基于特征优选策略和DLSTMs-FCN优化的短期负荷预测

针对当前基于长短期记忆网络的短期负荷预测模型存在特征冗余、重要信息丢失等问题，提出一种基于特征优选策略和DLSTMs FCN并联优化结构的短期负荷预测方法。首先利用基于极限梯度提升的特征优选策略构造负荷预测模型中的输入特征最优集，减少冗余信息，加快模型拟合；而后利用DLSTMs提取负荷数据的时序特征，并辅以FCN的多维卷积运算及结构特征提取的高分辨率信息，增强对输入数据重要特征的学习和记忆，进而并联构成高效准确的短期负荷预测模型。实验结果表明，本文优化方法相较于ALSTMs和CNN LSTMs预测误差分别降低了6%和4%，预测误差波动分别降低了47%和48%。