基于深度并行CNN-BiLSTM的能源互联网电负荷和热负荷联合预测模型

• 作者: 廖清阳 王军 胡凯强 宋尧 宗志亚 范俊秋
• 来源期刊: 中国测试
• 学科: 工学
• 关键词: 电负荷 热负荷 联合预测 卷积神经网络 双向长短期记忆网络
• 年，卷（期）: 2022,（4）
• 所属期刊栏目: 性能测试|Performance Tests
• 页码范围: 146-153
• 页数: 8页
• 分类号: TM714|TB9
• 语种: 中文

摘要

为提升电、热负荷预测能力,适应能源互联网的多能源互联状态,设计由双向长短期记忆网络和并行卷积神经子网络组成的深层次电、热负荷联合预测模型,以便联合捕获强依赖性、多维度、抽象的电、热负荷特征信息.经仿真可知,该联合预测模型的综合负荷误差均值比低于串行网络模型约3％;其联合预测方式的综合负荷误差均值比低于单负荷预测模型约3％,同时其训练时长和预测时长均约为单负荷预测模型的一半;与同领域RNN-Net、LSTM-Net、CNN-Net、Shi-Net相比,其电负荷、热负荷、综合负荷误差均值比最低,分别为0.0315、0.0301和0.0311.说明本模型与串行网络相比,其并行网络有利于捕获多层次负荷特征;与单负荷预测方式相比,其联合预测方式可采用较高效率捕获电、热负荷的互联信息;它具备较优的电、热负荷联合预测性能,适用于电负荷、热负荷联合预测任务.