基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法

• 作者: 龚飘怡 罗云峰 方哲梅 窦帆
• 来源期刊: 计算机应用
• 关键词: 短期负荷预测 长短期记忆神经网络 注意力机制 循环神经网络 双向长短期记忆神经网络
• 年，卷（期）: 2021,（z1）
• 所属期刊栏目: 人工智能|Artificial intelligence
• 页码范围: 81-86
• 页数: 6页
• 分类号: TP183|TM715
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2020091423

摘要

短期电力负荷预测是电力系统中的重要问题之一,准确的预测结果可以提高电力市场的灵活性和资源利用效率,对电力系统高效运行具有重要意义.为了提高预测精度,针对电网负荷数据的时序性特征,提出一种基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法.该方法首先针对电力负荷的影响因素(温度、节假日等)提取特征,并使用双向长短期记忆(BiLSTM)神经网络层进行双向时序的特征学习;将双向时序特征作为长短期记忆(LSTM)神经网络层的输入,用LSTM神经网络建模学习时序数据的内部变化规律;使用attention机制计算LSTM隐层状态的不同权重,以对隐层状态进行选择性地关注;结合注意力权重和LSTM神经网络进行负荷预测,最后使用全连接层输出负荷预测结果.使用EUNIT电力负荷数据集进行实验,采用提前单点预测模式,该方法的平均绝对百分比误差(MAPE)达到1.66％,均方根误差(RMSE)达到814.85.通过与单LSTM网络、基于attention机制的LSTM网络(Attention-LSTM)、前馈神经网络(FFNN)、卷积神经网络联合长短期记忆神经网络(CNN-LSTM)等4种典型的负荷预测模型结果对比,验证了Attention-BiLSTM-LSTM神经网络方法更加准确有效.