基于CNN-LSTM网络的短期电力负荷预测

作者：简定辉; 李萍; 黄宇航; 梁志洋

来源：电工电气, 2022, (09): 1-6.

• 长短时记忆网络
• 短期负荷预测
• Dropout技术
• 卷积神经网络
• 适应性矩估计

传统的神经网络在时间相关性较强的负荷预测中精度不高。为了有效提高短期电力负荷预测精度，提出了一种基于卷积神经网络CNN和长短时记忆网络LSTM相结合的负荷预测方法。采集5维负荷特征数据，以CNN卷积层和池化层作为特征提取单元，提取数据空间耦合交互特征；将重构数据输入到LSTM网络挖掘负荷时序特征，采用Dropout技术增加模型泛化能力；利用适应性矩估计(Adam)优化器训练模型；将测试数据输入训练后的神经网络模型，预测未来1h和12h电负荷。实验结果表明，该负荷预测模型收敛速度和预测精度均优于改进的BP神经网络、LSTM等预测模型，其1h负荷预测精度达到98.66%，12h负荷预测精度达到96.81%，提高了短期电力负荷预测精度。