為解決傳統(tǒng)負(fù)荷預(yù)測(cè)方法存在的預(yù)測(cè)精度偏低的問題,通過分析短期負(fù)荷影響因素確定訓(xùn)練集,創(chuàng)建Stacking模型,并結(jié)合包括輸入門、輸出門與遺忘門在內(nèi)的LSTM網(wǎng)絡(luò)創(chuàng)建Stacking-LSTM混合模型,通過時(shí)間滑動(dòng)窗口建立影響因素?cái)?shù)據(jù)特征圖,將其作為Stacking-LSTM混合模型的輸入,經(jīng)數(shù)據(jù)轉(zhuǎn)換后得到特征類別更強(qiáng)的降維二級(jí)特征數(shù)據(jù),輸入到LSTM網(wǎng)絡(luò)層實(shí)現(xiàn)短期負(fù)荷預(yù)測(cè)。該方法利用Stacking模型的集成作用和LSTM網(wǎng)絡(luò)的強(qiáng)挖掘能力,增強(qiáng)降維后的數(shù)據(jù)類別特征,達(dá)到提升電力系統(tǒng)負(fù)荷動(dòng)態(tài)平衡性的效果。仿真結(jié)果表明,該方法的負(fù)荷預(yù)測(cè)結(jié)果與實(shí)際值非常接近,具有較高的預(yù)測(cè)精準(zhǔn)度。

【文章頁數(shù)】：6 頁


本文編號(hào)：3879291