积分商城

最新搜索： stm32f7 固件库 HFBR-0310Z光纤发射和接收电路 频率计 Allegro封装库 8051f310
您现在的位置是：首页 > 技术资料 > 基于CNN-LSTM混合神经网络模型的短期负荷预测方法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

更新时间：2019-12-31 13:25:53 大小：2M 上传用户：songhuahua查看TA发布的资源 标签：混合神经网络 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。


部分文件列表

文件名 大小
基于CNN-LSTM混合神经网络模型的短期负荷预测方法.pdf 2M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
，
Ｖｏｌ．４３Ｎｏ．８Ａ ｒ．２５２０１９  
ｐ
第
卷
第
期
年
月
日
２５  
４３  
８
２０１９  
ꢀ
４
ꢀ
： ／  
ＤＯＩ １０．７５００ Ａ ＥＰＳ２０１８１０１２００４  
基于  
混合神经网络模型的短期负荷预测方法  
ＣＮＮ ＬＳＴＭ  
－
，
１２  
，
１２  
，
１２  
涂孟夫  
，
１２  
陆进军  
，
１２  
晖
ꢀ
１
，
张琪培 杨志宏  
，
，
，
，
彭
陆继翔  
（ （  
南瑞集团有限公司 国网电力科学研究院有限公司  
１．  
），  
江苏省南京市  
；
２１１１０６  
，
智能电网保护和运行控制国家重点实验室 江苏省南京市  
２．  
）
２１１１０６  
： ， ，  
摘要 为了更好地挖掘海量数据中蕴含的有效信息 提高短期负荷预测精度 针对负荷数据时序性  
，
和非线性的特点 提出了一种基于卷积神经网络  
（ ）  
和长短期记忆  
ＣＮＮ  
（
ＬＳＴＭ  
）
网络的混合模型短  
， 、 、  
期负荷预测方法 将海量的历史负荷数据 气象数据 日期信息以及峰谷电价数据按时间滑动窗口  
，
，
提取特征向量 将特征向量以时序序列方式构造并作为  
构造连续特征图作为输入 先采用  
ＣＮＮ  
网络进行短期负荷预测 使用所提方法对江苏省某地区电力  
ＬＳＴＭ  
，
网络输入数据 再采用  
。
ＬＳＴＭ  
， ， 、  
负荷数据进行预测实验 实验结果表明 文中所提出的预测方法比传统负荷预测方法 随机森林模  
。
网络负荷预测方法具有更高的预测精度  
型负荷预测模型方法和标准  
ＬＳＴＭ  
关键词 短期负荷预测 卷积神经网络 长短期记忆网络 卷积神经网络—长短期记忆网络混合  
模型  
：
；
；
；
（
）
， ［ ］  
神经网络来预测 文献 中用到了灰  
１２  
向传播  
ＢＰ  
引言  
０
ꢀ
，
色投影和随机森林算法 文献  
［ ］  
使用了深度信念  
１３  
由于电能难以大量存储以及电力需求时刻变化  
，
网络预测 文献  
［ ］  
使用了多核支持向量机算法来  
１４  
，
等特点 要求系统发电应与负荷的变化实现动态平  
［
］
１５  
。
回归预测 还有专家系统法 预测等 这些算法共  
，
。
衡
提高负荷预测准确率有利于提高发电设备的利  
同存在的问题在于缺少对时序数据时间相关性的考  
［］  
１
，
，
用率和经济调度的有效性  
特别是市场化改革后  
，
虑 需要人为添加时间特征来保证预测的结果  
。
被
，
电力供需将通过实时交易实现平衡 短期负荷预测  
［
］
１６  
、
［ ］  
１７  
［ ］  
１８  
、
用于语言模型  
机器翻译  
语音识别 等领域  
）
网络是一种有效的非线性循  
。 ，  
精度越来越重要 另一方面 随着电网规模不断扩  
（
ＬＳＴＭ  
的长短期记忆  
， ， ，  
大 设备不断增多 信息化程度不断提高 智能电网  
，
环神经网络 由于兼顾数据的时序性和非线性关系  
，
调度系统对负荷的采集频率和数据准确性也不断提  
。
ＬＳＴＭ  
被逐渐运用 在 负 荷 预 测 领 域  
网 络 模型虽  
， 、  
升 为负荷特性分析和负荷预测提供了高质量 海量  
然可以充分反映输入时间序列数据中的长期历史过  
，
化的数据集 为深度学习的使用提供了数据基础  
。
［
］
１９２０  
，
－
程
但它并不能挖掘非连续数据之间蕴含的有  
，
电力负荷数据具有时序性和非线性的特点 围  
。
效信息和潜在关系  
，
绕其特点 国内外一般对短期电力负荷预测的模型  
，
为了提高短期负荷预测精度 本文提出了一种  
， ，  
研究分为两类 一类是时间序列分析方法 例如回归  
［］  
２
、
［］  
３
、
［］  
４
、
多
（ ）  
和
ＣＮＮ ＬＳＴＭ  
基于卷积神经网络  
网络的混合模  
分析法  
指数平滑模型法  
卡尔曼滤波法  
［］  
５
［］  
６
傅里叶展开法模型 和自回归积  
，
型短期负荷预测方法 简称  
网络混合  
ＣＮＮＬＳＴＭ  
－
、
元线性回归法  
［
７８  
－
］
。
模型 它结合了  
，
网络的各自特点  
ＣＮＮ ＬＳＴＭ  
和
（ ）  
模型  
ＡＲＩＭＡ  
，
等 基本思想是从随  
分滑动平均  
，
利用负荷预测的先验知识 将海量的历史负荷数据  
、
机时间序列的过去负荷值及现在负荷值来预测未来  
、
气象数据 日期信息以及峰谷电价数据按时间滑动  
， ，  
负荷值 它的优点在于考虑了数据的时序性关系 缺  
，
窗口构造连续特征图作为输入 先采用  
有效  
ＣＮＮ  
；
点在于对非线性关系数据的预测能力有限 第二类  
地提取特征图中连续数据之间和非连续数据之间的  
，
是机器学习分析方法 例如文献  
［
］
中使用了反  
９１１  
－
，
潜在关系形成特征向量 然后将特征向量以时序序  
，
列方式构造并作为输入数据 再采用  
网络进  
ＬＳＴＭ  
：
；
：
修回日期  
２０１９０１２０  
。
收稿日期  
２０１８１０１２  
－ －  
－
－
。
行短期负荷预测 与仅使用  
，
网络模型相比  
ＬＳＴＭ  
：
。
上网日期  
２０１９０２２６  
－ －  
由于  
网络混合模型中使用了  
模
ＣＮＮ  
（
）。  
国家重点研发计划资助项目  
ＣＮＮＬＳＴＭ  
－
２０１７ Ｙ ＦＢ０９０２６００  
：／／  
ｈｔｔ  
ｗｗｗ．ａｅｓｉｎｆｏ．ｃｏｍ  
ｐ
－
１３１  
ｐ
， （）  
２０１９ ４３８  
·
·
学术研究  
，
型提取时序数据潜在特征 为  
， （ 、 ）  
荷为主 非工作日 节假日 周六和周日 的电力负荷  
网络模型提供  
ＬＳＴＭ  
，
大量的有效输入数据 从而提高了预测准确率  
。
（ ） 。  
量比工作日 周一至周五 有显著减少 本文将日期  
。
类型列入影响负荷预测结果的因素之一 使用日期  
负荷影响因素  
１
ꢀ
（），  
如假期  
Ｌｓ ｔ  
、
类型因素来决定特殊事件影响负荷  
［ ］ ， ，  
指出 通过比较发现 使用神经网络模  
２１  
。
周末等 本文使用数字  
，
表示周一至周日 考虑  
文献  
１ ７  
～
，
到深层神经网络参数需要反向反馈 将工作日与节  
型处理问题时虽然可以适应于 各种 任务 且简单易  
。
表示  
２
， ，  
用 但其效果只是接近或者达到传统方法 其部分原  
假日分别用  
和
１
，
除此之外 将电价的经济调节因素也作为负荷  
，
因在于神经网络模型中加入先验知识还比较少 在  
。
影响 因 素 考 虑 由 于 工 业 用 电 负 荷 在 总 负 荷 的  
，
建立合适的神经网络模型时加入恰当的先验知识  
， ，  
左右 因此本文将工业电价因素作为输入 使用  
９０％  
， 。  
可以加快模型收敛 提高模型实际效果 在神经网  
［ ］  
２１  
，
１２  
、 ，  
分别代表谷 平和峰时电价 也反映了价格  
和
３
络模型中运用先验知识在自然语言处理  
和体态  
［
］
２２  
，
。
比例  
。
与手势感知  
显著提高了识别准确率  
、 、  
本文将原始负荷数据 气象数据 日期因素和峰  
，
本文采用了相应的负荷预测先验知识 将负荷  
，
谷电价因素作为模型训练的输入 如表 所示  
１
。
。
影响因素作为输入参数统一考虑 传统方法将短期  
：
负荷预测影响因素主要归纳为三类 最近负荷或相  
表
影响因素汇总  
１
ꢀ
Ｔａｂｌｅ１ Ｓｕｍｍａｒ ｏｆｉｍ ａｃｔｆａｃｔｏｒｓ  
ꢀ
ｐ
ꢀ ꢀ  
ꢀ
ｙ
ꢀ
、
、
。
［ ］  
似日负荷 气象信息 日期类型 文献 提出了一  
２３  
影响因素  
特征  
描述  
天 时刻负荷值  
ｔ
（）  
所示  
１
。
个电力负荷的函数如式  
（
Ｌ ｄ－ｎｔ  
，）  
前
ｎ
历史数据  
（）  
（） （）  
Ｌ ｔ  
＋
（） （） （）  
Ｌ ｔ １  
＋
Ｌ ｔ Ｌ ｔ  
ｎ
Ｌ ｔ  
ｓ
＝
＋
ｗ
ｒ
（
，）  
ａｒ－１ｔ  
前一年 时刻负荷值  
ｔ
Ｌ
ｙ ｅ  
ｙ
： （）  
为
Ｌ ｔ  
； （）  
为
Ｌｎ ｔ ｔ  
式中  
时刻的实际负荷  
时刻的  
周日期  
周一到周日  
ｔ
日期因素  
／
工作日 节假日  
／
工作日 节假日  
，
（）  
应该满足正态分布  
；
（）  
正常或趋势负荷  
Ｌｎ ｔ  
Ｌｗ ｔ  
，
未来一天 时刻预测气温  
ｔ
气温  
湿度  
风速  
风向  
降雨可能性  
气压  
峰
；
（）  
为
为
ｔ
时刻的天气因素所带来的负 荷 波动  
Ｌｓ ｔ  
，
未来一天 时刻预测湿度  
ｔ
，
时刻的一些特殊事件所引起的负荷波动 如节假  
ｔ
，
未来一天 时刻预测风速  
ｔ
气象因素  
，
未来一天 时刻预测风向  
ｔ
； （）  
为
Ｌｒ ｔ  
，
时刻随机产生的负荷波动 值较小  
，
日等  
ｔ
，
未来一天 时刻预测降雨可能性  
ｔ
（） ， ， ，  
作为负荷预测的噪音 影响较小 也无法控制  
Ｌｒ ｔ  
，
未来一天 时刻预测气压  
ｔ
。
通常忽略它 由式  
（ ）  
１
，
所知 可以通过提高  
（），  
Ｌｎ ｔ  
峰时电价  
平时电价  
谷时电价  
（）  
和
Ｌｗ ｔ  
（）  
预测的准确度来提高整体预测的准  
Ｌｓ ｔ  
经济因素  
平
谷
。
确度  
，
对于负荷趋势 有学者使用去年今天的实际负  
网络混合模型  
２ ＣＮＮＬＳＴＭ  
ꢀ －  
， ，  
荷 加上去年到今年的负荷累计 得到今年今天的负  
。 ，  
荷趋势 但由于该方法准确率不高 而且一年间的  
模型  
２．１ ＣＮＮ  
ꢀ
；
负荷变化非线性 还有使用最近连续几天的负荷作  
、
模型是近年来深度学习领域研究最热门  
ＣＮＮ  
， ，  
为参数 通过自回归模型得到当天的负荷趋势 好处  
。
应用最广泛的模型之一 它采用局部连接和共享权  
，
在于负荷本身在一段时期是稳定渐变的 不会发生  
，
值的方式 直接从原始数据中通过卷积层和池化层  
，
突变 本文利用深度学习来决定选取最近连续一周  
，
交替使用来获取有效表征 自动提取数据的局部特  
， ，  
同一时刻的负荷 并考虑到年负荷变化趋势 将一年  
［ ］  
２４  
， 、  
征 并 建 立 稠 密 完 备 的 特 征 向 量  
，
本 文 使 用  
前相同日期下同一时刻的负荷一并作为参数获得的  
。
来提取数据特征  
ＣＮＮ  
（）。  
Ｌｎ ｔ  
负荷趋势  
网络模型  
网络是 一种 改进的时间 循环神经 网 络  
２．２ ＬＳＴＭ  
ꢀ
气象因素对于短期负荷预测有着至关重要的影  
ＬＳＴＭ  
）。  
。
， ，  
其中 常见的影响因素是温度 其次还有湿度  
、
响
（
，
它被提出后也进行了改良 增加了额外的  
ＲＮＮ  
［ ］  
２５２６  
－
、 。 、  
风力 天气类型等 炎热的夏季 寒冷的冬季都会使  
。
遗忘门  
改良后的  
网络解决了在模型  
ＬＳＴＭ  
。 ，  
负荷发生急剧变化 因此 使用气象预测多种因素  
“ ” ，  
训练中 梯度消失 的问题 可以学习时间序列长短  
（）。  
Ｌｗ ｔ  
数据来决定天气影响负荷  
，
期依赖信息 是目前最成功的  
，
架构 在许多场  
ＲＮＮ  
，
日期类型是短期预测的另一个重要影响因素  
。
景中获得应用 其网络基本单元如图 所示  
１
。
，
事实上 目前中国城市用电负荷还是以工业用电负  
１３２  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号