隨著分布式電源大規(guī)模并網,母線負荷的波動性和不確定性日益增加,給母線負荷預測帶來新的挑戰(zhàn)。傳統(tǒng)的點預測方法難以對母線負荷的不確定性進行描述,為此提出一種基于卷積神經網絡和門控循環(huán)神經網絡分位數(shù)回歸的概率密度預測方法。該方法通過卷積神經網絡提取反映母線負荷動態(tài)變化的高階特征,門控循環(huán)神經網絡基于提取的高階特征、天氣、日類型等因素進行分位數(shù)回歸建模,預測未來任意時刻不同分位數(shù)條件下的母線負荷值,最后利用核密度估計得到母線負荷概率密度曲線。以江蘇省某市220 kV母線負荷數(shù)據(jù)進行測試,結果表明本文所提方法能夠有效刻畫未來母線負荷的概率分布,為配電網安全運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】：

卷積神經網絡結構

循環(huán)神經網絡具有鏈式循環(huán)單元結構，可以有效記憶之前時刻的輸入數(shù)據(jù)，因此廣泛應用于時序數(shù)據(jù)的分析處理。RNN典型結構如圖2所示。在圖2中，Ψ為RNN隱藏單元，xt和ht分別為t時刻隱藏單元的輸入和輸出，ht可表示為：

在實際應用中，普通RNN存在梯度消散問題[15]，導致網絡難以學習長遠距離輸入數(shù)據(jù)的特征。長短期記憶神經網絡（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個門結構控制單元狀態(tài)信息的傳輸與更新，解決了梯度消散問題[16]。門控循環(huán)神經網絡（Gated Recurrent Unit,GRU）對LSTM進行了優(yōu)化改進，將LSTM中的遺忘門和輸入門合并，同時將單元狀態(tài)與隱藏層輸出合并，降低了網絡復雜度，且保持了與LSTM相當?shù)膶W習性能。GRU網絡中的門控循環(huán)單元具有更新門和重置門兩個門結構，其中更新門控制前一時刻狀態(tài)在當前時刻狀態(tài)中的保留程度，重置門控制當前輸入與前一時刻狀態(tài)的結合程度[17]。GRU結構如圖3所示。由圖3可以得到t時刻GRU輸出ht的計算步驟，如式（2）—式（5）所示。

【參考文獻】：
期刊論文
[1]基于EMD-LSTM的光伏發(fā)電預測模型[J]. 朱玥,顧潔,孟璐.  電力工程技術. 2020(02)
[2]基于特征融合一維卷積神經網絡的電能質量擾動分類[J]. 王維博,張斌,曾文入,董蕊瑩,鄭永康.  電力系統(tǒng)保護與控制. 2020(06)
[3]基于XGBoost與Stacking模型融合的短期母線負荷預測[J]. 劉波,秦川,鞠平,趙靜波,陳彥翔,趙健.  電力自動化設備. 2020(03)
[4]基于LSTM和非參數(shù)核密度估計的風電功率概率區(qū)間預測[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的超短期母線凈負荷預測[J]. 石天,梅飛,陸繼翔,陸進軍,鄭建勇,張宸宇.  電力工程技術. 2020(01)
[6]基于注意力機制的CNN-GRU短期電力負荷預測方法[J]. 趙兵,王增平,紀維佳,高欣,李曉兵.  電網技術. 2019(12)
[7]基于特征排序與深度學習的母線負荷預測方法[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]基于無人機圖像與遷移學習的線路絕緣子狀態(tài)評價方法[J]. 羅建軍,劉振聲,龔翔,黃紹川,歐陽業(yè),魏征.  電力工程技術. 2019(05)
[9]安全是技術——技術進步是保障電力安全的前提與基礎[J]. 童光毅,曹虹,王偉.  智慧電力. 2019(08)
[10]基于相關性分析和長短期記憶網絡分位數(shù)回歸的短期公共樓宇負荷概率密度預測[J]. 楊秀,陳斌超,朱蘭,方陳.  電網技術. 2019(09)



本文編號：3347573