Previsão de carga de modelo híbrido de aprendizado profundo considerando o efeito da temperatura acumulada

Considerando a natureza não linear, a multidimensionalidade e a série temporal dos dados de carga, é proposta um método de previsão de carga de potência de curto prazo baseado em um modelo híbrido de aprendizado profundo TCN-DNN. Primeiramente, considerando os fatores influentes comuns da carga de curto prazo e analisando a correlação, é estabelecido o modelo quantitativo da variável temperatura considerando o efeito da temperatura acumulada. Em segundo lugar, com base no aprendizado profundo, os fatores que influenciam a carga são classificados e processados; para estudar a dinâmica interna dos dados, a Rede Neural Temporal Convolucional (TCN) é utilizada para extrair e construir o vetor de características em série temporal; As saídas se integram com fatores de dados não temporais (tipo data) em novas características de entrada. Finalmente, a relação interna entre as características e as mudanças de carga é analisada como um todo pela Rede Neural Profunda (DNN), e a previsão de carga é finalmente concluída. Tomando os dados de carga reais da rede elétrica em uma determinada área do Leste da China como exemplo prático, a precisão da previsão do método proposto é de 97,92%. O método proposto é comparado com Memória de Longo e Curto Prazo (LSTM), TCN, DNN e o modelo híbrido TCN-DNN sem correção de temperatura, os resultados experimentais mostram que o método proposto possui maior eficiência de otimização e precisão de previsão.