基于序列预测的混合配电馈线长期负荷预测方法

配电馈线长期负荷预测（LTLF）是许多电力公用事业公司每年执行的一项关键任务。该任务的目标是预测配电馈线的年度负荷。以往的自上而下和自下而上 LTLF 方法无法融合不同层级的信息。本文针对这一经典且重要的任务提出了一种使用序列预测的混合建模方法。所提方法可无缝整合隐藏在多年度数据中的自上而下、自下而上和序列信息。本文研究了两种先进的序列预测模型长短期记忆（LSTM）网络和门控循环单元（GRU）网络。它们成功解决了标准循环神经网络所面临的梯度消失和梯度爆炸问题。本文首先阐述 LSTM 和 GRU 网络的理论，随后详细讨论特征选择、特征工程和模型实现的步骤。最后，给出了加拿大西部大型城市电网的一个真实应用示例。在不同序列配置下的 LSTM 和 GRU 网络以及包括自下而上、ARIMA 和前馈神经网络在内的传统模型均被实现并详细比较。所提方法展现出优越的性能和极强的实用性。