一种利用多任务学习的短期住宅负荷预测方案

王玉峰¹, 肖灿彬¹, 陈焱², 金群³

1. 南京邮电大学 通信与信息工程学院, 南京 210003;
2. 国家能源集团江苏电力有限公司, 南京 210014;
3. 早稻田大学 人间科学部, 埼玉 359-1192

收稿日期:2020-10-05发布日期:2021-06-23
通讯作者:王玉峰(1974-),男,教授,E-mail:wfwang@njupt.edu.cn.E-mail:wfwang@njupt.edu.cn
作者简介:肖灿彬(1997-),男,硕士生.
基金资助:国家自然科学基金项目（61801240）；江苏省教育厅中青年学术带头人项目（QL00219001）

An Short-Term Residential Load Forecasting Scheme Using Multi-Task Learning

WANG Yu-feng¹, XIAO Can-bin¹, CHEN Yan², JIN Qun³

1. College of Telecommunications and Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210003, China;
2. State Energy Group Jiangsu Electric Power Company Limited, Nanjing 210004, China;
3. Faculty of Human Sciences, Waseda University, Saitama 359-1192, Japan

Received:2020-10-05Published:2021-06-23

摘要/Abstract

摘要： 作为信息物理社会系统的一种具体形式，智能电网中的负荷预测，尤其是单个电力客户的短期负荷预测，在智能电力系统的规划和运营中将扮演越来越重要的角色.考虑到同一住宅小区用户之间的负荷行为的相似性，受多任务学习的启发，提出了一种基于多任务学习的有效住宅负荷预测方案.首先，利用K-means聚类技术和皮尔逊相关系数挑选出2个相似用户，进而将2个用户的负荷数据合并输入，并将双向长短时记忆网络作为共享层全面捕获2个用户数据之间的关系，然后送入2个全连接的任务相关的输出层.在真实的数据集上，将所提方案与几种典型的负荷预测方案进行全面比较.实验结果表明，与已有的深度学习预测方案相比，提出的多任务负荷预测方案提高了预测准确程度.
中图分类号:
TP393

引用本文

王玉峰, 肖灿彬, 陈焱, 金群. 一种利用多任务学习的短期住宅负荷预测方案[J]. 北京邮电大学学报, 2021, 44(3): 47-52.
WANG Yu-feng, XIAO Can-bin, CHEN Yan, JIN Qun. An Short-Term Residential Load Forecasting Scheme Using Multi-Task Learning[J]. Journal of Beijing University of Posts and Telecommunications, 2021, 44(3): 47-52.





PDF全文下载地址:

https://journal.bupt.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4791