[1]张明,杜裕,洪国平.LSTM在宜昌短期电力负荷预测中的试验应用[J].气象研究与应用,2019,40(03):72-77,97.
　Zhang Ming,Du Yu,Hong GuoPing.Application of LSTM in Yichang Short-term Power Load Forecasting[J].Journal of Meteorological Research and Application,2019,40(03):72-77,97.
点击复制

LSTM在宜昌短期电力负荷预测中的试验应用()
分享到：

气象研究与应用[ISSN:1673-8411/CN:45-1356/P]

卷:
第40卷
期数:
2019年03期
页码:
72-77,97
栏目:
应用气象
出版日期:
2019-10-21

文章信息/Info

Title:
Application of LSTM in Yichang Short-term Power Load Forecasting
作者:
张明1;  杜裕1;  洪国平2
1. 湖北省宜昌市气象局, 宜昌 443000;
2. 武汉区域气候中心, 武汉 430074
Author(s):
Zhang Ming1;  Du Yu1;  Hong GuoPing2
1. Yichang Meteorological Service, Yichang Hubei 443000;
2. Wuhan Regional Climate Center, Wuhan Hubei 430074
关键词:
LSTM; 电力负荷; 神经元; 误差
Keywords:
LSTM; power load forecasting; neuron; stepwise tuning
分类号:
P49
摘要:
利用宜昌市历史气象数据、电力负荷数据以及日期类型数据等建立LSTM网络模型，通过逐步调优试验评估，提出适用于宜昌电力负荷预测的LSTM网络模型方案。利用过去48h的历史气象资料、电力负荷资料以及节假日类型资料对当前时次的电力负荷预测效果最好，平均绝对百分比误差可达到1.79%；对一天24h各时次的负荷进行直接预测时，宜选用过去72h的历史资料及51个隐藏层单元，其预测效果最好，但效果仍远不如对单一时次的预测；利用提出的模型分别对选取的三个个例进行单时次滚动预测及24h直接预测检验，结果显示预测效果均较好，平均MAPE均在2%以内，表明提出的预测模型具有一定的可行性。
Abstract:
The LSTM network model is established by using the historical meteorological data, power load data and date type data of Yichang City. The LSTM network model scheme suitable for power load forecasting in Yichang City is put forward through step-by-step optimization test and evaluation. The results show that the historical meteorological data, power load data and holiday type data over the past 48 hours are the best for the current power load forecasting, with an average absolute percentage error of 1.79%. For direct load forecasting of 24 hours a day, the historical data of the past 72 hours and 51 hidden layer units should be selected, the forecasting effect is the best, but still far inferior to that of a single time. Using the proposed model, the single-time rolling prediction and 24-hour direct prediction tests were carried out for three selected cases respectively. The results show that the prediction effect is good, and the average MAPE is less than 2%, which indicates that the proposed prediction model is feasible.

参考文献/References:

[1] 王增平, 赵兵, 纪维佳, 等. 基于GRU-NN模型的短期负荷预测方法[J]. 电力系统自动化,2019,43(5):53-58.
[2] 张海东, 孙照渤, 郑艳, 等. 温度变化对南京城市电力负荷的影响[J]. 大气科学学报,2009,32(4):536-542.
[3] 张彦恒, 杨琳晗, 武辉芹, 等. 冀北电网电力负荷特征与气温的关系[J]. 干旱气象,2016,34(5):881-885.
[4] 武辉芹, 张金满, 曲晓黎. 河北省南部电网夏季电力负荷特征及与气象因子的关系[J]. 气象科技,2013, 41(5):945-948.
[5] 刘红亚, 曹亮. 上海市电力负荷与气象因子关系及精细化预报[J]. 应用气象学报,2013,24(4):455-463.
[6] 李钷,李敏,等.基于改进回归法的电力负荷预测[J], 电网技术.2006,30(1):99-104.
[7] 万昆, 柳瑞禹. 区间时间序列向量自回归模型在短期电力负荷预测中的应用[J], 电网技术,2012,36(11):77-81.
[8] 潘锋, 储琳琳, 张宇俊. 考虑气象因素的SVM方法在短期电力负荷预测中的应用[J]. 华东电力,2007,35(11):86-89.
[9] 韩丽娜. 杭州地区电力负荷特性的分析及预测[D]. 浙江大学, 硕士学位论文,2008.
[10] 朱海兵, 崔玉, 熊浩. 基于改进型BP神经网络的电网负荷预测[J]. 现代电子技术,2016,39(20):64-66.
[11] 刘洋, 许立雄. 适用于海量负荷数据分类的高性能反向传播神经网络算法[J]. 电力系统自动化,2018,42(21):96-103.
[12] 石德琳. 基于神经网络的电力负荷预测研究与实现[D]. 山东大学硕士学位论文,2016.
[13] 陈卓, 孙龙祥. 基于深度学习LSTM网络的短期电力负荷预测方法[J]. 电子技术设计与应用,2018,47(1) 39-41.
[14] 陈亮, 王震, 王刚. 深度学习框架下LSTM网络在短期电力负荷预测中的应用[J]. 电力信息与通信技术, 2017,15(5):8-11.
[15] 周念成, 廖建权, 王强钢, 等. 深度学习在智能电网中的应用现状分析与展望[J]. 电力系统自动化,2019, 43(4):180-191.
[16] HochreiterS.and SchmidhuberJ.Long Short-Term Memory[J].Neural computation,1997,(9):1735-1780.
[17] Alex Graves,Jurgen Schmidhuber.Framewise phoneme classification with bidirectional LSTM and other neural network architectures[J]. Neural Networks,2005,18(5):602-610.
[18] Alex Graves.Supervised sequence labelling with recurrent neuralnetworks[M].Berlin:Springer, 2012:37-45.
[19] Alex Graves,Navdeep Jaitly,Abdel-rahman Mohamed.Hybrid speech recognition with Deep Bidirectional LSTM[J].Automatic Speech Recognition and Understanding(ASRU),IEEE Workshop,2013.
[20] Y.Bengio,P.Simard,and P.Frasconi.Learning long-term dependencies with gradient descent is difficult[J].Neural Networks,1994,(5):157-166.

备注/Memo

备注/Memo:
收稿日期:2019-08-10。
基金项目:湖北省气象局课题“宜昌市电力负荷与气象因子关系及精细化预报方法研究”（2018J06）
作者简介:张明(1987-),男,工程师,主要研究领域为应用气象。E-mail:475945482@qq.com
通讯作者:杜裕,E-mail:1142462598@qq.com
更新日期/Last Update: 1900-01-01