基于DL的LSTM网络配电台区短期负荷预测模型研究

• 作者: 杨军亭 张光儒 杨佩佩 张玉 张家午
• 来源期刊: 信息技术
• 关键词: 配电台区 短期负荷预测 深度学习 长短期记忆神经网络
• 年，卷（期）: 2021,（6）
• 所属期刊栏目: 基金项目|FUND PROJECT
• 页码范围: 63-67
• 页数: 5页
• 分类号: TM744
• 语种: 中文
• DOI: 10.13274/j.cnki.hdzj.2021.06.012

摘要

传统基于神经网络的配电台区短期负荷预测研究对象往往是整个系统,缺少针对单个台区的建模预测研究,而且预测准确率不高.提出将基于深度学习(Deep Learning,DL)的长短期记忆神经网络(Long Short-Term Memory,LSTM)引入单配电台区的短期负荷预测中,根据配电台区的负荷特征,考虑工作日、月份和气象因素,以TensorFlow深度学习框架构建单配电台区的短期负荷预测模型,对其进行实验分析.实验结果表明,该预测模型在2层LSTM网络时训练效果最好,平均预测精度达到93.2％,表明该预测模型总体预测效果较好.