基于双向LSTM的用户用电行为识别

为了解决由非技术性损失所造成的用户用电异常问题,本文提出了一种基于双向长短时记忆神经网络(Bi-LSTM)的用户异常用电行为检测方法.该方法首先采用插值法处理用电缺失数据,并通过分位数归一化平滑用电异常行为值的不对称分布性.然后,结合LSTM神经网络单元和双向网络构建Bi-LSTM模型,用于获取用户异常用电行为中的隐含关系.最后,采用交叉熵确定最优参数,从而识别出异常用电用户行为.实验表明,该方法的识别性能显著优于其他模型,并且结合国家电网的实际数据验证了该方法的准确性和稳定性.

基于正交小波和长短期记忆神经网络的用电负荷预测方法

用电负荷数据的波动性和周期性会影响电力负荷预测的准确性,针对此问题,文中提出了一种基于正交小波长短期记忆神经网络(orthogonal wavelet transform-long short-term memory,OWT-LSTM)的用电负荷预测方法。该方法对用电负荷序列进行正交小波分解,消除负荷数据的波动性,然后利用LSTM及其变种神经网络对正交小波分解后的各尺度负荷序列进行建模训练,通过各序列预测结果进行预测重构,获得最终的负荷预测结果。通过用户用电负荷数据集验证表明,该方法的预测性能优于其他模型,具有较高的预测精确性和稳定性。