基于时间序列嵌入的电力负荷预测方法

电力负荷预测是电网规划、运行、节能管理的重要基础,较高的波动性和不确定性的个体层级的电力负荷预测是一个难点问题。根据电力负荷固有的周期特性,提出一种将电力时间序列嵌入向量空间的模型——周期自动编码器PAE(Periodic Autoencoder)。通过聚合来减低电力负荷序列的不确定性和波动性;在嵌入空间中采用多种深度神经网络模型作为预测器,实现个体层级的电力负荷的准确预测。实验结果表明,PAE生成的电力时间序列嵌入能够捕捉电力负荷固有的周期特性,有效地降低其波动性和不确定。与传统方法相比,该电力负荷预测方法具有更高的预测精度。