基于CNN_BiLSTM的长短期电力负荷预测方法

• 作者: 王欢 李鹏 曹敏 孙煜皓
• 来源期刊: 计算机仿真
• 学科: 工学
• 关键词: 深度学习 负荷预测 卷积神经网络-双向长短期记忆网络模型 在线预测 多步长预测
• 年，卷（期）: 2022,（3）
• 所属期刊栏目: 能源领域仿真
• 页码范围: 96-103
• 页数: 8页
• 分类号: TM715
• 语种: 中文
• DOI: 10.3969/j.issn.1006-9348.2022.03.019

摘要

当前电力系统负荷预测中负荷数据受到多种因素影响且多步长预测时精度不高,因此电力负荷预测呈现出非线性、多因素、非平稳态等问题.提出一种基于CNN_BiLSTM混合深度学习网络的长短期电力负荷在线预测方法.首先根据卷积神经网络和双向长短期记忆网络的特点,建立了CNN_BiLSTM负荷预测模型,并将历史负荷与影响因素耦合形成一个新的时间序列作为网络输入;其次,由于机器学习模型依赖于样本的完备性,影响因素的存在会使原有模型与现有数据失配,建立了在线模型;最后,在实际电力负荷预测中,单步长预测并不能满足工业现场的需要,建立了在线多步长预测模型.通过算例分析,并与SVR等方法进行对比,实验结果表明,所提方法能有效地应用于实际的电力系统负荷预测.