21、基于深度神经网络的短期负荷预测模型对比分析

基于深度神经网络的短期负荷预测模型对比分析

1. 模型概述与应用

在短期负荷预测（STLF）领域，GRU模型展现出了良好的应用前景。有研究开发了基于GRU的住宅短期负荷预测模型，并将其与LSTM和RNN模型进行对比，证明了GRU在STLF中的有效性，且该模型的超参数可通过遗传算法轻松优化，即便在复杂场景下也能有较好表现。

此外，还有混合模型，它将CNN与LSTM或GRU相结合，利用它们各自的独特能力来解决复杂问题。这种架构中，CNN用于特征提取，LSTM或GRU网络则用于处理提取的特征，在STLF中能取得更好的效果。

2. 实验方法与数据

为了找到适合实现下一小时STLF的架构，本次研究考虑了六种深度神经网络（DNN）模型，并进行了实证分析。实验在Google Colaboratory上运行，所有DNN模型均使用TensorFlow - Keras包实现，采用了三个公开的基准数据集进行模型的对比分析：
- 马来西亚数据集 ：是从2009年1月1日至2010年12月31日收集的每小时索引的电力负荷和温度数据。
- 得土安数据集 ：是摩洛哥北部得土安市三个配电网的每10分钟间隔的天气和电力消耗数据，经过重采样生成每小时间隔序列，并将三个电力消耗数据聚合得到目标负荷。
- 美国电力公司（AEP）数据集 ：包含来自美国PJM互联电力公司五个变电站的每小时间隔数据，有121273行和两列（时间和以兆瓦表示的负荷值）。

3. 数据预处理

数据预处理是关键步骤，包括将原始数据转换为适合