计算机应用

作者：肖勇, 郑楷洪, 郑镇境, 钱斌, 李森, 马千里

单位：1. 南方电网科学研究院有限责任公司, 广州 510080;2. 华南理工大学 计算机科学与工程学院, 广州 510006

关键词：短期电力负荷预测,时间序列预测,多尺度时序特征,长短期记忆网络,跳跃连接

基金：国家自然科学基金重点项目（61751205）；国家自然科学基金资助项目（61872148）。

近年来，以循环神经网络（RNN）为主体构建的预测模型在短期电力负荷预测中取得了优越的性能。然而，由于RNN不能有效捕捉存在于短期电力负荷数据的多尺度时序特征，因而难以进一步提升负荷预测精度。为了捕获短期电力负荷数据中的多尺度时序特征，提出了一种基于多尺度跳跃深度长短期记忆（MSD-LSTM）网络的短期电力负荷预测模型。具体来说，以长短期记忆（LSTM）网络为主体构建预测模型能够较好地捕获长短期时序依赖，从而缓解时序过长时重要信息容易丢失的问题。进一步地，采用多层LSTM架构并且对各层设置不同的跳跃连接数，使得MSD-LSTM的每一层能够捕获不同时间尺度的特征。最后，引入全连接层把各层提取到的多尺度时序特征进行融合，再利用该融合特征进行短期电力负荷预测。实验结果表明，与单层LSTM和多层LSTM相比，MSD-LSTM的均方误差总体下降了10%。可见MSD-LSTM能够更好地提取短期负荷数据中的多尺度时序特征，从而提高短期电力负荷预测的精度。

来源：2021年第1期

《计算机应用》期刊编辑部

查看计算机应用杂志2021年第1期