深度学习在电力负荷预测中的应用.pdfVIP

第40卷第8期自动化仪表Vol.40No.8

2019年8月PROCESSAUTOMATIONINSTRUMENTATIONAug.2019

深度学习在电力负荷预测中的应用

张建寰，吉莹，陈立东

（厦门大学航空航天学院，福建厦门361000）

摘要：针对电力负荷预测中存在的随机性、不确定性的问题，结合深度学习算法具有很强的自适应感知能力等特点，采用目前较为

主流的深度学习方法，如长短时记忆(LSTM)网络、门循环单元(GRU)神经网络和栈式自编码器(SAE),分别研究其应用于电力负荷

预测时的效果。研究发现，将历史负荷数据作为三种深度学习预测模型的输入时，三种预测模型的负荷预测精度指标评估结果各有

不同。因此，为了全面评估三种预测模型的预测效果，提出将不同时间段内的相同历史负荷数据作为预测模型输入对比各模型的负

荷预测精度,从中找出最佳的预测模型。仿真结果验证了三种预测模型在电力负荷预测应用中的可行性，且发现在单输入因素时

LSTM模型的预测精度相对较高。因此,在后续研究中，可以考虑以LSTM预测模型作为基础预测模型，结合更多的负荷影响因素进行

改进，以提高负荷预测精度。

关键词：深度学习；长短时记忆；门循环单元；循环神经网络；栈式自编码器；负荷预测；预测精度

中图分类号：TH3文献标志码：ADOI：10.16086/j.cnki.issnl000-0380.2018060050

ApplicationofDeepLearninginPowerLoadForecasting

ZHANGJianhuanJIYing,CHENLidong

(SchoolofAerospaceEngineering,XiamenUniversity,Xiamen361000,China)

Abstract:Aimingattheproblemsofrandomnessanduncertaintyinpowerloadforecasting,combiningwithdeeplearning

algorithm,whichhasstrongadaptivesensingability,andbyadoptingthecurrentmainstreamdeeplearningmethods,suchaslong-

short-timememory(LSTM),gatedrecurrentunit(GRU)neuralnetworkandstackedautomaticencoders(SAE),theprediction

effectsofpowerloadforecastingarestudiedrespectively.Itisfoundinthestudythatwhenhistoricalloaddataareusedasinput

tothreedeeplearningpredictionmodels,theloadforecastingaccuracyindicatorsofthethreepredictionmodelshavedifferent

evaluationresults.Inordertocomprehensivelyevaluatethepredictioneffectsofthethreepredictionmodels,thesamehistorical

loaddataindifferenttimeperiodsareusedasthepredictivemodelinput,andtheloadpred