基于气象数据降维与混合深度学习的短期电力负荷预测

摘要：

精确的短期负荷预测能通过预知所需用电负荷来指导电网的调度运行.但电力负荷不仅与用户用电习惯相关,还容易受到温度、湿度等气象因素的影响.因此,文章在现有的使用负荷历史数据基础上,增加了影响区域型电力负荷的气象数据,并考虑高维气象参量数据对预测算法的过拟合问题,提出了基于稀疏核主成分分析(sparse kernel principal component analysis,SKPCA)的高维气象数据降维方法.进而以历史负荷功率和SKPCA重构后主成分为输入,构建了基于卷积神经网络(convolutional neural network,CNN)和长短时记忆(long-short-term memory,LSTM)神经网络的混合深度学习预测模型.CNN-LSTM模型可以同时提取负荷功率及气象数据的空间和时间相关特征,从而全面利用数据的时-空相关性特征,提升负荷功率的短期预测精度.相比于常见的数据降维和负荷预测方法,文章所提方法的数据维度降低了71.43％,预测精度达到了98.92％.结果表明,所提算法融合通过SKPCA降维后的气象数据能够显著提升区域型电力短期负荷预测准确度.

关键词：电力负荷预测、高维气象数据、稀疏核主成分分析、卷积神经网络、长短时记忆神经网络

所属期刊栏目：45

分类号：TM715(输配电工程、电力网及电力系统)

在线出版日期：2024-01-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：13-21