基于 BiLSTM 与 CNN-BiLSTM 的短期聚合居民负荷预测
摘要
居民侧可再生能源与智能家居技术渗透率的提高给电网稳定性带来挑战，因为用户与公用事业的交互增加了电力系统运行的复杂性。对此，短期居民负荷预测已成为日益受关注的领域。然而，由于涉及更高的不确定性，居民级预测颇具挑战。近期深度神经网络已被用来应对该问题。本文研究了双向长短期记忆（BiLSTM）与基于卷积神经网络的 BiLSTM（CNN-BiLSTM）的能力，以在每小时分辨率下提供提前一天（24 小时）的预测，同时最小化实际与预测负荷需求之间的均方根误差（RMSE）。使用一个包含 38 户家庭的公开数据集，训练 BiLSTM 与 CNN-BiLSTM 模型，在给定前 24 小时负荷数据的情况下，预测 24 小时跨度内每小时的聚合有功功率需求。BiLSTM 模型在整体日预测中取得了 1.4842 的最低 RMSE。此外，还训练了标准 LSTM 与 CNN-LSTM 模型并与 BiLSTM 架构进行比较。BiLSTM 的 RMSE 分别比 LSTM、CNN-LSTM 与 CNN-BiLSTM 模型低 5.60%、2.85% 与 2.60%。本工作的源代码可在 https://github.com/Varat7v2/STLF-BiLSTM-CNNBiLSTM.git 获取。
引用
@article{arxiv.2302.05033,
title = {Short-Term Aggregated Residential Load Forecasting using BiLSTM and CNN-BiLSTM},
author = {Bharat Bohara and Raymond I. Fernandez and Vysali Gollapudi and Xingpeng Li},
journal= {arXiv preprint arXiv:2302.05033},
year = {2023}
}
备注
This article has been accepted for publication in 2022 International Conference on Innovation and Intelligence for Informatics, Computing, and Technologies (3ICT). This preprint is for personal use - that is solely for the purpose of research, but republication/redistribution requires IEEE permission. Please check IEEE website for more information