ElectricalAutomation《电气自动化》2023年第45卷第1期电动汽车技术ElectricVehicleTechnology基于改进长短期记忆网络的电力负荷预测研究王兆辉1，康之增1，陈曦2，郝保中3，张瑜4，孙亮亮4(1．国网河北省电力有限公司，河北石家庄050021;2．国网河北省电力有限公司信息通信分公司，河北石家庄050021;3．国家电网有限公司大数据中心，北京100052;4．国网信息通信产业集团有限公司，北京100052)摘要:针对用户用能分析中电力负荷预测模型的变量冗余和收敛困难问题，提出一种基于改进长短期记忆网络(longshort-termmem-ory，LSTM)的短期负荷预测模型。首先利用FP-tree对复杂的负荷数据和气象数据进行分析，筛选负荷强关联因素，构建出训练数据集;其次建立LSTM负荷预测模型，并使用关联性分析得到的强关联因素训练负荷预测模型;最后，选取美国Homestead地区的历史数据进行仿真分析。通过对比遗传算法优化反向传递神经网络算法和鲁棒性损失函数的人工神经网络型的预测结果，预测模型的精度和稳定性满足要求，在实际中具有一定的应用价值。关键词:负荷预测;关联性分析;FP-tree算法;长短期记忆网络;数据挖掘DOI:10．3969/j．issn．1000－3886．2023．01．004［中图分类号］TM714［文献标志码］A［文章编号］1000－3886(2023)01－0014－04ＲesearchonPowerLoadForecastingBasedonImprovedLongShort-termMemoryNetworkWangZhaohui1，KangZhizeng1，ChenXi2，HaoBaozhong3，ZhangYu4，SunLiangliang4(1．StateGridHebeiElectricPowerCo．，Ltd．，ShijiazhuangHebei050021，China;2．HebeiInformation＆TelecommunicationBranch，StateGridHebeiElectricPowerCo．，Ltd．，ShijiazhuangHebei050021，China;3．BigDataCenter，StateGridCorporationofChina，Beijing100052，China;4．StateGridInformation＆TelecommunicationGroupCo．，Ltd．，Beijing100052，China)Abstract:Aimingattheproblemofvariableredundancyandconvergencedifficultiesofpowerloadforecastingmodelsinuserenergyconsumptionanalysis，ashort-termloadforecastingmodelbasedonimprovedlongshort-termmemory(LSTM)wasproposed．Firstly，theFP-treewasusedtoanalyzethecomplexloaddataandmeteorologicaldata，screenthefactorswithstrongloadcorrelation，andconstructthetrainingdataset;Secondly，theLSTMloadforecastingmodelwasestablished，andthestrongcorrelationfactorsobtain...
