基于长短期记忆神经网络的配电网负荷预测方法研究

被引：40

作者：

史静 ^{[1
]}

李琥 ^{[1
]}

李冰洁 ^{[1
]}

谈健 ^{[1
]}

刘丽新 ^{[2
]}

机构：

[1] 国网江苏省电力有限公司经济技术研究院

[2] 北京清软创新科技股份有限公司

来源：

供用电 | 2019年 / 36卷 / 07期

关键词：

配电网; 负荷预测; 光伏出力预测; 净负荷; 长短期记忆(LSTM); 高渗透率;

D O I：

10.19421/j.cnki.1006-6357.2019.07.011

中图分类号：

TM715 [电力系统规划];

学科分类号：

080802 [电力系统及其自动化];

摘要：

高渗透率分布式光伏接入配电网后,将削减配电网负荷。由于光伏出力与配电网负荷均具有强随机性,且与温度、太阳辐照等相关气象因素耦合特性不同,导致配电网净负荷随机性提高、预测难度增加。为满足强波动性配电网净负荷短时预测需要,提出基于长短期记忆(long short term memory,LSTM)神经网络短期预测模型构建新方法。采用LSTM分别构建小时前配电网负荷预测模型和短期光伏出力预测模型,并分别使用交叉验证方法优化各个LSTM预测器结构超参数;最后,以两者预测结果相减,获得配电网净负荷。实测数据实验表明,相较于支持向量回归(SVR)等方法,采用LSTM的新方法能够自适应挖掘历史负荷、光伏出力特征与预测对象间的相关性,避免了复杂的特征选择环节,且预测精度优于SVR预测方法。

引用

页码：71 / 77+90 +90

页数：8

共 20 条

[1]

Short-term load forecasting using a kernel-based support vector regression combination model.[J].JinXing Che;JianZhou Wang.Applied Energy.2014,

[2]

利用蝙蝠算法优化SVR的太阳辐照度预测方法研究 [J].