随着电力需求增长及全球气候变化,电力系统稳定性面临严峻的挑战,负荷预测需考虑气象因素以提升精度。提出了一种基于长短期记忆法-全联接网络(Long Short Term Memory Network and Fully Connected Neural Network,LSTM-FC)组合模型的...随着电力需求增长及全球气候变化,电力系统稳定性面临严峻的挑战,负荷预测需考虑气象因素以提升精度。提出了一种基于长短期记忆法-全联接网络(Long Short Term Memory Network and Fully Connected Neural Network,LSTM-FC)组合模型的用电负荷预测方法,以解决现有模型的不足。首先,运用皮尔逊相关系数对气象因素与负荷进行相关性分析,构建包含主要因素与历史用电负荷的特征输入矩阵,并建立滑动窗口数据集。随后,利用LSTM提取时间序列深层特征。最后,全连接层对特征进行聚合,实现短期负荷高精度预测。实验证明,该模型较传统方法显著提升预测精度,适用于不同区域,为电力系统运行提供可靠预测支持,验证了其有效性和正确性。展开更多
文摘随着电力需求增长及全球气候变化,电力系统稳定性面临严峻的挑战,负荷预测需考虑气象因素以提升精度。提出了一种基于长短期记忆法-全联接网络(Long Short Term Memory Network and Fully Connected Neural Network,LSTM-FC)组合模型的用电负荷预测方法,以解决现有模型的不足。首先,运用皮尔逊相关系数对气象因素与负荷进行相关性分析,构建包含主要因素与历史用电负荷的特征输入矩阵,并建立滑动窗口数据集。随后,利用LSTM提取时间序列深层特征。最后,全连接层对特征进行聚合,实现短期负荷高精度预测。实验证明,该模型较传统方法显著提升预测精度,适用于不同区域,为电力系统运行提供可靠预测支持,验证了其有效性和正确性。
