收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

智能电网中基于深度学习的用户短期负荷预测研究

王振宇  
【摘要】:短期负荷预测作为电力系统运行和控制的一项基础性工作,在电力运行与调度、电机启停等方面都发挥着重要的作用。由于电力负荷数据属于一个随机非平稳序列,完全准确的预测是不可能的,因此研究者们一直致力于提升预测的精度。深度学习具有自学习、泛化能力强等优点,已被广泛应用于短期负荷预测中。在这一基础上,本文主要研究使用深度学习的方法实现短期负荷预测。首先,在智能电网中构建了基于边缘计算的深度学习负荷预测框架。基于该架构,提出了基于深度强化学习的负荷预测任务调度策略,将部分预测任务从云数据中心调度到边缘设备中执行,从而可以有效的减少负荷预测的延迟和能耗。随后,本文提出了两种基于深度学习的用户短期负荷预测方法。一方面,针对对短期负荷预测模型的参数维度过高的问题,提出一个基于深度学习的日时分步负荷预测方法。另一方面,智能电网中负荷预测的任务规模大,提出了基于深度学习的用户聚类短期负荷预测方法。基于用户实际负荷数据,验证了上述两种方法的有效性。主要贡献概括如下:(1)针对基于深度学习的负荷预测模型存在的高能耗、高延迟问题,建立了基于边缘计算的深度学习负荷预测架构。本文分别从负荷预测的数据传输、数据处理、任务控制三个层面来阐述。基于此架构,提出了基于深度强化学习的负荷预测任务调度策略。该策略根据任务计算量的大小,以及当前负荷预测系统的服务质量,将预测任务分配去云端或边缘执行。仿真结果表明,该策略实现了负荷预测系统的任务负载均衡,提高了短期负荷预测效率。(2)针对用户短期负荷预测模型的参数维度过高的问题,提出了基于深度学习的日时分步负荷预测方法。该方法先使用高维度特征进行用户的日总负荷预测,再根据日总负荷以及选取的低维度特征进行每时的负荷预测。在该方法中,为用户的日总负荷和每时的负荷分别建立深度循环神经网络模型。仿真结果表明,该方法能够简化负荷预测模型的同时提高负荷预测精度。(3)针对每个用户的负荷预测,会导致智能电网中过大任务量。另外,对于单用户的预测会出现过拟合问题。提出了基于动态时间规整和长短期记忆(DTW-LSTM)短期负荷预测方法。该方法将所有具有相似用电行为的用户进行聚类,通过对同类用户池化的方法解决了过拟合问题。仿真结果表明,该方法能够在减少任务量的同时,提高了负荷预测精度。


知网文化
【相似文献】
中国期刊全文数据库 前15条
1 李家璐;何剑军;张坤;刘敬诚;吕勃翰;;应对海量数据的超短期负荷预测在实时电力市场的应用研究[J];电力大数据;2019年12期
2 郑建柏;;基于朴素贝叶斯和支持向量机的短期负荷预测[J];电力安全技术;2016年12期
3 连楷敏;陈冬沣;肖建华;;基于气象信息因素修正的灰色短期负荷预测研究[J];自动化应用;2016年12期
4 林佳亮;李暖群;黄庆键;;基于支持向量机方法的短期负荷预测研究[J];自动化应用;2016年12期
5 黎强;;分类管理方法在短期负荷预测工作中的应用[J];农村电工;2017年04期
6 樊唯钦;张伟;李勇钢;王家武;;基于改进人体舒适指数的微电网超短期负荷预测[J];广东电力;2017年04期
7 黄小耘;欧阳卫年;吴树鸿;李高明;金鑫;杨少将;;实时电价条件下的短期负荷预测研究[J];自动化与仪器仪表;2016年05期
8 张超;陈晓英;焦建立;潘超;司玮玮;;电力系统超短期负荷预测方法及应用[J];硅谷;2014年20期
9 李真;;基于云计算的扩展短期负荷预测方法的研究[J];科技视界;2014年36期
10 梁静;瞿博阳;宋慧;刘巍;;电业超短期负荷预测仿真研究[J];计算机仿真;2015年07期
11 张超;任国臣;牛艺桥;蒋蕾;贾书文;;基于时间序列法超短期负荷预测改进方法的研究[J];辽宁工业大学学报(自然科学版);2015年05期
12 彭飞进;唐桂玲;何锡祺;;如何提高短期负荷预测精度的探讨[J];佛山科学技术学院学报(自然科学版);2012年05期
13 毛弋;唐偲;;考虑人体舒适度的扩展短期负荷预测新方法[J];电力系统及其自动化学报;2011年03期
14 张怡;张锋;;电力系统超短期负荷预测技术的应用与发展[J];浙江电力;2010年02期
15 马一平;张卫;贾强;;基于局部形相似的超短期负荷预测[J];电网与清洁能源;2010年09期
中国重要会议论文全文数据库 前10条
1 辛忠良;杨耀杰;陈垒;苗堃;李峙;郭红梅;;基于决策树的短期负荷预测技术研究[A];第三届智能电网会议论文集[C];2018年
2 朱桂华;赖晓平;云昌钦;;在线短期负荷预测方法的研究与应用[A];1995年中国控制会议论文集(上)[C];1995年
3 高荣;刘晓华;;基于小波变换的支持向量机短期负荷预测[A];第16届中国过程控制学术年会暨第4届全国故障诊断与安全性学术会议论文集[C];2005年
4 杜俊红;滕欢;滕福生;;在线超短期负荷预测的分析与应用研究[A];2006中国电力系统保护与控制学术研讨会论文集[C];2006年
5 胡宏;顾斌;蔡冬阳;马晓东;车伟;顾杨青;;基于大数据的分布式短期负荷预测及其架构设计[A];2016智能电网发展研讨会论文集[C];2016年
6 胡松峰;彭显刚;;电网短期负荷预测方法综述[A];武汉(南方九省)电工理论学会第22届学术年会、河南省电工技术学会年会论文集[C];2010年
7 姚宇臻;;采用决策树技术的短期及超短期负荷预测软件在福建电网的运用[A];福建省科学技术协会第七届学术年会分会场——提高水力发电技术 促进海西经济建设研讨会论文集[C];2007年
8 张博海;何星;章渊;;基于循环神经网络的电网短期负荷预测研究[A];第37届中国控制会议论文集(F)[C];2018年
9 谭洪艳;郭继平;陈飞;;基于径向基网络的燃气短期负荷预测[A];中国土木工程学会城市燃气分会输配专业委员会2005年会议论文集[C];2005年
10 李娟;蔡磊;管延文;刘文斌;;基于BP-CSO的燃气短期负荷预测[A];中国燃气运营与安全研讨会(第十届)暨中国土木工程学会燃气分会2019年学术年会论文集(上册)[C];2019年
中国博士学位论文全文数据库 前10条
1 程其云;基于数据挖掘的电力短期负荷预测模型及方法的研究[D];重庆大学;2004年
2 雷绍兰;基于电力负荷时间序列混沌特性的短期负荷预测方法研究[D];重庆大学;2005年
3 卢芸;短期电力负荷预测关键问题与方法的研究[D];沈阳工业大学;2007年
4 叶彬;混合智能建模技术及其在短期负荷预测中的应用研究[D];浙江大学;2006年
5 王志勇;数据挖掘方法在短期负荷预测中的应用研究[D];浙江大学;2007年
6 吴宏晓;基于软计算方法的电力系统负荷预测[D];上海交通大学;2007年
7 郑永康;相空间重构与支持向量机结合的短期负荷预测研究[D];西南交通大学;2008年
8 苏庆新;区域电力系统超短期负荷预测及网络建模分析[D];东华大学;2008年
9 郎坤;电力系统短期负荷预测及经济调度决策优化研究[D];大连理工大学;2016年
10 张国江;软计算方法和数据挖掘理论在电力系统负荷预测中的应用[D];浙江大学;2002年
中国硕士学位论文全文数据库 前10条
1 杨云莹;基于模糊膜聚类的短期负荷预测和光伏发电预测[D];西华大学;2019年
2 熊晖;基于RBF神经网络与粒子滤波算法的用户电力短期负荷预测及其系统实现[D];中国科学院大学(中国科学院深圳先进技术研究院);2019年
3 潘可达;基于负荷模式提取的短期负荷预测[D];广东工业大学;2019年
4 毕云帆;基于梯度提升决策树的电力系统短期负荷预测研究[D];青岛大学;2019年
5 陈丽娜;计及广义需求侧资源的电力系统短期负荷预测模型研究[D];青岛大学;2019年
6 王振宇;智能电网中基于深度学习的用户短期负荷预测研究[D];南京邮电大学;2019年
7 席雅雯;融合历史数据和实时影响因素的精细化短期负荷预测[D];北京交通大学;2019年
8 张然然;非正常工况下火电机组短期负荷预测技术研究[D];华北电力大学;2019年
9 Desi Purwati;基于长短期记忆的短期负荷预测研究[D];华北电力大学(北京);2019年
10 孙海鹤;微电网短期负荷预测及优化调度研究[D];华北理工大学;2019年
中国重要报纸全文数据库 前4条
1 通讯员池长斌;宁夏电网短期负荷预测西北第一[N];中国电力报;2011年
2 通讯员 池长斌;宁夏电力短期负荷预测保持领先[N];中国电力报;2011年
3 张树斌 范明;湖北电网中、短期负荷预测系统显神威[N];华中电力报;2001年
4 郭洪敏;重视清洁能源上网 呵护一方碧水蓝天[N];国家电网报;2009年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978