电工电气杂志社

基于CNN-LSTM网络的短期电力负荷预测

来源：电工电气发布时间：2022-09-26 16:26 浏览次数：252

基于CNN-LSTM网络的短期电力负荷预测

简定辉，李萍，黄宇航，梁志洋

(宁夏大学物理与电子电气工程学院，宁夏银川 750021)

摘要：传统的神经网络在时间相关性较强的负荷预测中精度不高。为了有效提高短期电力负荷预测精度，提出了一种基于卷积神经网络 CNN 和长短时记忆网络 LSTM 相结合的负荷预测方法。采集 5 维负荷特征数据，以 CNN 卷积层和池化层作为特征提取单元，提取数据空间耦合交互特征；将重构数据输入到 LSTM 网络挖掘负荷时序特征，采用 Dropout 技术增加模型泛化能力；利用适应性矩估计 (Adam) 优化器训练模型；将测试数据输入训练后的神经网络模型，预测未来 1h 和 12h 电负荷。实验结果表明，该负荷预测模型收敛速度和预测精度均优于改进的 BP 神经网络、LSTM 等预测模型，其 1h 负荷预测精度达到98.66%，12h 负荷预测精度达到96.81%，提高了短期电力负荷预测精度。

关键词： 长短时记忆网络；短期负荷预测；Dropout 技术；卷积神经网络；适应性矩估计

中图分类号：TM715 文献标识码：A 文章编号：1007-3175(2022)09-0001-06

Short-Term Power Load Forecasting Based on CNN-LSTM

JIAN Ding-hui, LI Ping, HUANG Yu-hang, LIANG Zhi-yang

（School of Physics and Electronic-Electrical Engineering, Ningxia University, Yinchuan 750021, China）

Abstract: The traditional neural network has low accuracy in load forecasting with strong time dependence. This paper provided a load prediction method based on the convolutional neural network (CNN) and the long short-term memory network (LSTM) to improve the accuracy of short-term power load.Moreover, it collected 5-dimensional load characteristic data and extracted spatial coupling interaction features of data by using CNN convolution layer and pooling layers feature extraction units.In addition, it inputted the reconstructed data into the LSTM network to mine the load timing characteristics and used dropout technology to increase the model generalization ability. Besides, it used an adaptive moment estimation (Adam) optimizer to train the model. It entered the test data into the trained neural network model to predict the electric load in the next 1 h and 12 h. The experimental results show that the proposed model is better than the improved neural network forecasting models,such as improved BP neural network and LSTM, from the convergence speed and forecasting accuracy perspective. The prediction accuracy of 1 h load forecasting is 98.66%, and the 12 h load forecasting accuracy is 96.81%, which improves the accuracy of short-term power load forecasting.

Key words: long short-term memory network; short-term load forecasting; Dropout technology; convolutional neural network; adaptive moment estimation

参考文献

[1] 商立群，李洪波，侯亚东，黄辰浩，张建涛. 基于特征选择和优化极限学习机的短期电力负荷预测[J]. 西安交通大学学报，2022，56(4) ：165-175.

[2] 王艳松，赵惺，李强，李雪，魏澈. 基于油气开采的海上油田中长期电力负荷预测[J] . 中国石油大学学报(自然科学版)，2021，45(2) ：127-133.

[3] 王继东，杜冲. 基于Attention-BiLSTM 神经网络和气象数据修正的短期负荷预测模型[J] . 电力自动化设备，2022，42(4)：172-177.

[4] 李婷婷，毕海权，王宏林，王晓亮，周远龙. 基于 BP 神经网络的地铁站厅空调负荷预测[J] . 计算机科学，2019，46(S2)：590-594.

[5] 廖庆陵，窦震海，孙锴，朱亚玲. 基于自适应粒子群算法优化支持向量机的负荷预测[J] . 现代电子技术，2022，45(3)：125-129.

[6] 王健，易姝慧，刘俊杰，刘俭. 基于随机森林算法和稳态波形的非介入式工业负荷辨识[J] . 中国电力，2022，55(2)：82-89.

[7] 何桂雄，金璐，李克成，何伟，闫华光. 基于改进 DaNN 的综合能源系统多能负荷预测[J] . 电力工程技术，2021，40(6)：25-33.

[8] 荀超，陈伯建，吴翔宇，项康利，林可尧，肖芬，易杨. 基于改进 K-means 算法的电力短期负荷预测方法研究[J] . 电力科学与技术学报，2022，37(1)：90-95.

[9] 尹春杰，肖发达，李鹏飞，赵钦. 基于 LSTM 神经网络的区域微网短期负荷预测[J] . 计算机与现代化，2022(4)：7-11.

[10] 魏骜，茅大钧，韩万里，吕彬. 基于 EMD 和长短期记忆网络的短期电力负荷预测研究[J] . 热能动力工程，2020，35(4)：203-209.

[11] 胡欣球，马立新. VMD-LSTM 算法在短期负荷预测中的应用[J] . 电力科学与工程，2018，34(6)：9-13.

[12] 宋珊珊，潘文林，王嘉梅，梁志茂. 基于 CNN-BiLSTM-Attention 的超短期电力负荷预测[J]. 云南民族大学学报(自然科学版)，2022，31(2)：235-240.

[13] 方娜，余俊杰，李俊晓，万畅. 基于 CNN-BIGRU-ATTENTION 的短期电力负荷预测[J]. 计算机仿真，2022，39(2)：40-44.

[14] 程江洲，潘飞，鲍刚，何艳，陈奕睿. 基于 MAC-WD-CNN-MCNN 模型的超短期负荷预测[J]. 水电能源科学，2021，39(9)：205-209.

[15] 朱凌建，荀子涵，王裕鑫，崔强，陈文义，娄俊超. 基于 CNN-BiLSTM 的短期电力负荷预测[J]. 电网技术，2021，45(11)：4532-4539.

[16] 张林，赖向平，仲书勇，李柯沂. 基于正交小波和长短期记忆神经网络的用电负荷预测方法[J] . 现代电力，2022，39(1)：72-79.

[17] 孙俊峰，李志斌. 基于 LSTM 的滚动预测算法的电缆缆芯温度的研究[J] . 电子测量技术，2021，44(21)：84-88.

[18] TANG Yehui, WANG Yunhe, XU Yixing, SHI Boxin, XU Chao, XU Chunjing, XU Chang.Beyond Dropout:Feature Map Distortion to Regularize Deep Neural Networks[J].Proceedings of the AAAI Conference on Artificial Intelligence，2020，34(4)：5964-5971.

[19] WEI Yuqin, WENG Zhengxin.Research on TE process fault diagnosis method based on DBN and dropout[J].The Canadian Journal of Chemical Engineering，2020，98(6) ：1293-1306.

返回索引列表

Article retrieval

文章检索

基于CNN-LSTM网络的短期电力负荷预测