基于生成对抗网络的电力系统短期负荷预测方法研究

【摘要】：随着科学技术的发展,电气自动化水平不断地提高,越来越多发电形式的电源接入到电网,随之而来的是其负载需求也不断变化。电力系统负荷预测是指对将来指定时间区段的用电量需求和相应区段的负荷波动所进行的预判工作。精准的短期负荷预测对电力系统制定计划与方案提供了重要参考,同时对避免造成资源浪费,保证电网安全可靠运行,提高经济效益有着重要意义。考虑到一般回归模型主要针对线性关系构建模型,忽略了气候、日期类型等因素对短期负荷预测的影响,从而降低了预测的准确率。为学习非线性负荷数据中隐含的深层关系并考虑气候、日期类型等因素对短期负荷预测的影响,本文提出一种基于生成对抗网络的短期负荷预测方法。此方法使用卷积神经网络构建生成模型和判别模型,把历史负荷数据、气候、日期类型等负荷影响因素数据作为条件与噪声输入生成模型,把条件数据分别与生成样本、真实样本作为输入数据输入判别模型,通过生成对抗网络的博弈训练,使生成模型以负荷影响因素数据为条件下生成负荷预测数据,并在判别模型的部分隐藏层引入特征损失函数进一步提高预测精度。在实际负荷预测应用中,将噪声以及负荷影响因素数据输入训练好的模型,即可进行预测。本文以美国某地区三年的负荷作为实际算例,用所提方法与传统方法的负荷预测模型以及其他深度学习算法的预测模型进行对比实验。通过具体算例,验证了本文提出的方法在预测精度上具有突出优势。