基于长短期记忆神经网络的配电网负荷预测方法研究

作者：史静; 李琥; 李冰洁; 谈健; 刘丽新

来源：供用电, 2019, 36(07): 71-90.

DOI：10.19421/j.cnki.1006-6357.2019.07.011

• 配电网
• 负荷预测
• 光伏出力预测
• 净负荷
• 长短期记忆(LSTM)
• 高渗透率

高渗透率分布式光伏接入配电网后,将削减配电网负荷。由于光伏出力与配电网负荷均具有强随机性,且与温度、太阳辐照等相关气象因素耦合特性不同,导致配电网净负荷随机性提高、预测难度增加。为满足强波动性配电网净负荷短时预测需要,提出基于长短期记忆(long short term memory,LSTM)神经网络短期预测模型构建新方法。采用LSTM分别构建小时前配电网负荷预测模型和短期光伏出力预测模型,并分别使用交叉验证方法优化各个LSTM预测器结构超参数;最后,以两者预测结果相减,获得配电网净负荷。实测数据实验表明,相较于支持向量回归(SVR)等方法,采用LSTM的新方法能够自适应挖掘历史负荷、光伏出力特征与预测对象间的相关性,避免了复杂的特征选择环节,且预测精度优于SVR预测方法。