基于Bagging的双向GRU集成神经网络短期负荷预测

作者：王康; 张智晟^*; 撖奥洋; 于立涛

来源：电力系统及其自动化学报, 2021, 33(10): 24-30.

DOI：10.19635/j.cnki.csu-epsa.000591

• 短期负荷预测
• 双向加权门控循环单元神经网络
• Bagging算法
• 电力系统
• 预测精度

为了提高电力系统短期负荷的预测精度,提出了一种基于Bagging算法的双向加权门控循环单元GRU(gated recurrent unit)集成神经网络短期负荷预测模型。对双向门控循环单元BiGRU(bidirectional gated recurrent unit)神经网络两个方向的隐含层状态进行加权求和处理,使得对负荷点的预测可以同时考虑过去和未来的信息。通过Bagging算法对双向加权GRU神经网络进行集成处理来提高模型的泛化能力。按照某地区真实负荷数据,并与反向传播BP(back propagation)神经网络、长短期记忆LSTM(long short-term memory)神经网络、单向GRU神经网络和双向GRU神经网络进行对比可以得出,所提模型有更好的预测效果。

• 单位
  青岛大学