电力市场中基于Attention-LSTM的短期负荷预测模型

被引：139

作者：

彭文

王金睿

尹山青

机构：

[1] 华北电力大学控制与计算机工程学院

来源：

电网技术 | 2019年 / 43卷 / 05期

关键词：

负荷预测; 电力市场; 最大信息系数; LSTM; Attention机制;

D O I：

10.13335/j.1000-3673.pst.2018.1554

中图分类号：

TM715 [电力系统规划];

学科分类号：

摘要：

电力市场环境下,精准的短期负荷预测可以保障电网安全稳定运行,但电价的实时波动增加了负荷变化的复杂性,加大了预测难度。针对这一问题,采用最大信息系数法分析电价及历史负荷与当前时刻负荷的相关性,为预测模型输入特征的确定提供依据。在此基础上,提出了基于Attention-LSTM (attention long short-term memory,Attention-LSTM)网络的短期负荷预测模型。该模型充分利用负荷的时序特性,并采用Attention机制突出对负荷预测起到关键作用的输入特征。以澳大利亚某地区真实数据为算例,分别应用Attention-LSTM模型与其他模型进行仿真实验。结果表明,所提方法在预测精度和算法鲁棒性方面均优于其他模型。

引用

页码：1745 / 1751

页数：7

共 15 条

[1] 基于Attention-Based LSTM模型的文本分类技术的研究.[D].张冲.南京大学.2016, 10
[2] Equitability, mutual information, and the maximal information coefficient
Kinney, Justin B.
Atwal, Gurinder S.
[J]. PROCEEDINGS OF THE NATIONAL ACADEMY OF SCIENCES OF THE UNITED STATES OF AMERICA, 2014, 111 (09) : 3354 - 3359
[3] Detecting Novel Associations in Large Data Sets
Reshef, David N.
Reshef, Yakir A.
Finucane, Hilary K.
Grossman, Sharon R.
McVean, Gilean
Turnbaugh, Peter J.
Lander, Eric S.
Mitzenmacher, Michael
Sabeti, Pardis C.
[J]. SCIENCE, 2011, 334 (6062) : 1518 - 1524
[4] Long short-term memory
Hochreiter, S
Schmidhuber, J
[J]. NEURAL COMPUTATION, 1997, 9 (08) : 1735 - 1780
[5] Supervised Sequence Labelling with Recurrent Neural Networks.[J]..None.2012,
[6] 一种改进的Attention-Based LSTM特征选择模型
朱星嘉
李红莲
吕学强
周建设
夏红科
[J]. 北京信息科技大学学报(自然科学版), 2018, 33 (02) : 54 - 59
[7] 运用PSO和GRNN的短期负荷二维组合预测
陈鸿琳
李欣然
冷华
唐海国
[J]. 电力系统及其自动化学报, 2018, 30 (02) : 85 - 89
[8] 基于深度信念网络的短期负荷预测方法
孔祥玉
郑锋
鄂志君
曹旌
王鑫
[J]. 电力系统自动化, 2018, 42 (05) : 133 - 139
[9] 基于长短期记忆网络的风电场发电功率超短期预测
朱乔木
李弘毅
王子琪
陈金富
王博
[J]. 电网技术, 2017, 41 (12) : 3797 - 3802
[10] 一种基于LSTM神经网络的短期用电负荷预测方法
张宇航
邱才明
贺兴
凌泽南
石鑫
[J]. 电力信息与通信技术, 2017, 15 (09) : 19 - 25

← 1 2 →