基于深度学习的电网短期负荷预测方法研究

被引：44

作者：

吴润泽 ^{[1
]}

包正睿 ^{[1
]}

宋雪莹 ^{[1
]}

邓伟 ^{[2
]}

机构：

[1] 华北电力大学电气与电子工程学院

[2] 北京国电通网络技术有限公司

来源：

现代电力 | 2018年 / 35卷 / 02期

关键词：

负荷预测; 深度学习; 栈式自编码器; 特征提取; 神经网络;

D O I：

10.19725/j.cnki.1007-2322.2018.02.007

中图分类号：

TM715 [电力系统规划];

学科分类号：

080802 ;

摘要：

深度模型通过学习一种深层非线性网络结构以实现复杂函数逼近,具有很强的自适应感知能力。本文为了提高电力负荷预测精度,提出一种基于栈式自编码神经网络的深度学习预测方法。该方法结合自编码器和逻辑回归分类器构建一个多输入单输出预测模型,并将重构后的历史负荷、气象信息等数据输入到预测模型中,用栈式自编码器逐层学习并提取深层特征,最后在网络顶层连接逻辑回归模型进行短期负荷预测。实例分析表明,所提预测模型能够有效刻画日负荷变化规律,泛化能力较强,其预测精度达到96.2%,比支持向量回归和模糊神经网络两种浅层学习模型更高。

引用

页码：43 / 48

页数：6

共 11 条

[1]

Neural network model ensembles for building-level electricity load forecasts.[J].Jorjeta G. Jetcheva;Mostafa Majidpour;Wei-Peng Chen.Energy & Buildings.2014,

[2] 基于栈式自编码器模型的汇率时间序列预测 [J].