【精彩论文】基于多分支门控残差卷积神经网络的短期电力负荷预测

观点凝练

摘要：短期电力负荷预测是电力部门进行电网规划和运行调度的重要工作之一，针对负荷数据的时序性特征，为提升电力负荷预测精度，建立了一种基于多分支门控残差卷积神经网络(residual gated convolutional neural network，RGCNN)的短期电力负荷预测模型。该模型首先采用多分支门控残差卷积神经网络对历史负荷的周周期特征、日周期特征、近邻特征进行深度特征提取；其次为增加模型的非线性拟合能力，采用注意力机制对权重进一步合理分配；最后通过归一化指数函数计算后输出负荷预测结果。使用2016年某电力竞赛数据进行实验，通过与4种常用模型对比，该模型预测结果的平均绝对百分误差（MAPE）评价指标下降了0.02%~0.70%，验证了该模型提高负荷预测精度的有效性。
结论：本文在新型电力系统背景下，在大量历史负荷数据的支持下，为解决负荷侧预测能力不足的问题，提出了一种基于多分支门控残差卷积神经网络的短期电力负荷预测模型。

（1）本文主要创新点在于充分利用时序数据的长短时依赖特征，将历史负荷数据按照长时间的周周期、日周期以及短时间的近邻周期进行特征提取，将深度神经网络理论中特征提取的优势应用于电力负荷预测中，能够深度挖掘数据提供的特征，减小噪声对预测的影响，提高预测精度。

（2）模型部分将LSTM中的优势部分即门控机制与CNN相结合，发挥了门控卷积在负荷预测中的优越性，同时降低了模型的复杂程度。模型带有注意力机制，可以进一步合理地分配权重，提高预测精度。

（3）通过实验将基于多分支RGCNN模型的预测结果与基于单支RGCNN模型的预测结果进行对比，为进一步验证多分支神经网络的优势，还将基于多分支与单支的DNN、DCN、RNN、LSTM预测结果分别进行对比；为验证RGCNN的特征提取优势，将基于多分支的RGCNN模型预测结果与基于多分支的DNN、DCN、RNN、LSTM模型预测结果进行对比，结果表明本文提出的多分支RGCNN模型具有更高的精确度。

在新型电力系统飞速发展的大背景下，引起电力负荷波动的其他影响因素数据可以更加精细化收集提供，未来可以将气温、电价等负荷影响因素引入模型中继续进行研究。

引文信息

樊江川, 于昊正, 刘慧婷, 等. 基于多分支门控残差卷积神经网络的短期电力负荷预测[J]. 中国电力, 2022, 55(11): 155-162, 174.FAN Jiangchuan, YU Haozheng, LIU Huiting, et al. Short-term load forecasting based on multi-branch residual gated convolution neural network[J]. Electric Power, 2022, 55(11): 155-162, 174.

欢迎点击文后“阅读原文”跳转期刊官网，获取更多信息！

 往期回顾 

编辑：于静茹

校对：张重实

审核：方彤

声明

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。