文献类型：期刊文章

作　　者：张丽[1,2] 李世情[1] 艾恒涛[1] 张涛[1] 张宏伟[3]

ZHANG Li;LI Shiqing;AI Hengtao;ZHANG Tao;ZHANG Hongwei(School of Electrical Engineering and Automation,Henan Polytechnic University,Jiaozuo 454003,China;Henan Key Laboratory of Intelligent Detection and Control of Coal Mine Equipment,Jiaozuo 454003,China;Linfen Power Supply Company,State Grid Shanxi Electric Power Company,Linfen 041000,China)

机构地区：[1]河南理工大学电气工程与自动化学院,河南焦作454003 [2]河南省煤矿装备智能检测与控制重点实验室,河南焦作454003 [3]国网山西省电力公司临汾供电公司,山西临汾041000

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(52177039);河南省高等学校重点科研项目资助(24A470006);河南省科技攻关项目(242102241027)。

年　　份：2024

卷　　号：52

期　　号：9

起止页码：143-153

语　　种：中文

收录情况：BDHX、BDHX2023、CSCD、CSCD2023_2024、DOAJ、EI、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：单一模型在进行超短期负荷预测时会因负荷波动而导致预测精度变差,针对此问题,提出一种基于深度学习算法的组合预测模型｡首先,采用变分模态分解对原始负荷序列进行分解,得到一系列的子序列。其次,分别采用双向长短期记忆网络和优化后的深度极限学习机对每个子序列进行预测。然后,利用改进Q学习算法对双向长短期记忆网络的预测结果和深度极限学习机的预测结果进行加权组合,得到每个子序列的预测结果。最后,将各个子序列的预测结果进行求和,得到最终的负荷预测结果。以某地真实负荷数据进行预测实验,结果表明所提预测模型较其他模型在超短期负荷预测中表现更佳,预测精度达到98%以上。

关 键 词：Q学习算法 负荷预测 双向长短期记忆  深度极限学习机  灰狼算法  

分 类 号：TM715] TP18]