基于添加Dropout层的CNN-LSTM网络短期负荷预测

• 作者: 王振勋 王大虎 河南理工大学电气工程与自动化学院
• 来源期刊: 科技与创新
• 学科: 工学
• 关键词: Dropout技术 长短期记忆网络 卷积网络 负荷预测
• 年，卷（期）: 2024,（6）
• 页码范围: 28-30
• 页数: 3页
• 语种: 中文
• DOI: 10.15913/j.cnki.kjycx.2024.06.007

摘要

精准的短期负荷预测能帮助电力部门制订合理的生产调度计划，达到节省能源消耗的目的。为提升短期负荷预测的准确性，提出一种添加Dropout层的CNN-LSTM网络短期负荷预测方法。首先，根据电力负荷预测流程对预测的影响因素如气象、日期类型等进行相关性验证后构建输入特征向量；其次，使用一维卷积网络对输入的特征向量进行卷积、池化处理，并在LSTM网络全连接层添加Dropout层进行短期负荷预测仿真实验；最后，使用某电网历史数据进行测试。结果表明，相比于单独的LSTM网络，所建模型对短期负荷的预测效果更好。