基于多尺度跳跃深度长短期记忆网络的短期多变量负荷预测

作者：肖勇; 郑楷洪; 郑镇境; 钱斌; 李森; 马千里

来源：计算机应用, 2021, 41(01): 231-236.

DOI：10.11772/j.issn.1001-9081.2020060929

• 短期电力负荷预测
• 时间序列预测
• 多尺度时序特征
• 长短期记忆网络
• 跳跃连接

近年来,以循环神经网络(RNN)为主体构建的预测模型在短期电力负荷预测中取得了优越的性能。然而,由于RNN不能有效捕捉存在于短期电力负荷数据的多尺度时序特征,因而难以进一步提升负荷预测精度。为了捕获短期电力负荷数据中的多尺度时序特征,提出了一种基于多尺度跳跃深度长短期记忆(MSD-LSTM)网络的短期电力负荷预测模型。具体来说,以长短期记忆(LSTM)网络为主体构建预测模型能够较好地捕获长短期时序依赖,从而缓解时序过长时重要信息容易丢失的问题。进一步地,采用多层LSTM架构并且对各层设置不同的跳跃连接数,使得MSD-LSTM的每一层能够捕获不同时间尺度的特征。最后,引入全连接层把各层提取到的多尺度时序特征进行融合,再利用该融合特征进行短期电力负荷预测。实验结果表明,与单层LSTM和多层LSTM相比,MSD-LSTM的均方误差总体下降了10%。可见MSD-LSTM能够更好地提取短期负荷数据中的多尺度时序特征,从而提高短期电力负荷预测的精度。

• 单位
  华南理工大学; 南方电网科学研究院有限责任公司