基于CNN-LSTM分位数回归的母线负荷日前区间预测

基于CNN-LSTM分位数回归的母线负荷日前区间预测
针对部分工业类母线负荷波动较大，传统点预测方法难以准确预测的问题，文中提出一种基于卷积神经网络（CNN）与长短期记忆网络分位数回归（QRLSTM）组合的母线负荷日前区间预测模型。首先，针对工业类负荷功率的高频波动，采用去噪自编码器对历史负荷数据进行降噪处理；然后，利用基于时间分布层封装的一维CNN网络进行负荷特征提取和压缩，以提升整个模型的学习效率；最后，建立含有注意力机制的QRLSTM模型进行特征学习，得到不同分位数下的负荷区间预测结果。对工业类和居民商业类2种典型的220 kV母线负荷进行了负荷日前区间预测测试，并与常规的分位数回归方法进行了对比。结果表明，文中方法获得的预测结果总体上区间覆盖率更大、区间平均宽度和区间累计偏差均更小，预测效果更好。

标题：
基于CNN-LSTM分位数回归的母线负荷日前区间预测
Day-ahead interval prediction of bus load based on CNN-LSTM quantile regression

作者：
唐戈，余一平，秦川，鞠平
TANG Ge, YU Yiping, QIN Chuan, JU Ping

关键词：
母线负荷;日前区间预测;卷积神经网络;长短记忆神经网络分位数回归;注意力机制
bus load;day-ahead interval prediction;convolutional neural network;quantile regression long short-term memory;attention mechanism

2025-1-23 19:48 上传 基于CNN-LSTM分位数回归的母线负荷日前区间预测.pdf

文件大小:

5.13 MB

下载次数:

60

高速下载