1752021 年 1 月第40卷第1期电力工程枝*Electric Power Engineering Technology D01:10.12158/j.2096-3203.2021.01.025基于LSTM 循环神经网络的短期电力负荷预测庞传军张波余建明T(1.南瑞集团(国网电力科学研究院)有限公司，江苏南京211106；2.北京科东电力控制系统有限责任公司，北京100192)摘要：为了保障电网安全稳定和电力市场高效运行，电网调度人员和电力市场参与者对电力负荷预测准确度提出了更高要求，分布式电源和间歇性负荷是影响负荷精准预测的关键因素。
针对传统负荷预测方法无法同时对负 荷本身变化规律及其彩响因素进行建模的问题，提出基于长短期记忆单元(LSTM)的负荷预测方法。
利用具备时序记忆功能的LSTM 构建深度循环神经网络(RNN),综合考虑历史负荷和各类负荷影响因素建立负荷预测模型。
该方法利用神经网络的特征提取能力和LSTM 的时序记忆能力，能在更长的历史时间范围内辨识负荷内在变化规律及各类影响因素对负荷的非线性影响。
基于实际负荷数据对不同历史时间窗口、不同网络架构的负荷预测性能 进行验证，并与其他负荷预测算法进行比较，结果表明所提方法能有效提升负荷预测准确性。
关键词：电力系统；负荷预测；长短期记忆单元(LSTM)；循环神经网络(RNN)；机器学习中图分类号:TM910.6 文献标志码:A 文章编号:2096-3203 ( 2021) 01-0175-060引言电力系统负荷预测可对未来一段时间的电力 需求进行估计，从而根据负荷预测结果安排未来一段时间的机组组合计划、发电计划、联络线交换计 划,组织电力现货交易。
因此，准确的负荷预测是 实现电力系统安全、经济运行的基础⑴O电力系统负荷受天气、节假日、特殊事件等因 素的影响,负荷变化随机性较大UT ］。
分布式电源的接入和电动汽车的广泛应用进一步加大了负荷 的随机性和波动性"T ，增加了负荷精准预测难度。
8《电气卄矣》(2019.No.1)文章编号：1004-289X(2019)01-0008-04一种基于自适应神经模糊推理系统的短期负荷预测方法鲍伟强I,陈娟2,谢伟-熊涛3(1・国网南平供电公司，福建南平353000；2.国网南平市延平区供电公司，福建南平353000；3.武汉工程大学电气信息学院，湖北武汉430205)摘要：随着智能电网技术的发展，电网问题的管理变得尤为重要，负荷预测是电网管理的主要内容之一。
本文针对小区域范围内电力系统负荷预测问题，提出了一种基于自适应神经模糊推理(ANFIS)方法，在每小时测量和记录电力负荷数据的基础上，利用提出的ANFIS模型进行了负荷预测。
在所提的ANFIS模型中，只需要确定历史负荷参数,模型中的其他参数可由历史负荷参数计算得到。
将实际负荷及其对时间的一阶导数、时间信息作为ANFIS模型的输入，预测下一个小时的负荷需求。
采用均方根误差、标准均方根误差和平均偏差误差作为模型评价指标。
实验结果表明，该方法适用于小区域的负荷预测。
关键词：电力系统；负载预测；神经网络;模糊推理系统；自适应学习中图分类号:TM715文献标识码：BShort-term Load Forecasting Approach Using Adaptive Neuro-fiizzy Inference SystemBAO Wei-qiang],CHEN Juan2,XIE Wei,XIONG Tao2,(1.State Grid Nanping Electric Power Supply Company,Nanping353000,China；2・State Grid Yanping District Electric Power Supply Company,Nanping353000,China；3・School of Electrical and Information Engineering,Wuhan Institute of Technology,Wuhan430205,China)Abstract:By developments on smart grid technologies,the management of the grid issue get more importance.Load forecasting is one of the most important topics for managing the grid.A novel Adaptive Neuro-Fuzzy Inference System (ANFIS)based load forecasting approach for small regions is proposed in this paper.Measured and recorded hourly load demand is predicted using proposed ANFIS based model.In proposed forecasting model,only consumption parameter is required.The other parameters are calculated from this parameter.In this scope,first order derivative of the consumption, actual consumption,month and hour parameters are used as the inputs of ANFIS model to forecast next hour load demand.The experimental results show that the proposed approach is well in load forecasting for small regions.Key Words:electric power system；load forecasting；neural network；fuzzy inference system；adaptive learning1引言电力系统是一个国家发展水平的重要指标之一,智能电网技术允许不同发电形式的电源参与电网，其负载需求也不断变化。
基于模糊逻辑和神经网络的电力负荷预测
王楠;刘晨光;马立肖;赵占芳
【期刊名称】《微计算机信息》
【年(卷),期】2007(023)004
【摘 要】设计并实现了神经网络和模糊逻辑相结合的综合预测模型进行短期电力
负荷预测.由神经网络和模糊逻辑分别对基本负荷和受天气、节假日影响的负荷进
行预测,使其在天气突变等情况下也能达到较高的预测精度.采用此模型对石家庄电
力系统负荷进行预测分析,取得了令人满意的结果.
【总页数】3页(P313-314,266)
【作 者】王楠;刘晨光;马立肖;赵占芳
【作者单位】050031,石家庄,石家庄经济学院信息工程学院基础教研室;050016,河
北石家庄,河北师范大学信息技术学院;050031,河北石家庄,石家庄经济学院信息工
程学院;050031,河北石家庄,石家庄经济学院信息工程学院
【正文语种】中 文
【中图分类】TM715;TP39
【相关文献】
1.基于区间二型模糊逻辑的电力负荷预测研究 [J], 郑高;肖建
2.基于模糊逻辑和神经网络的短期电力负荷预测 [J], 王楠;杨奎河
3.基于模糊逻辑和神经网络的电力负荷预测 [J], 王楠;刘晨光;马立肖;赵占芳
4.一种基于模糊逻辑和神经网络的电力负荷预测方法 [J], 刘秀玉;刘峤;王晛;张少
华
5.基于模糊逻辑的电力推进船舶电力负荷预测 [J], 郑高; 陈思良
因版权原因，仅展示原文概要，查看原文内容请购买
电力系统中的电力负荷预测模型研究与应用概述电力负荷预测是电力系统运行和规划中至关重要的一项工作，它能够对未来一段时间内的电力负荷进行准确的预测，为电力系统的运行调度、设备运行状态监测、能源调配和规划提供依据。
随着电力系统规模的不断扩大和电力负荷的快速增长，电力负荷预测模型的研究和应用日益重要。
本文将探讨电力系统中的电力负荷预测模型的研究和应用现状，并提出一种基于深度学习模型的电力负荷预测方法。
一、电力负荷预测模型研究现状1. 统计模型统计模型在电力负荷预测中得到了广泛应用，其中最常用的是时间序列模型，如ARIMA模型和SARIMA模型。
这些模型通过分析历史负荷数据的趋势、季节性和周期性等特征来预测未来的电力负荷。
然而，统计模型通常只能考虑到负荷数据的线性关系，而忽视了非线性的影响。
2. 人工神经网络模型人工神经网络模型是一种模仿生物神经网络结构和功能的计算模型，它可以通过训练样本来学习负荷数据之间的复杂非线性关系。
常用的人工神经网络模型包括多层感知机（MLP）和循环神经网络（RNN），它们在电力负荷预测中取得了一定的成功。
然而，传统的人工神经网络模型在处理长期依赖和序列数据时存在一定的缺陷。
3. 深度学习模型深度学习模型是一种新兴的人工智能技术，它通过多个神经网络层次的组合来学习负荷数据之间的高级抽象特征。
目前，深度学习模型在电力负荷预测中取得了令人瞩目的成果，特别是基于长短期记忆网络（LSTM）的模型。
LSTM模型能够有效地捕捉负荷数据之间的长期依赖关系，并具有较好的预测性能。
二、基于深度学习模型的电力负荷预测方法为了提高电力负荷预测的准确性和可靠性，本文提出一种基于深度学习模型的电力负荷预测方法，具体步骤如下：1. 数据预处理首先，需对原始负荷数据进行预处理，包括数据清洗、异常值处理和数据归一化等。
清洗后的数据有利于提高模型的训练效果和预测准确性。
2. 特征提取为了提高模型的预测能力，需要对负荷数据进行特征提取。
