基于集群辨识和卷积神经网络-双向长短期记忆-时序模式注意力机制的区域级短期负荷预测

摘要

为了解决区域级短期电力负荷预测时输入特征过多和负荷时序性较强的问题，提出一种基于集群辨识和卷积神经网络(convolutional neural networks,CNN)-双向长短期记忆网络(bi-directionallongshort-termmemory,BiLSTM)-时序模式注意力机制(temporal pattern attention,TPA)的预测方法。首先，将用电模式和天气作为影响因素，基于二阶聚类算法对区域内的负荷节点进行集群辨识，再从每个集群中挑选代表特征作为深度学习模型的输入，这样既能减少输入特征维度，降低计算复杂度，又能综合考虑预测区域的整体特征，提升预测精度。然后，针对区域电力负荷时序性的特点，用CNN-BiLSTM-TPA模型完成训练和预测，该模型能提取输入数据的双向信息生成隐状态矩阵，并对隐状态矩阵的重要特征加权，从多时间步上捕获双向时序信息用于预测。最后，在美国加利福尼亚州实例上分析验证了所提方法的有效性。

关键词

短期电力负荷预测 / 双向长短期记忆网络 / 时序模式注意力机制 / 集群辨识 / 卷积神经网络