论文部分内容阅读
针对现有电力负荷预测方法精度比较低的问题，该文提出一种改进深度神经网络的短期电力负荷预测模型。首先通过长短时记忆网络（Long Short-Term Memory,LSTM）对不同类型的日历史用电量数据进行时间序列预测，然后通过前馈神经网络（Forward Feedback Neural Network,FFNN）以及一个热编码形状表示的附加信息来提高预测性能。最后采用均方根误差（Root Mean Square Error,RMSE）评估预测模型性能。仿真结果表明，与原始LSTM模型和平均基线的短期电力负荷预测模型相比，LSTM-FFNN预测模型识别精度更高。