ARTICLE

Volume 3,Issue 9

Cite this article
18
Citations
34
Views
14 May 2026

电子信息监测场景下格拉姆角场残差DNN 短时用电量智能预测系统设计

文凤 任1
Show Less
1 燕京理工学院, 中国
TACS 2026 , 3(9), 50–52; https://doi.org/10.61369/TACS.2026090018
© 2026 by the Author(s). Licensee Art and Technology, USA. This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution -Noncommercial 4.0 International License (CC BY-NC 4.0) ( https://creativecommons.org/licenses/by-nc/4.0/ )
Abstract

我国电网用户类型具有多样性,用电需求复杂多变,使得传统方法预测的短时用电量缺乏准确性。对此,本文提出以格拉姆角场(GAF)和残差深度神经网络(Res-DNN)为基础的短时用电量智能预测方案。初始阶段由电子信息监测装置取得电力负荷时间序列信息,对数据作清洗、归一化处理;继而用格拉姆角场把单维用电量时间序列变换成二维特征图像,利用这种变换完整地表示时序特征及其时间依赖关系,避免一维神经网络在特征识别上有所遗漏;再设计带有残差结构的深度预测网络,借由残差跳转缓解深层网络训练困难、退化现象,提高所学深层特征的质量。对实际测量得到的电力数据做对照试验分析,结论是文中所提系统较传统LSTM、CNN 和一般DNN 模型而言,在平均绝对百分比误差(MAPE)上平均减少1 . 82%~3 . 56%,均方根误差(RMSE)亦有较大改善,因而预测更准确、更稳定,能较好地满足电子信息监测的实时用电量要求,对电力调度及能耗管制具有参考意义。

Keywords
格拉姆角场
残差网络
深度神经网络
时序预测
短时用电量预测
References

[1] 赵强, 韩照亚. 基于CNN-LSTM 的智能电网用电量预测算法研究[J]. 计算机仿真,2025,42(11):191-195.
[2] 臧润泽, 毛湘雲, 陈大云, 等. 基于格拉姆角场和ConvNe×t 的复合电能质量扰动分类识别[J]. 电力设备管理,2025,(8):158-160.
[3] 滕翔宇, 罗心仪, 周生奇, 等. 基于CNN-BiLSTM-CBAM 的波浪能发电功率短期预测模型研究[J]. 电气工程学报,2025,20(3):271-279.
[4] 赵妍, 唐文石, 聂永辉, 等. 基于格拉姆角差场和卷积神经网络的宽频振荡分类方法[J].电网技术,2022,46(11):4364-4372.
[5] 曾孟佳, 温柔, 施闰虎, 等. 基于最优化残差划分Markov 修正的城市用电量预测模型[J]. 智能城市,2024,10(2):49-53.
[6] 崔杨, 朱晗, 王议坚, 等. 基于CNN-SAEDN-Res 的短期电力负荷预测方法[J]. 电力自动化设备,2024,44(4):164-170.
[7] 孔祥玉, 马玉莹, 艾芊, 等. 新型电力系统多元用户的用电特征建模与用电负荷预测综述[J]. 电力系统自动化,2023,47(13):2-17.
[8] 王立则, 谢东, 周立峰, 等. 基于Attention 机制和ResNet 的CNN-BiLSTM 短期电力负荷预测模型研究[J]. 南华大学学报( 自然科学版),2023,37(1):33-39+86.
[9] 张淑清, 杜灵韵, 王册浩, 等. 基于格拉姆角场与改进CNN-ResNet 的风电功率预测方法 [J]. 电网技术,2023,47 (4):1540-1548.
[10] ELAHE M F,JIN M,ZENG P.Review of load data analytics using deep learning in smart grids:open load datasets,methodologies,and application

Share
Back to top