摘 要:基于组合预测方法的研究思路,在 LSTM 神经网络的基础上,引入强化学习思想,采用简化的 Inception 网络结构,构造成隐藏状态矩阵,实现 LSTM 网络的改进与优化,并据此构建短期电力负荷预测模型。实验结果表明,与 DBN、RBF等网络模型相比,基于强化学习的改进 LSTM 网络模型可更好地捕捉依赖信息,具有更高的短期负荷预测准确性。
关键词:短期电力负荷;深度学习网络;LSTM 网络;强化学习
DOI:10.19850/j.cnki.2096-4706.2021.23.011
中图分类号:TP18 文献标识码:A 文章编号:2096-4706(2021)23-0040-04
Research on Short-term Power Load Forecasting Algorithm Based on LSTM
LIU Haifeng1 , WANG Yanru2
(1.Big Data Center of State Grid Corporation of China, Beijing 100053, China; 2.Beijing Fibrlink Communications Co., Ltd., State Grid Information & Telecommunication Group Co., Ltd., Beijing 100052, China)
Abstract: Based on the research idea of combined forecasting method, on the basis of LSTM neural network, the reinforcement learning idea is introduced, the simplified Inception network structure is adopted to construct a hidden state matrix, so as to improve and optimize the LSTM network, and a short-term power load forecasting model is constructed based on it. The experimental results show that compared with DBN, RBF and other network models, the improved LSTM network model based on reinforcement learning can better capture the dependency information and has higher accuracy of short-term load forecasting.
Keywords: short-term power load; deep learning network; LSTM network; reinforcement learning
参考文献:
[1] 廖旎焕,胡智宏,马莹莹等 . 电力系统短期负荷预测方法综述 [J]. 电力系统保护与控制,2011,39(1):147-152.
[2] 夏博,杨超,李冲 . 电力系统短期负荷预测方法研究综述 [J]. 电力大数据,2018,21(7):22-28.
[3] 张文哲,陈刚 . 电力市场下负荷预测综述 [J]. 渝西学院学报(自然科学版),2003(3):71-74.
[4] 黎华盛,王宇,黎军 . 基于灰色理论的 GM(1,1)模型对配电网进行中长期负荷预测 [J]. 通讯世界,2017(18):218-219.
[5] 张静,石鑫 . 基于改进 MOPSO-BP 算法的短期电力负荷预测研究 [J]. 电力学报,2019,34(6):556-563.
[6] 张旭东,钱仲文,沈思琪,等 . 一种基于 LSTM 与 LGBM 的电力负荷预测算法 [J]. 系统工程,2019,37(1):152-158.
作者简介:刘海峰(1983.04—),男,汉族,陕西榆林人,工程师,硕士研究生,研究方向:电力大数据开发及研究;王艳如 (1987.09—),男,汉族,山东成武人,工程师,硕士研究生, 研究方向:用电负荷预测及应用。