基于深度学习的短期电量预测方法研究

【摘要】：短期负荷预测是电力系统经济运行的基础,准确的负荷预测可以优化电力公司的发电调度,提高电网运行的经济性和安全性。经典的基于回归的预测模型主要是针对平稳时间序列进行预测,而电力负荷是典型的非平稳序列。浅层神经网络模型很难有效地捕捉复杂的非线性模式,电力负荷由于受地域、气候、经济等诸多因素的影响,呈现出复杂的变化模式。在基于深度神经网络的时间序列预测方法中,研究比较多的是基于循环神经网络(Recurrent Neural Network,RNN)的预测方法,如长短时记忆网络(Long Short Term Memory,LSTM),能够有效地对复杂用电模式进行建模,但随着输入序列长度的增加网络的训练难度显著增大,电力负荷具有从日到年的大时间跨度周期性,LSTM无法充分挖掘电力负荷大时间跨度的内在相关性。基于卷积神经网络(Convolutional Neural Network,CNN)的预测模型计算复杂度较低,目前研究较少。本文基于实际电力负荷数据研究了短期电力负荷预测,主要内容包括:(1)提出了基于LSTM的短期负荷集成预测模型。基于相似日法,搭建了相似用电序列选择模块,利用LSTM在时间序列预测方面的优势,通过集成多个LSTM网络设计了集成学习结构,使模型具有更大的容量和更低的复杂度。在实际电力负荷数据集上对模型的预测性能进行了验证,实验结果显示了集成模型的优越性。(2)搭建了基于CNN的短期负荷预测模型。基于复杂性不变距离,改进了现有聚类模型,实现了聚类类别个数的自动调整。设计了基于CNN的预测模型,根据实际电力负荷数据进行了实验分析,验证了预测模型的可行性。