测.实验结果表明,与单层LSTM和多层LSTM相比,MSD-LSTM的均方误差总体下降了10％.可见MSD-LSTM能够更好地提取短期负荷数据中的多尺度时序特征,从而提高短期电力负荷预测的精度.