引入BL-Seq2seq模型进行负荷预测

• 作者: 徐先峰 王世鑫 龚美 曹仰昱
• 来源期刊: 计算机仿真
• 关键词: 负荷预测 深度学习 双向长短期记忆神经网络 序列到序列
• 年，卷（期）: 2021,（8）
• 所属期刊栏目: 能源领域仿真
• 页码范围: 103-107,501
• 页数: 6页
• 分类号: TM743
• 语种: 中文
• DOI: 10.3969/j.issn.1006-9348.2021.08.019

摘要

短期负荷预测在电力系统运行和调度中起着重要作用,为了更好地提取数据中蕴含的有效信息,提升短期负荷预测精度,本文引入Seq2seq算法的注意力机制提出了多层Bi-LSTM的Seq2seq深度学习模型(BL-Seq2seq)实现短期用电负荷预测.其中Seq2seq的编码端由多层Bi-LSTM组成,将输入数据进行编码,并在网络末端输出编码后的最终状态;Seq2seq解码端为单层LSTM,它将编码端的最终状态作为初始输入状态,同时每一步的输出值作为下一步的输入值.利用用电负荷实测数据,基于Keras平台进行仿真,仿真结果表明,与多个经典的深度学习的短期用电负荷预测模型相比,所提BL-Seq2seq模型的预测误差明显降低,大大提升了短期用电负荷预测精度.