為解決傳統(tǒng)負荷預測方法存在的預測精度偏低的問題,通過分析短期負荷影響因素確定訓練集,創(chuàng)建Stacking模型,并結(jié)合包括輸入門、輸出門與遺忘門在內(nèi)的LSTM網(wǎng)絡創(chuàng)建Stacking-LSTM混合模型,通過時間滑動窗口建立影響因素數(shù)據(jù)特征圖,將其作為Stacking-LSTM混合模型的輸入,經(jīng)數(shù)據(jù)轉(zhuǎn)換后得到特征類別更強的降維二級特征數(shù)據(jù),輸入到LSTM網(wǎng)絡層實現(xiàn)短期負荷預測。該方法利用Stacking模型的集成作用和LSTM網(wǎng)絡的強挖掘能力,增強降維后的數(shù)據(jù)類別特征,達到提升電力系統(tǒng)負荷動態(tài)平衡性的效果。仿真結(jié)果表明,該方法的負荷預測結(jié)果與實際值非常接近,具有較高的預測精準度。

【文章頁數(shù)】：6 頁


本文編號：3879291