科研之友
微信
新浪微博
Facebook
分享链接
摘要
精准、高效的短期负荷预测是电力系统运行与调度的基础，负荷-气象因素的强耦合关系使得负荷预测过程中必须考虑气象因素。首先从影响电力负荷波动的气象因素出发，分析负荷样本数据的气象因素相关性，通过构造多核模糊C均值聚类函数实现负荷、气象数据的低维非线性至高维线性空间映射，完成基于负荷影响因素的聚类划分，获得强相关气象因素。接着，在传统LSTM（长短期记忆）神经网络中引入反馈环节，融合前向和反向计算机制消除LSTM训练过程的累计误差，构建基于深度学习的多层堆叠模式并应用于负荷预测中。然后，以历史负荷数据的聚类结果为训练样本，深度挖掘负荷-气象因素的耦合特征，从而提高负荷预测精度。最后，通过实际运行数据验证提出方法的合理性和准确性。
- 单位
