基于深度学习的短期电力负荷预测方法研究.pdfVIP

重庆师范大学硕士学位论文中文摘要

基于深度学习的短期电力负荷预测方法研究

摘要

电力行业是现代社会中不可或缺的一部分，电力负荷预测在现代电力系统中

具有至关重要的地位。合理的负荷预测能够保障电力体系安全、稳定运行，促进

经济平稳发展。随着现代科学技术的进步，越来越多的深度学习模型被应用在电

力负荷预测领域。本文从深度学习的角度出发，从提取负荷数据自身的周期特性

和挖掘外部影响特征两个方面进行研究，主要研究内容如下：

（1）针对RNN、LSTM等时序分析网络在提取长期依赖关系方面存在不足

的情况，提出了一种基于多尺度卷积的短期电力负荷预测方法。先将负荷数据由

一维形式转换为二维形式，再利用横向卷积和纵向卷积，充分挖掘电力负荷数据

的长期依赖性，最后通过全连接层输出预测结果。通过和其他负荷预测模型进行

对比实验，验证了基于多尺度卷积的短期电力负荷预测方法具有更好的预测效果。

（2）为了表征电力负荷数据的周期性，提出了一种基于三角函数的周期编码

sincos

方式，使用函数和函数对数据进行编码。通过对比实验表明，基于三角函

数的周期编码方式在表征周期性方面优于自然编码和独热编码。考虑到负荷数据

的影响因素较多，针对目前常用的时序分析模型存在特征提取能力差的问题，提

出了一种基于SFTCN-BiLSTM的短期电力负荷预测模型。将TCN网络、注意力

机制和BiLSTM网络融合，先利用TCN对输入的特征变量进行初步信息提取，

同时使用注意力机制强化重要信息影响并减少弱相关信息干扰，然后利用

BiLSTM进一步挖掘特征数据间时序关联，最后通过全连接层输出预测结果。通

过消融实验和对比实验表明基于SFTCN-BiLSTM的短期电力负荷预测模型能更

好地挖掘负荷特征间隐含的长期依赖关系，筛选重要特征，具有更高的稳定性和

预测精度。

（3）将基于多尺度卷积的短期电力负荷预测方法和基于SFTCN-BiLSTM的

短期电力负荷预测模型在两个数据集上进行对比实验，结果表明基于多尺度卷积

的短期电力负荷预测方法在提取长期依赖性方面效果更好，基于SFTCN-BiLSTM

的短期电力负荷预测模型在挖掘特征相关性，筛选重要特征方面效果更好。

关键词：负荷预测，周期编码，多尺度卷积，注意力机制

I

重庆师范大学硕士学位论文英文摘要

ResearchonPowerDataProcessingandShorttermLoad

Forecasting

ABSTRACT

Thepowerindustryisanindispensablepartofmodernsociety,andpowerload

forecastingplaysacrucialroleinthemodernpowersystem.Reasonableload

forecastingcanensurethesafeandstableoperationofthepowersystem,andpromote

stableeconomicdevelopment.Withtheadvancementofmodernscienceand

technology,moreandmoredeeplearningmodelsarebeingappliedinthefieldof

powerloadforecasting.Thisthesisstartsfromtheperspectiveofdeeplearning