Resumen

La previsión de la carga a corto plazo (STLF) desempeña un papel muy importante en la mejora de la economía y la estabilidad del funcionamiento del sistema eléctrico. Con los contadores inteligentes y los sensores inteligentes ampliamente desplegados en el sistema eléctrico, se ha generado una gran cantidad de datos que no se han utilizado plenamente. Estos datos son complejos y diversos, y la mayoría de los métodos STLF no pueden manejar bien datos tan enormes, complejos y diversos. Para mejorar la precisión de STLF, se propuso un modelo de red neuronal híbrida GRU-CNN que combina la unidad recurrente cerrada (GRU) y las redes neuronales convolucionales (CNN); el vector de características de los datos de secuencia temporal se extrae mediante el módulo GRU, y el vector de características de otros datos de alta dimensión se extrae mediante el módulo CNN. El modelo propuesto se probó en un experimento real, y el error medio porcentual absoluto (MAPE) y el error cuadrático medio (RMSE) del modelo GRU-CNN son los más bajos entre los métodos de previsión BPNN, GRU y CNN; el modelo GRU-CNN propuesto puede utilizar los datos de forma más completa y lograr una previsión de carga a corto plazo más precisa.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:gru, datos, modelo cnn, vector de características, modelo de red neuronal híbrida, error medio porcentual absoluto, métodos de previsión cnn, redes neuronales convolucionales, unidad recurrente cerrada, funcionamiento del sistema eléctrico
• Keywords:gru, data, cnn model, feature vector, hybrid neural network model, mean absolute percentage error, cnn forecasting methods, convolutional neural networks, gated recurrent unit, power system operation