论文部分内容阅读
准确的电力负荷预测是保证电力系统安全、稳定、高效运行的前提和基础。随着我国电力基础设施的升级改造和居民生活水平的提高,我国电力能源消耗明显增大,气象敏感负荷日益增长,负荷特性变化明显,导致传统的短期负荷预测技术在面对复杂多样的影响因素时无法进一步提高负荷预测的准确度,电力负荷预测工作难度增大。相比于传统的负荷预测方法,神经网络自适应学习性好、鲁棒性高、泛化能力强、预测精度可控,因此已被广泛的应用于电力负荷预测领域。而近年来深度学习的兴起和发展,使更复杂、更深层次网络结构得以应用于负荷预测领域。本文基于人工神经网络的最新研究成果,考虑了影响负荷的多个因素,研究了多种适用于负荷预测的算法模型,最后结合实际负荷数据对模型参数进行调整优化使其预测效果最佳,在最优模型的基础上提出了最优组合负荷预测模型,有效的提高了短期负荷预测的准确度。本文主要研究内容包括:(1)介绍了电力负荷特性中常用的负荷特性指标,研究了电力负荷随时间变化的特性和发展规律;详细分析了各因素对负荷变化的影响;通过计算各因素与负荷间的Pearson相关系数选取其中影响较大的因素作为后续预测模型的输入特征。(2)考虑到负荷数据时序性强,影响因素多的特点,建立了基于灰色Elman神经网络的负荷预测模型,该模型将灰色理论在所需计算样本数小也能达到较高精度的优点和Elman人工神经网络适应时变数据能力强、误差可控的优点相结合,实例证明该方法有效减少了负荷预测的预测误差。(3)深度学习模型可以通过多个隐含层逐步挖掘原始负荷数据中的规律,从而实现更精准的负荷预测。本文建立了考虑多因素气象的三种深度学习负荷预测模型:深度学习中的长短期记忆网络(LSTM)和其变种结构门控循环神经网络(GRU),以及栈式自编码神经网络(SAE)。基于实际负荷数据验证了三种模型的有效性,并与基于灰色Elman神经网络的模型进行了对比。(4)为了实现更好的负荷预测效果,本文提出了将三种深度学习负荷预测模型按不同的方式组合使用,并分别对比了等权组合、方差组合和误差平方和最小组合的预测效果,最后基于最优的组合模型采用傅里叶级数残差修正法进一步提高了负荷预测精度。