隨著分布式電源大規(guī)模并網(wǎng),母線負(fù)荷的波動(dòng)性和不確定性日益增加,給母線負(fù)荷預(yù)測帶來新的挑戰(zhàn)。傳統(tǒng)的點(diǎn)預(yù)測方法難以對母線負(fù)荷的不確定性進(jìn)行描述,為此提出一種基于卷積神經(jīng)網(wǎng)絡(luò)和門控循環(huán)神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的概率密度預(yù)測方法。該方法通過卷積神經(jīng)網(wǎng)絡(luò)提取反映母線負(fù)荷動(dòng)態(tài)變化的高階特征,門控循環(huán)神經(jīng)網(wǎng)絡(luò)基于提取的高階特征、天氣、日類型等因素進(jìn)行分位數(shù)回歸建模,預(yù)測未來任意時(shí)刻不同分位數(shù)條件下的母線負(fù)荷值,最后利用核密度估計(jì)得到母線負(fù)荷概率密度曲線。以江蘇省某市220 kV母線負(fù)荷數(shù)據(jù)進(jìn)行測試,結(jié)果表明本文所提方法能夠有效刻畫未來母線負(fù)荷的概率分布,為配電網(wǎng)安全運(yùn)行提供更多的決策信息。 

【文章來源】：智慧電力. 2020,48(08)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

循環(huán)神經(jīng)網(wǎng)絡(luò)具有鏈?zhǔn)窖h(huán)單元結(jié)構(gòu)，可以有效記憶之前時(shí)刻的輸入數(shù)據(jù)，因此廣泛應(yīng)用于時(shí)序數(shù)據(jù)的分析處理。RNN典型結(jié)構(gòu)如圖2所示。在圖2中，Ψ為RNN隱藏單元，xt和ht分別為t時(shí)刻隱藏單元的輸入和輸出，ht可表示為：

在實(shí)際應(yīng)用中，普通RNN存在梯度消散問題[15]，導(dǎo)致網(wǎng)絡(luò)難以學(xué)習(xí)長遠(yuǎn)距離輸入數(shù)據(jù)的特征。長短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short Term Memory,LSTM）利用長短期記憶單元取代普通RNN中的隱藏單元，通過輸入門、遺忘門和輸出門3個(gè)門結(jié)構(gòu)控制單元狀態(tài)信息的傳輸與更新，解決了梯度消散問題[16]。門控循環(huán)神經(jīng)網(wǎng)絡(luò)（Gated Recurrent Unit,GRU）對LSTM進(jìn)行了優(yōu)化改進(jìn)，將LSTM中的遺忘門和輸入門合并，同時(shí)將單元狀態(tài)與隱藏層輸出合并，降低了網(wǎng)絡(luò)復(fù)雜度，且保持了與LSTM相當(dāng)?shù)膶W(xué)習(xí)性能。GRU網(wǎng)絡(luò)中的門控循環(huán)單元具有更新門和重置門兩個(gè)門結(jié)構(gòu)，其中更新門控制前一時(shí)刻狀態(tài)在當(dāng)前時(shí)刻狀態(tài)中的保留程度，重置門控制當(dāng)前輸入與前一時(shí)刻狀態(tài)的結(jié)合程度[17]。GRU結(jié)構(gòu)如圖3所示。由圖3可以得到t時(shí)刻GRU輸出ht的計(jì)算步驟，如式（2）—式（5）所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于EMD-LSTM的光伏發(fā)電預(yù)測模型[J]. 朱玥,顧潔,孟璐.  電力工程技術(shù). 2020(02)
[2]基于特征融合一維卷積神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)分類[J]. 王維博,張斌,曾文入,董蕊瑩,鄭永康.  電力系統(tǒng)保護(hù)與控制. 2020(06)
[3]基于XGBoost與Stacking模型融合的短期母線負(fù)荷預(yù)測[J]. 劉波,秦川,鞠平,趙靜波,陳彥翔,趙健.  電力自動(dòng)化設(shè)備. 2020(03)
[4]基于LSTM和非參數(shù)核密度估計(jì)的風(fēng)電功率概率區(qū)間預(yù)測[J]. 郎偉明,麻向津,周博文,楊東升,羅艷紅,劉林奇.  智慧電力. 2020(02)
[5]基于PSR和DBN的超短期母線凈負(fù)荷預(yù)測[J]. 石天,梅飛,陸繼翔,陸進(jìn)軍,鄭建勇,張宸宇.  電力工程技術(shù). 2020(01)
[6]基于注意力機(jī)制的CNN-GRU短期電力負(fù)荷預(yù)測方法[J]. 趙兵,王增平,紀(jì)維佳,高欣,李曉兵.  電網(wǎng)技術(shù). 2019(12)
[7]基于特征排序與深度學(xué)習(xí)的母線負(fù)荷預(yù)測方法[J]. 熊圖,趙宏偉,陳明輝,蔡智洋,陳艷偉,Yordanos Kassa Semero.  可再生能源. 2019(10)
[8]基于無人機(jī)圖像與遷移學(xué)習(xí)的線路絕緣子狀態(tài)評價(jià)方法[J]. 羅建軍,劉振聲,龔翔,黃紹川,歐陽業(yè),魏征.  電力工程技術(shù). 2019(05)
[9]安全是技術(shù)——技術(shù)進(jìn)步是保障電力安全的前提與基礎(chǔ)[J]. 童光毅,曹虹,王偉.  智慧電力. 2019(08)
[10]基于相關(guān)性分析和長短期記憶網(wǎng)絡(luò)分位數(shù)回歸的短期公共樓宇負(fù)荷概率密度預(yù)測[J]. 楊秀,陳斌超,朱蘭,方陳.  電網(wǎng)技術(shù). 2019(09)



本文編號：3347573