基于深度学习的热负荷预测研究

作者：孙玉芝; 杜向宁

来源：自动化仪表, 2022, 43(12): 92-96.

DOI：10.16086/j.cnki.issn1000-0380.2022050136

• 热负荷
• 深度学习
• 长短期记忆
• 损失函数
• 预处理
• 局部重缩放

针对目前热负荷预测存在数据复杂程度高、预测精度低的缺陷，提出了一种混合式短期热负荷预测模型。首先，考虑到原始数据的属性具有不同的比例和分布，提出了一种局部重缩放策略。其次，提出了双层长短期记忆(LSTM)基础模型，并基于修正损失函数提高模型预测精度，从而有效学习历史天气预报和热负荷数据特征。在试验阶段，以某省电力公司提供的历史热负荷数据为例，对所提模型进行验证。验证结果表明，模型的测试集平均绝对百分比误差(MAPE)为3.08%,性能较基础网络提升约1.72%。仿真结果进一步验证了所提模型对热负荷预测具有较高的准确性。该模型为电力热负荷智能化服务发展提供了借鉴。