基于Wide&Deep-LSTM模型的短期台区负荷预测

作者：吕海灿; 王伟峰; 赵兵; 张毅; 郭秋婷; 胡伟^*

来源：电网技术, 2020, 44(02): 428-436.

DOI：10.13335/j.1000-3673.pst.2019.0558

• 负荷预测
• 大数据
• 深度学习
• 长短期记忆网络
• 宽度&深度模型

负荷预测是电力系统经济运行的基础,其对电力系统规划和运行都极其重要。由于影响负荷预测的因素较多,因此用常规的方法很难获得较好的预测结果。随着新一代人工智能技术的兴起,尤其以深度学习和大数据技术的快速发展,为进一步提高负荷预测的精确度奠定了良好的基础。文中将深度学习方法引入到电力系统的短期台区负荷预测中,综合利用了负荷台区的电压、电流、功率以及时间等特征信息。同时在已有的长短期记忆网络(LSTM)模型和宽度&深度(Wide&Deep)模型的基础上,建立了基于Wide&DeepLSTM的深度学习短期负荷预测模型,并在此基础上进行了日前台区负荷预测。该模型能够兼具深度神经网络的学习能力与LSTM模块的时间序列信息表达特性,能够较好地解决台区电力负荷预测的多特征维度及时序性特征问题。最后利用Tensorflow深度学习框架生成了仿真模型并加以验证,仿真结果充分证明了所提方法的准确性与实用性。

• 单位
  电力系统及发电设备控制和仿真国家重点实验室; 中国电力科学研究院有限公司; 清华大学