并行多模型融合的混合神经网络超短期负荷预测

发布时间：2021-02-19 05:51

　　针对输入数据特征多时负荷预测模型精度提升难的问题,文章提出一种并行多模型融合的混合神经网络超短期负荷预测方法。将卷积神经网络（convolutional neural network,CNN）与门控循环单元神经网络（gated recurrent unit neural network,GRU-NN）并行,分别提取局部特征与时序特征,将2个网络结构的输出拼接并输入深度神经网络（deep neural network,DNN）,由DNN进行超短期负荷预测。最后应用负荷与温度数据进行预测实验,结果表明相比于GRUNN网络结构、长短期记忆（long short term memory,LSTM）网络结构、串行CNN-LSTM网络结构与串行CNN-GRU网络结构,所提方法具有更好的预测性能。 

【文章来源】：电力建设. 2020,41(10)北大核心

【文章页数】：8 页

【部分图文】：

并行多模型融合混合神经网络结构

图6对比了单一、并行结构网络模型预测曲线与实际曲线。由图6可知，单一网络结构的GRU-NN与LSTM在当日19:00—23:00的预测负荷值偏离实际值严重，而并行结构网络在获得时序特征的基础上由CNN提取了局部特征，使得网络对于数据实现了进一步的挖掘。与串行CNN-LSTM和串行CNN-GRU模型相比，由于串行模型在特征提取上仅有一组向量输出，所提取的特征为局部特征中的时序特征，隐含的信息少于并行模型中局部特征与时序特征的组合，可得所提模型MAPE降低了23.7%与34.8%,RMSE下降284.453和418.864 MW，降低了17.1%和23.2%。所提模型将CNN结构与GRU结构并行，由2种结构对数据特征进行提取，实现了精度更高的负荷预测。表5为2018年某日实际负荷值和并行多模型融合的混合神经网络模型与其他传统模型预测结果的对比汇总，图7为所有模型预测结果的对比折线图。

GRU基本结构

【参考文献】：
期刊论文
[1]基于深度长短时记忆网络的区域级超短期负荷预测方法[J]. 张宇帆,艾芊,林琳,袁帅,李昭昱.  电网技术. 2019(06)
[2]基于GRU-NN模型的短期负荷预测方法[J]. 王增平,赵兵,纪维佳,高欣,李晓兵.  电力系统自动化. 2019(05)
[3]电力市场中基于Attention-LSTM的短期负荷预测模型[J]. 彭文,王金睿,尹山青.  电网技术. 2019(05)
[4]基于自回归积分滑动平均模型的可转移负荷竞价策略[J]. 艾欣,周志宇,魏妍萍,张宏志,李乐.  电力系统自动化. 2017(20)
[5]基于R语言的负荷预测ARIMA模型并行化研究[J]. 麦鸿坤,肖坚红,吴熙辰,陈驰.  电网技术. 2015(11)
[6]考虑相关因素统一修正的节假日负荷预测模型[J]. 苗键强,童星,康重庆.  电力建设. 2015(10)
[7]电网短期负荷预测的BP-ANN方法及应用[J]. 张刚,刘福潮,王维洲,李正远,郑晶晶,梁雅芳.  电力建设. 2014(03)



本文编号：3040693