基于高维数据和深度学习的短期电力负荷预测

摘要：

精确高效的短期电力负荷预测在现代化电网建设和资源分配上具有重要的作用和研究意义.随着水电、风电等新能源逐渐接入,电网中数据维度飞速增长,面对具有海量特征的高维数据,短期电力负荷预测技术面临着重大的挑战.传统的短期电力负荷预测技术仅关注了某些特定的特征,因此很难对电力负荷数据在时间维度进行建模;基于循环神经网路的方法虽然能够关注数据中的历史信息,但是因为数据维度过高,导致重要信息丢失、模型无法收敛.为了解决这一问题,提出了一种基于注意力机制的长短期记忆模型(Attention-LSTM),算法使用卷积神经网络从电网高维数据中提取特征,然后使用LSTM对特征进行时序建模;同时引入Attention机制来对历史信息进行加权,减少重要历史信息的丢失.算法在中国东南某地区电力负荷数据上进行测试,预测精度明显优于目前常用的方法.

关键词：短期电力负荷预测、深度学习、长短期记忆模型、注意力机制、卷积神经网络

所属期刊栏目：37

分类号：TM721;TP391(输配电工程、电力网及电力系统)

资助基金：2019年国家电网总部课题研究项目编号:5230jy190005

在线出版日期：2021-05-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：55-59,66