%0 Journal Article
%T 基于CNN-LSTM混合神经网络模型的短期负荷预测方法
%A 张琪培
%A 彭晖
%A 杨志宏
%A 涂孟夫
%A 陆继翔
%A 陆进军
%J 电力系统自动化
%D 2019
%X 为了更好地挖掘海量数据中蕴含的有效信息，提高短期负荷预测精度，针对负荷数据时序性和非线性的特点，提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法，将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入，先采用CNN提取特征向量，将特征向量以时序序列方式构造并作为 LSTM网络输入数据，再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验，实验结果表明，文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度
%K 短期负荷预测
%K 卷积神经网络
%K 长短期记忆网络
%K 卷积神经网络-长短期记忆网络混合模型
%K short-term load forecasting
%K convolutional neural network(CNN)
%K long short-term memory(LSTM)network
%K a hybrid model of CNN-LSTM network
%U http://www.aeps-info.com/aeps/article/abstract/20181012004?st=article_issue