基于深度并行CNN-BiLSTM的能源互联网电负荷和热负荷联合预测模型

作者：廖清阳; 王军; 胡凯强; 宋尧; 宗志亚; 范俊秋

来源：中国测试, 2022, 48(04): 146-153.

• 电负荷
• 热负荷
• 联合预测
• 卷积神经网络
• 双向长短期记忆网络

为提升电、热负荷预测能力，适应能源互联网的多能源互联状态，设计由双向长短期记忆网络和并行卷积神经子网络组成的深层次电、热负荷联合预测模型，以便联合捕获强依赖性、多维度、抽象的电、热负荷特征信息。经仿真可知，该联合预测模型的综合负荷误差均值比低于串行网络模型约3%；其联合预测方式的综合负荷误差均值比低于单负荷预测模型约3%，同时其训练时长和预测时长均约为单负荷预测模型的一半；与同领域RNN-Net、LSTMNet、CNN-Net、Shi-Net相比，其电负荷、热负荷、综合负荷误差均值比最低，分别为0.031 5、0.030 1和0.031 1。说明本模型与串行网络相比，其并行网络有利于捕获多层次负荷特征；与单负荷预测方式相比，其联合预测方式可采用较高效率捕获电、热负荷的互联信息；它具备较优的电、热负荷联合预测性能，适用于电负荷、热负荷联合预测任务。

• 单位
  贵州电网有限责任公司; 华南理工大学