基于混合卷积神经网络的多特征负荷预测方法研究

针对负荷预测任务中准确性、稳定性和环境因素适应性的挑战,提出了一种基于混合卷积神经网络的电力负荷短期预测方法。提出了基于一维卷积神经网络(1D convolutional neural network,1D-CNN)的多尺度特征融合方法,通过融合不同尺度的特征来捕捉负荷变化的趋势,提高了对负荷突变和复杂模式的识别能力;针对多种环境特征因素对电负荷影响的问题,设计了基于2D-CNN的多特征因素学习方法,提高了模型对环境因素与负荷间复杂关系的建模能力;构建了混合网络模型,通过对1D-CNN和2D-CNN的特征信息进行深度特征融合和信息传播,实现了有效关联时空特征的综合性负荷预测方法。开展了具体算例分析研究,通过分析参数优化和融合学习对模型精度和效率的影响,并与经典模型进行对比,结果显示所提模型的均方根误差(root mean squared error,RMSE)为36.3,平均绝对误差(mean absolute error,MAE)为5.34,平均绝对百分比误差(mean absolute percentage error,MAPE)为1.02%,有效提高了负荷预测的准确性和鲁棒性。