基于CNN-BAS-GRU模型的短期电力负荷预测研究

作者：谢志坚^*

来源：现代计算机(专业版), 2023, 29(21): 15-20.

• 卷积神经网络
• 门控循环单元网络
• 短期负荷预测
• 天牛须搜索算法

短期电力负荷的稳定可靠、精准高效预测是电网安全运行与持续性繁荣的支柱。针对表征电网历史负荷数据具备繁杂性、非线性及时序性等特点，且依赖历史信息选取主要参数的预测法存在的不足，为了进一步增高短期负荷预测的精确性以及更快速地在海量数据中提取信息的有效性，提出一种以卷积神经网络（CNN）采集表征变化的多维特征向量，再建构时间序列往门控循环单元（GRU）输入，并且GRU网络的超参数通过天牛须搜索算法（BAS）进行优化。对比仿真实验结果表明，CNN-BAS-GRU模型比参与实验的CNN模型、GRU模型、CNN-GRU模型具有更强的鲁棒性能和更佳的预测精度。