基于多层双向递归神经网络的短期电力负荷预测

作者：许道林; 谢兵; 伍毅; 刘兴栋; 谢颜斌

来源：电力电容器与无功补偿, 2022, 43(02): 96-104.

DOI：10.14044/j.1674-1757.pcrpc.2022.02.014

• 短期电力
• 负荷预测
• 双向递归神经网络
• 长短期记忆
• 门控循环单元

短期电力负荷预测是电网规划和决策的基础，针对短期电力负荷预测准确度不足的问题，提出了一种基于长短期记忆（LSTM）和门控循环单元（GRU）的多层双向递归神经网络模型。首先，GRU通过将LSTM中的输入门和遗忘门组合形成更新门，并将存储单元的状态与输出向量相结合，得到多层双向递归模型。其次，使用LSTM作为复杂的非线性单元构建双向递归神经网络（RNN）模型，提升LSTM的预测效果和深度学习能力。最后，采用EUNITE竞赛数据对模型进行训练测试，并以真实数据集进行有效性验证。实验结果表明，将LSTM和GRU应用于网络时，双向RNN模型能够有效提高短期负荷预测的准确性，并减少预测过程中预测值的波动。

• 单位
  国网重庆市电力公司