Suzhou Electric Appliance Research Institute
期刊号: CN32-1800/TM| ISSN1007-3175

Article retrieval

文章检索

首页 >> 文章检索 >> 最新索引

基于长短时记忆网络的电力系统负荷预测方法研究

来源:电工电气发布时间:2019-11-19 13:19 浏览次数:634
基于长短时记忆网络的电力系统负荷预测方法研究
 
王鑫琪,李闯,焦晗,李焱飞
(南京工程学院 电力工程学院,江苏 南京 211167)
 
    摘 要:准确的负荷预测对保持电网的稳定性和提高当地经济效益、节约成本有重大帮助。考虑到负荷数据带有时序性,以及智能电网的发展所带来的数据量的增大,建立了长短时记忆网络(LSTM)模型来对未来用电量进行短期负荷预测。针对Adam训练算法可能存在的收敛问题,对其进行了改进,并通过MATLAB软件对LSTM网络进行建模,通过与BP神经网络进行对比,结果表明,LSTM模型具有更高的精确度以及实用性。
    关键词:短期负荷预测;BP神经网络;长短时记忆网络;Adam算法
    中图分类号:TM715     文献标识码:A     文章编号:1007-3175(2019)11-0017-04
 
Research on Power System Load Forecasting Method Based on Long-Term and Short-Term Memory Network
 
WANG Xin-qi, LI Chuang, JIAO Han, LI Yan-fei
(School of Electric Power Engineering, Nanjing Institute of Technology, Nanjing 2111 67, China)
 
    Abstract: Load forecasting is an important part of power system dispatching. Accurate load forecasting is of great help to maintain grid stability and improve local economic benefits and cost. Considering the sequential nature of load data and the increase in data volume brought about by the development of smart grids, a long-term and short-term memory network (LSTM) model was established to make shortterm predictions of future electricity consumption. On this basis, the convergence problem of Adam training algorithm may be improved. It is simulated by MATLAB software and compared with BP neural network. The results show that the LSTM model has higher accuracy and practicability.
    Key words: short-term load forecast; BP neural network; long-term and short-term memory network; Adam algorithm
 
参考文献
[1] 徐尧强,方乐恒,赵冬华,王凯. 基于LSTM神经网络的用电量预测[J]. 电力大数据,2017,20(8):25-29.
[2] 张宇航,邱才明,贺兴,凌泽南,石鑫. 一种基于LSTM神经网络的短期用电负荷预测方法[J]. 电力信息与通信技术,2017,15(9):19-25.
[3] 陈卓,孙龙祥. 基于深度学习LSTM网络的短期电力负荷预测方法[J]. 电子技术,2018,47(1):39-41.
[4] 刘进波,周克男,任明会. 基于相关因子的BP神经网络电力负荷短期预测[J]. 信息记录材料,2018,19(1):211-214.
[5] 陈英慧,商淼,李婷,高红艳. 基于GA-BP算法的呼和浩特地区短期电力负荷预测[J]. 山东工业技术,2018(5):170.
[6] 王德文,孙志伟. 电力用户侧大数据分析与并行负荷预测[J]. 中国电机工程学报,2015,35(3):527-537.
[7] 刘文博. 基于神经网络的短期负荷预测方法研究[D]. 杭州:浙江大学,2017.
[8] 程宇也. 基于人工神经网络的短期电力负荷预测研究[D]. 杭州:浙江大学,2017.
[9] 朱振伟. 气象因素对电网负荷特性影响的研究[D].杭州:浙江大学,2008.
[10] 李萌,程浩忠,杨宗麟,韩新阳,杨镜非. 采用分形插值的典型日负荷曲线改进预测方法[J]. 电力系统及其自动化学报,2015,27(3):36-41.
[11] 陈鲤江,景程,吴姚鑫,郑水泉. 数学表达式的归一化方法研究[J]. 浙江工业大学学报,2012,40(2):229-232.