針對輸入數(shù)據(jù)特征多時負荷預(yù)測模型精度提升難的問題,文章提出一種并行多模型融合的混合神經(jīng)網(wǎng)絡(luò)超短期負荷預(yù)測方法。將卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network,CNN）與門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)（gated recurrent unit neural network,GRU-NN）并行,分別提取局部特征與時序特征,將2個網(wǎng)絡(luò)結(jié)構(gòu)的輸出拼接并輸入深度神經(jīng)網(wǎng)絡(luò)（deep neural network,DNN）,由DNN進行超短期負荷預(yù)測。最后應(yīng)用負荷與溫度數(shù)據(jù)進行預(yù)測實驗,結(jié)果表明相比于GRUNN網(wǎng)絡(luò)結(jié)構(gòu)、長短期記憶（long short term memory,LSTM）網(wǎng)絡(luò)結(jié)構(gòu)、串行CNN-LSTM網(wǎng)絡(luò)結(jié)構(gòu)與串行CNN-GRU網(wǎng)絡(luò)結(jié)構(gòu),所提方法具有更好的預(yù)測性能。 

【文章來源】：電力建設(shè). 2020,41(10)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

并行多模型融合混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖6對比了單一、并行結(jié)構(gòu)網(wǎng)絡(luò)模型預(yù)測曲線與實際曲線。由圖6可知，單一網(wǎng)絡(luò)結(jié)構(gòu)的GRU-NN與LSTM在當日19:00—23:00的預(yù)測負荷值偏離實際值嚴重，而并行結(jié)構(gòu)網(wǎng)絡(luò)在獲得時序特征的基礎(chǔ)上由CNN提取了局部特征，使得網(wǎng)絡(luò)對于數(shù)據(jù)實現(xiàn)了進一步的挖掘。與串行CNN-LSTM和串行CNN-GRU模型相比，由于串行模型在特征提取上僅有一組向量輸出，所提取的特征為局部特征中的時序特征，隱含的信息少于并行模型中局部特征與時序特征的組合，可得所提模型MAPE降低了23.7%與34.8%,RMSE下降284.453和418.864 MW，降低了17.1%和23.2%。所提模型將CNN結(jié)構(gòu)與GRU結(jié)構(gòu)并行，由2種結(jié)構(gòu)對數(shù)據(jù)特征進行提取，實現(xiàn)了精度更高的負荷預(yù)測。表5為2018年某日實際負荷值和并行多模型融合的混合神經(jīng)網(wǎng)絡(luò)模型與其他傳統(tǒng)模型預(yù)測結(jié)果的對比匯總，圖7為所有模型預(yù)測結(jié)果的對比折線圖。

GRU基本結(jié)構(gòu)

【參考文獻】：
期刊論文
[1]基于深度長短時記憶網(wǎng)絡(luò)的區(qū)域級超短期負荷預(yù)測方法[J]. 張宇帆,艾芊,林琳,袁帥,李昭昱.  電網(wǎng)技術(shù). 2019(06)
[2]基于GRU-NN模型的短期負荷預(yù)測方法[J]. 王增平,趙兵,紀維佳,高欣,李曉兵.  電力系統(tǒng)自動化. 2019(05)
[3]電力市場中基于Attention-LSTM的短期負荷預(yù)測模型[J]. 彭文,王金睿,尹山青.  電網(wǎng)技術(shù). 2019(05)
[4]基于自回歸積分滑動平均模型的可轉(zhuǎn)移負荷競價策略[J]. 艾欣,周志宇,魏妍萍,張宏志,李樂.  電力系統(tǒng)自動化. 2017(20)
[5]基于R語言的負荷預(yù)測ARIMA模型并行化研究[J]. 麥鴻坤,肖堅紅,吳熙辰,陳馳.  電網(wǎng)技術(shù). 2015(11)
[6]考慮相關(guān)因素統(tǒng)一修正的節(jié)假日負荷預(yù)測模型[J]. 苗鍵強,童星,康重慶.  電力建設(shè). 2015(10)
[7]電網(wǎng)短期負荷預(yù)測的BP-ANN方法及應(yīng)用[J]. 張剛,劉福潮,王維洲,李正遠,鄭晶晶,梁雅芳.  電力建設(shè). 2014(03)



本文編號：3040693