其他
【精彩论文】基于多负荷特征和TCN-GRU神经网络的负荷预测
观点凝练
摘要：传统负荷预测未深入考虑负荷序列对模型预测精度的影响。为提高预测精度，提出了多负荷特征组合(multi-load feature combination, MLFC)，并结合时间卷积网络(temporal convolution network，TCN)和门控循环单元(gated recurrent unit，GRU)构建了负荷预测框架。首先，引入负荷变化率特征和基于集合经验模态分解的负荷分量特征，并与负荷、日期特征构成MLFC；其次，选取TCN和GRU进行特征提取和预测，基于MLFC搭建MLFC-TCN-GRU预测框架；最后，采用不同模型验证所提方法。结果表明：MLFC有助于预测精度提升，且适用于不同模型。同时，MLFC-TCN-GRU相较于其他模型有着较高预测精度。
结论：为提升负荷预测精度，提出了一种多负荷特征组合MLFC，并基于此搭建了MLFC-TCN-GRU负荷预测框架。通过选取不同预测模型作为对比模型，验证了所提MLFC和MLFC-TCN-GRU的有效性和适应性，并得到结论：(1) 与未应用MLFC的模型相比，应用MLFC的模型的RMSE、MAE和MAPE均有一定程度的降低，表明MLFC有助于预测精度提升，且适用于多个不同模型；(2) 与MLFC-TCN等模型相比，MLFC-TCN-GRU的RMSE降低范围为2.39%~10.69%，MAE降低范围为3.51%~8.39%，MAPE降低范围为3.23%~8.48%，从而验证了所提方法的有效性。
引文信息
郑豪丰, 杨国华, 康文军, 等. 基于多负荷特征和TCN-GRU神经网络的负荷预测[J]. 中国电力, 2022, 55(11): 142-148.ZHENG Haofeng, YANG Guohua, KANG Wenjun, et al. Load forecasting based on multiple load features and TCN-GRU neural network[J]. Electric Power, 2022, 55(11): 142-148.往期回顾
审核：方彤
根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。