基于MATLAB2020b的深度学习框架,提出了一种基于CNN-LSTM的多变量电力负荷预测方法,该方法将历史负荷与气象数据作为输入,输出一天96个时刻负荷值,建模学习特征内部动态变化规律,即多变量输入多输出模型。
同时,针对该模型超参数选择困难的问题,提出利用人工大猩猩部队GTO算法实现该模型超参数的优化选择,(主要优化的超参数是:学习率,训练次数,batchsize,卷积层1的核数量、大小,池化层1的核大小,卷积层2的核数量、大小,池化层2的核大小,lstm层与全连接隐含层的节点数,共11个参数)
深度学习在电力负荷预测中的应用一直备受关注,其中基于CNN-LSTM的多变量电力负荷预测方法在实际应用中得到了广泛的应用。本文基于MATLAB2020b的深度学习框架,提出了一种基于CNN-LSTM的多变量电力负荷预测方法。
该方法将历史负荷与气象数据作为输入,输出一天96个时刻的负荷值。这个模型能够学习特征内部动态变化规律,即多变量输入多输出模型。我们运用该模型来进行电力负荷预测,将能够根据气象数据计算负荷的预测值。具体而言,我们探究了该模型的输入数据和输出结果之间的关系,发现两者之间具有非常强的相关性。
同时,为了解决该模型超参数选择