文献类型：期刊文章

作　　者：季玉琦[1] 严亚帮[1] 和萍[1] 刘小梅[1] 李从善[1] 赵琛[1] 范嘉乐[1]

JI Yuqi;YAN Yabang;HE Ping;LIU Xiaomei;LI Congshan;ZHAO Chen;FAN Jiale(School of Electrical and Information Engineering,Zhengzhou University of Light Industry,Zhengzhou 450002,China)

机构地区：[1]郑州轻工业大学电气信息工程学院,河南郑州450002

出　　处：《电力系统保护与控制》

基　　金：国家自然科学基金项目资助(62203401,52377125);河南省科技攻关项目资助(212102210257);河南省自然科学基金项目资助(232300420315)。

年　　份：2023

卷　　号：51

期　　号：18

起止页码：81-93

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2023_2024、EI、IC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：高效准确的短期负荷预测是电力系统安全稳定与经济运行的重要保障。针对峰荷与谷荷预测误差较大的问题,提出一种基于栅格法提取负荷曲线特征的卷积神经网络和长短期记忆网络(convolutional neural network and long short term memory network,CNN-LSTM)混合预测模型。首先,采用K-Medoids算法对日负荷曲线聚类,将各聚类中心作为典型代表日负荷曲线。采用栅格法将典型代表日负荷曲线划分为若干个区间并依次编号,提取负荷曲线的特征。然后,将各典型代表日负荷曲线特征与对应负荷类型历史数据重构成新的特征集输入到CNN-LSTM混合神经网络中。利用CNN挖掘数据间的特征形成新的特征向量,再将该特征向量输入到LSTM中进行预测。最后,以美国新英格兰地区2012至2013年电力负荷数据集为例进行仿真验证。结果表明,所提方法在不同日期下的负荷预测精度均有所提升,并且在提升日负荷平均预测精度的同时,有效提升了峰荷、谷荷的预测精度。

关 键 词：短期负荷预测 K-Medoids聚类分析  负荷曲线特征提取  卷积神经网络  长短期记忆网络  

分 类 号：TM715] TP183]