基于双时间序列神经网络的短期电网负荷预测

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (32): 218-220.

基于双时间序列神经网络的短期电网负荷预测

林辉¹,郝志峰²,蔡瑞初²

1．广电集团公司惠州供电分公司,广东惠州 516000
2．华南理工大学计算机科学与工程学院,广州 510640

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-11-11 发布日期:2007-11-11
通讯作者: 林辉

Short-term load forecasting based on twi-time-series neural network model

LIN Hui¹,HAO Zhi-feng²,CAI Rui-chu²

1.Guangdong Power Grid Group Co.Ltd.Huizhou Power supply Branch,Huizhou,Guangdong 516000,China
2.School of Compute Sciences and Engineering,South China University of Technology,Guangzhou 510640,China

Received:1900-01-01 Revised:1900-01-01 Online:2007-11-11 Published:2007-11-11
Contact: LIN Hui

摘要/Abstract

摘要： 短期电网负荷预测是电网安全运行和经济调度的基础。现有预测方法存在对节假日预测不准确,不利于系统化等问题。根据短期负荷周期性变化的特点,创造性地提出双时间序列神经网络模型。同时为了克服实际温度数据缺失问题,提出一种新的温度量化方法。在广东省某地区的实际应用表明,该方法对于普通日和特殊日都取得了有较好的预测精度。

关键词: 神经网络, 时间序列, 短期负荷预测

Abstract: Short-term load forecasting is an important procedure for safe and economical running of the power-grid.The low forecasting accuracy and complicated structure are the main disadvantages of the existed method.After analyzing of the periodic variety of the short-term load,a novel twi-time-series neural network model is proposed.A new preprocessing procedure is also used to handle the missing value of the temperature data.The application of this model in a city of Guangdong province shows that it can obtain high forecasting accuracy both in normal and special days.

Key words: neural network, time series, short-term load-forecasting

林辉¹,郝志峰²,蔡瑞初². 基于双时间序列神经网络的短期电网负荷预测[J]. 计算机工程与应用, 2007, 43(32): 218-220.

LIN Hui¹,HAO Zhi-feng²,CAI Rui-chu². Short-term load forecasting based on twi-time-series neural network model[J]. Computer Engineering and Applications, 2007, 43(32): 218-220.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[4]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[5]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[6]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[7]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[8]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[9]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[12]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[13]	翟正利，李鹏辉，冯舒. 图对抗攻击研究综述[J]. 计算机工程与应用, 2021, 57(7): 14-21.
[14]	祝钧桃，姚光乐，张葛祥，李军，杨强，王胜，叶绍泽. 深度神经网络的小样本学习综述[J]. 计算机工程与应用, 2021, 57(7): 22-33.
[15]	梁芳烜，杨锋，卢丽云，尹梦晓. 基于卷积神经网络的脑肿瘤分割方法综述[J]. 计算机工程与应用, 2021, 57(7): 34-43.