基于深度数据感知的工业园区短期负荷预测

• 作者: 胡博 李桐 王义贺 崔嘉 杨俊友 许军金
• 来源期刊: 电气传动
• 学科: 工学
• 关键词: 负荷预测 工业负荷 深度学习 长短期记忆 自动编码器
• 年，卷（期）: 2022,（6）
• 所属期刊栏目: 可靠性与诊断
• 页码范围: 53-58
• 页数: 6页
• 分类号: TM712
• 语种: 中文
• DOI: 10.19457/j.1001-2095.dqcd22913

摘要

结合自动编码器的特征提取能力与长短期记忆(LSTM)良好的时序预测优势,提出一种基于LSTM自编码的短期负荷预测模型.首先,基于深度模型学习能力优势,构建自动编码器的工业园区负荷数据特征提取模型.其次,给出基于格布拉斯准则的异常值判断方法和拉格朗日样条插值的缺失值补全法.最后,利用Tensorflow架构调用Keras库搭建实验平台,对轻工业负荷、重工业负荷和光伏发电工业用户负荷分别展开预测实验,实验结果验证LSTM自编码模型预测短期工业负荷的有效性.