基于1DCNN-LSTM和迁移学习的短期电力负荷预测 |
| |
引用本文: | 姜建国,万成德,陈鹏,郭晓丽,佟麟阁.基于1DCNN-LSTM和迁移学习的短期电力负荷预测[J].吉林大学学报(信息科学版),2023(1):124-130. |
| |
作者姓名: | 姜建国 万成德 陈鹏 郭晓丽 佟麟阁 |
| |
作者单位: | 东北石油大学电气信息工程学院 |
| |
摘 要: | 针对在短期电力负荷预测中,当某区域电力负荷数据较少时,负荷预测精度较差的问题,提出一种基于1DCNN-LSTM(1D Convolutional Neural-Long Short-Term Memory Networks)和参数迁移的短期负荷预测方法,并采用1DCNN-LSTM结合迁移学习针对性提高预测精度。使用美国某地区的实际负荷数据进行仿真分析,实验结果表明,该方法能有效提升区域电力负荷数据缺失时负荷预测的精度。
|
关 键 词: | 负荷预测 迁移学习 一维卷积神经网络 长短期记忆网络 |
|
|