基于混合 LSTM 神经网络与在线校正的电力负荷预测模型
系统与控制
2024-03-07 v1 系统与控制
摘要
准确的电力负荷预测对于现代电力系统的高效运行与控制至关重要。在本工作中，开发了一种带有在线校正功能的混合长短期记忆 (LSTM) 模型，用于日前电力负荷预测。首先，从原始电力负荷数据集中提取四类特征，包括历史时间序列、时间索引特征、历史统计特征和相似性特征。然后，设计了一种基于混合 LSTM 的电力负荷预测模型，该模型集成了 LSTM 神经网络块和全连接神经网络块，能够同时对时间特征（历史时间序列）和非时间特征（其余特征）进行建模。开发了基于梯度正则化的离线训练算法和基于输出层参数微调的在线模型校正方法，以增强模型抵御干扰和适应最新负荷数据分布的能力，从而提高预测精度。最后，进行了大量实验以验证所提出的电力负荷预测策略的有效性，其精度优于常用的预测模型。
引用
@article{arxiv.2403.03898,
title = {Electrical Load Forecasting Model Using Hybrid LSTM Neural Networks with Online Correction},
author = {Nan Lu and Quan Ouyang and Yang Li and Changfu Zou},
journal= {arXiv preprint arXiv:2403.03898},
year = {2024}
}