基于LTC-RNN模型的中长期电力负荷预测方法

摘要

针对中长期电力负荷预测受限于天气、温度、节假日等多重不确定性因素影响而精度不高的难题,本文采用一种基于液体时间常数的递归神经网络,实现了中长期电力负荷的精准预测,为电力系统规划设计奠定较好基础.基于液体时间常数的递归神经网络使用膜积分器改进了神经元的状态方程,并使用半隐式欧拉算法完成对神经元状态迭代更新,解决递归神经网络的自我修正能力弱和易陷入局部最优的问题.本文以天气、温度、节假日等外在影响因素作为网络输入,构建了以递归神经网络为基础架构的中长期电力负荷预测模型,并通过隐藏层的扩展计算获得输入-输出的映射关系,以通过时间的反向传播算法实现对模型的训练,完成对神经网络参数的优化.实验中,以北方某地区的实际电网数据为例,验证该预测方法的准确性与高效性.研究结果发现,基于液体时间常数的递归神经网络对中长期电力负荷的预测准确率可达到95.3%.本模型相较于长短期记忆和连续时间递归神经网络具有更稳定的训练结果与更高的预测准确度.