|
|||||
|
|
| 基于CNN-PSO-DBN的短期电力负荷预测 | |
| 作者姓名： | 方娜 陈浩 李新新 邓心 |
| 作者单位： | 1. 湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室;2. 湖北工业大学湖北省电网智能控制与装备工程技术研究中心 |
| 基金项目： | 国家自然科学基金青年科学基金项目(51809097);;湖北省教育厅科学技术研究计划指导性项目(B2018044); |
| 摘 要： | 电力负荷参数受多维因素影响,为提高短期电力负荷预测精度,提出一种基于特征参数筛选的卷积神经网络(Convolutional Neural Network, CNN)和深度信念网络(Deep Belief Network, DBN)结合的负荷预测模型。首先通过对多维输入参数进行优化筛选,利用CNN进行特征提取,将提取的特征向量输入到DBN网络中进行训练,得出预测结果。由于DBN网络权值的随机初始化,采用粒子群优化(Particle Swarm Optimization, PSO)算法迭代求解权重最优值。仿真结果表明,上述方法较于其它网络模型具有更好的预测性能。 |
| 关 键 词： | 特征筛选 卷积神经网络 粒子群优化算法 深度信念网络 负荷预测 |