摘要: 针对在短期电力负荷预测中, 当某区域电力负荷数据较少时, 负荷预测精度较差的问题, 提出一种基于1DCNN-LSTM(1D Convolutional Neural-Long Short-Term Memory Networks) 和参数迁移的短期负荷预测方法, 并采用1DCNN-LSTM 结合迁移学习针对性提高预测精度。 使用美国某地区的实际负荷数据进行仿真分析, 实验结果表明, 该方法能有效提升区域电力负荷数据缺失时负荷预测的精度。
中图分类号:
姜建国, 万成德, 陈 鹏, 郭晓丽, 佟麟阁. 基于 1DCNN-LSTM 和迁移学习的短期电力负荷预测[J]. 吉林大学学报(信息科学版), 2023, 41(1): 124-130.
JIANG Jianguo, WAN Chengde, CHEN Peng, GUO Xiaoli, TONG Linge. Short-Term Power Load Prediction Based on 1DCNN-LSTM and Transfer Learning[J]. Journal of Jilin University (Information Science Edition), 2023, 41(1): 124-130.