融合LSTM和SVM的钢铁企业电力负荷短期预测

亓晓燕¹(),刘恒杰¹,侯秋华¹,刘啸宇¹,谭延超¹,王连成^2,*()

1. 国网莱芜供电公司, 山东 济南 271001
2. 山东大学电气工程学院, 山东 济南 250061

收稿日期:2020-12-22出版日期:2021-08-20发布日期:2021-08-18
通讯作者:王连成E-mail:qxy_2001@sina.com;lwang@hisingpower.com
作者简介:亓晓燕(1979—)，女，山东济南人，高级工程师，主要研究方向为电力系统稳定运行与控制. E-mail：qxy_2001@sina.com
基金资助:国网电力公司科技资助项目(5206121700MK)

Short-term load forecasting of iron and steel industry area based on combination model of SVM and LSTM

Xiaoyan QI¹(),Hengjie LIU¹,Qiuhua HOU¹,Xiaoyu LIU¹,Yanchao TAN¹,Liancheng WANG^2,*()

1. Sate Grid Laiwu Power Company, Jinan 271001, Shandong, China
2. School of Electrical Engineering, Shandong University, Jinan 250061, Shandong, China

Received:2020-12-22Online:2021-08-20Published:2021-08-18
Contact:Liancheng WANG E-mail:qxy_2001@sina.com;lwang@hisingpower.com

摘要/Abstract

摘要： 为了解决大型钢铁企业电力用电对地区负荷冲击大, 电力负荷短期预测准确率低的问题, 提出一种融合长短期记忆网络(long short-term memory, LSTM)和支持向量机(support vector machine, SVM)的负荷短期预测算法。对钢铁工业地区负荷特性进行分析, 根据系统负荷的组成部分将负荷细分为冲击性负荷和其他负荷, 采用协方差和皮尔逊算法分别对负荷影响因子进行相关性分析和差异化处理; 选取历史负荷、温度、日期类型、钢价、电价、铁矿石价格6个属性作为负荷预测影响因素, 通过模糊权值逻辑将LSTM和SVM融合, 得到最终负荷预测结果。仿真试验结果表明, 所提出的预测方法相对于单独的LSTM或SVM, 可以更准确地预测钢铁工业地区的短期负荷。


PDF全文下载地址:

http://gxbwk.njournal.sdu.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=2058