Avec la forte pénétration de l'intégration des énergies renouvelables et la participation massive des utilisateurs sur les marchés de l'électricité, les méthodes traditionnelles de prévision de charge à court terme présentent des limites tant en termes d'adaptabilité qu'en précision de prédiction. Il est urgent d'explorer des modèles de prévision qui s'adaptent mieux aux caractéristiques des nouveaux systèmes énergétiques afin de garantir l'exactitude des résultats de prévision de charge. Pour résoudre des problèmes tels que les dimensions élevées des caractéristiques et les corrélations faibles dans les données historiques, et pour exploiter pleinement les dépendances temporelles dans les données de charge, cet article propose une méthode de prévision de la charge électrique à court terme basée sur un modèle de réseau de neurones à convolution et mémoire à long terme (CNN-LSTM) optimisé par Bayesian. En utilisant des données de charge industrielle et agricole typiques d'une région de la province du Qinghai comme données d'entraînement, les résultats expérimentaux montrent que le modèle de prévision hybride atteint une performance supérieure par rapport aux algorithmes LSTM et CNN-LSTM autonomes.
A Thu, une étude a examiné cette question.