電力系統(tǒng)負(fù)荷預(yù)測(cè)是電力系統(tǒng)規(guī)劃的重要組成部分,準(zhǔn)確的短期負(fù)荷預(yù)測(cè)可以在電力建設(shè)規(guī)劃和電網(wǎng)運(yùn)營(yíng)中發(fā)揮重要作用。傳統(tǒng)的單一時(shí)間序列模型結(jié)構(gòu)比較簡(jiǎn)單,無(wú)法學(xué)習(xí)電力負(fù)荷時(shí)間序列中的非線性特征,所以具備強(qiáng)大非線特征學(xué)習(xí)能力的深度學(xué)習(xí)模型和深度學(xué)習(xí)相關(guān)的組合模型研究是目前電力系統(tǒng)短期負(fù)荷預(yù)測(cè)研究中的主要方向。本文首先提出將時(shí)間卷積神經(jīng)網(wǎng)絡(luò)（TCN）應(yīng)用到電力系統(tǒng)短期負(fù)荷預(yù)測(cè),TCN網(wǎng)絡(luò)是由擴(kuò)大因果卷積所構(gòu)成的一種卷積神經(jīng)網(wǎng)絡(luò),它既具有一般卷積神經(jīng)網(wǎng)絡(luò)的可并行運(yùn)行、梯度穩(wěn)定的優(yōu)點(diǎn),又具有長(zhǎng)序列信息學(xué)習(xí)的能力。設(shè)計(jì)實(shí)驗(yàn)對(duì)比TCN模型與機(jī)器學(xué)習(xí)中回歸方法的所預(yù)測(cè)的結(jié)果,TCN模型取得最低的預(yù)測(cè)平均絕對(duì)誤差（MAE）和均方根誤差（RMSE）值0.219、0.295,比BP神經(jīng)網(wǎng)絡(luò)模型、支持向量回歸（SVR）模型和高斯過(guò)程回歸（GPR）模型的預(yù)測(cè)誤差MAE和RMSE值分別降低27.2%、24.2%以上,最終結(jié)果表明TCN模型可以在電力系統(tǒng)負(fù)荷預(yù)測(cè)應(yīng)用中取得較好的預(yù)測(cè)效果。深度神經(jīng)網(wǎng)絡(luò)模型對(duì)序列中的非線性特征有著很強(qiáng)的學(xué)習(xí)能力,而傳統(tǒng)時(shí)間序列模型能夠較好地學(xué)習(xí)到時(shí)間序列中的線性特征。針對(duì)這一特點(diǎn),本文提出了基... 

【文章來(lái)源】：深圳大學(xué)廣東省

【文章頁(yè)數(shù)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

國(guó)家電網(wǎng)使用的智能電表

中已經(jīng)取得了不錯(cuò)的效果，但是隨著電力負(fù)荷數(shù)據(jù)數(shù)量的增大，由于經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型（如前饋神經(jīng)網(wǎng)絡(luò)）結(jié)構(gòu)簡(jiǎn)單，基本都是一層隱藏層，限制了這類模型深層次的學(xué)習(xí)日益激增的大量數(shù)據(jù)的能力，無(wú)法很好的擬合電力負(fù)荷數(shù)據(jù)中的非線性關(guān)系。隨著計(jì)算機(jī)硬件水平的不斷發(fā)展，深度學(xué)習(xí)的技術(shù)也取得了巨大的進(jìn)步，其對(duì)處理越來(lái)越多的電力負(fù)荷數(shù)據(jù)提供了強(qiáng)有力的技術(shù)支撐。卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNN）由于其在分類問(wèn)題（例如圖像識(shí)別或時(shí)間序列分類）中的成功而最近獲得普及，它主要應(yīng)用于圖像識(shí)別，其結(jié)構(gòu)如圖3-1所示。輸入二維數(shù)據(jù)作為輸入，并進(jìn)行多層卷積處理。卷積的每一層都將接收前一層卷積的輸出作為輸入。CNN不斷地進(jìn)行池化和卷積，以提取每層有用的特征，最終獲得輸入中深度特征，從而實(shí)現(xiàn)良好的圖像分類結(jié)果。池化層卷積層池化層全連接層卷積層圖3-1一般卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖由于CNN類型的網(wǎng)絡(luò)主要應(yīng)用于解決分類問(wèn)題，因此將其應(yīng)用于時(shí)間序列預(yù)測(cè)的研究文獻(xiàn)尚不多見(jiàn)。有學(xué)者在文獻(xiàn)[76]提出使用自回歸型加權(quán)系統(tǒng)來(lái)預(yù)測(cè)金融時(shí)間序列，其中與數(shù)據(jù)相關(guān)的權(quán)重通過(guò)CNN模型學(xué)習(xí)。其實(shí)時(shí)序數(shù)據(jù)同樣可以認(rèn)為是在時(shí)間軸上有規(guī)律地采樣而形成的一維網(wǎng)格，根據(jù)ShaojieBai等人[77]的實(shí)驗(yàn)結(jié)果，使用擴(kuò)大因果卷積結(jié)構(gòu)構(gòu)成的時(shí)間卷積網(wǎng)絡(luò)（TimeConvolutionalNetwork，TCN）有著比時(shí)間序列預(yù)測(cè)任務(wù)常用的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）更好的性能。將CNN模型應(yīng)用于時(shí)間序列預(yù)測(cè)的想法，是讓網(wǎng)絡(luò)中的濾波器學(xué)習(xí)時(shí)間序列中的某些規(guī)律趨勢(shì)，并使用這些濾波器預(yù)測(cè)未來(lái)的值。由于CNN的分層結(jié)構(gòu)，它們可能在復(fù)雜的時(shí)間序列中表現(xiàn)良好，能夠在每個(gè)采樣層中丟棄噪聲并提取有用的信息。

基于時(shí)間卷積網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)研究31圖3-7測(cè)試樣本數(shù)據(jù)圖將各個(gè)模型的預(yù)測(cè)結(jié)果以曲線圖的形式展現(xiàn)出來(lái)，如圖3-8所示。圖3-8各個(gè)模型預(yù)測(cè)曲線對(duì)比圖圖3-8將TCN模型、SVR模型、BP神經(jīng)網(wǎng)絡(luò)模型、GPR模型的預(yù)測(cè)結(jié)果繪制在一張曲線圖中，各個(gè)模型的預(yù)測(cè)結(jié)果曲線都非常接近原始電力負(fù)荷數(shù)據(jù)，說(shuō)明這四個(gè)模型在實(shí)際電力負(fù)荷短期預(yù)測(cè)任務(wù)中都能較好的完成預(yù)測(cè)任務(wù)。各個(gè)模型的預(yù)測(cè)結(jié)果曲線和各個(gè)模型的散點(diǎn)圖分別如圖3-9和圖3-10所示。

【參考文獻(xiàn)】：
期刊論文
[1]智能電網(wǎng)背景下的大數(shù)據(jù)處理與短期負(fù)荷預(yù)測(cè)綜述[J]. 汪威為,陳超洋.  無(wú)線互聯(lián)科技. 2019(05)
[2]短期負(fù)荷預(yù)測(cè)方法綜述[J]. 胡函武,楊英,魏晗,耿紅杰.  電子世界. 2018(20)
[3]基于改進(jìn)灰色關(guān)聯(lián)分析與蝙蝠優(yōu)化神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)[J]. 吳云,雷建文,鮑麗山,李春哲.  電力系統(tǒng)自動(dòng)化. 2018(20)
[4]電力系統(tǒng)負(fù)荷預(yù)測(cè)綜述[J]. 劉建軍.  中國(guó)科技信息. 2016(16)
[5]計(jì)算智能在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用綜述[J]. 楊光宇,邵帥.  中國(guó)高新技術(shù)企業(yè). 2015(32)
[6]短期電力系統(tǒng)負(fù)荷預(yù)測(cè)方法綜述[J]. 杜雅楠,郭志娟,呂靈芝,母建茹,袁鵬.  技術(shù)與市場(chǎng). 2015(05)
[7]基于ARIMA與神經(jīng)網(wǎng)絡(luò)集成的GDP時(shí)間序列預(yù)測(cè)研究[J]. 熊志斌.  數(shù)理統(tǒng)計(jì)與管理. 2011(02)
[8]灰色GM（1.1）模型及其在電力負(fù)荷預(yù)測(cè)中的優(yōu)化應(yīng)用[J]. 趙君有.  沈陽(yáng)工程學(xué)院學(xué)報(bào)(自然科學(xué)版). 2007(01)
[9]灰色預(yù)測(cè)公式的理論缺陷及改進(jìn)[J]. 張大海,江世芳,史開(kāi)泉.  系統(tǒng)工程理論與實(shí)踐. 2002(08)

碩士論文
[1]基于改進(jìn)灰色模型的電力負(fù)荷預(yù)測(cè)方法研究及應(yīng)用[D]. 馬洪松.華北電力大學(xué) 2013
[2]基于最小二乘支持向量機(jī)的短期電力負(fù)荷預(yù)測(cè)模型的研究[D]. 康操.西南交通大學(xué) 2012



本文編號(hào)：3569511