基于深度學(xué)習(xí)框架,提出了一種精確高效的智能型負(fù)荷預(yù)測方法。首先,梳理了影響負(fù)荷預(yù)測精度的因素;然后,引入核范數(shù)聚類算法對負(fù)荷樣本進行聚類處理;最后,基于GRU神經(jīng)元搭建Seq2Seq技術(shù)框架。以某區(qū)域?qū)嶋H的歷史負(fù)荷數(shù)據(jù)為基礎(chǔ),對所提方法進行了驗證。實驗表明,所提的智能型負(fù)荷預(yù)測方法考慮了多種影響負(fù)荷變化的因素,適應(yīng)性強,能夠顯著地提升負(fù)荷預(yù)測的準(zhǔn)確率。 

【文章來源】：智慧電力. 2020,48(10)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

圖3 年負(fù)荷曲線圖

聚類處理后的負(fù)荷曲線圖

首先將負(fù)荷預(yù)測樣本集合中的306個訓(xùn)練樣本數(shù)據(jù)輸入到深度學(xué)習(xí)模型中進行訓(xùn)練。通過不斷實驗發(fā)現(xiàn)，模型訓(xùn)練次數(shù)為1 000次時負(fù)荷預(yù)測誤差最小。其訓(xùn)練誤差與訓(xùn)練次數(shù)間的關(guān)系如圖5所示。由圖5可以看出，深度學(xué)習(xí)模型的訓(xùn)練收斂趨勢良好，訓(xùn)練誤差穩(wěn)定下降。

【參考文獻】：
期刊論文
[1]基于深度置信網(wǎng)絡(luò)和隨機森林的電力擾動檢測方法[J]. 胡婧,周洋,何志強,劉兵,盧凱.  供用電. 2020(09)
[2]基于Seq2Seq技術(shù)的輸電線路故障類型識別方法[J]. 饒超平,肖博文,嚴(yán)星,廖方帆,王琦婷.  智慧電力. 2020(05)
[3]基于相似性識別的短期負(fù)荷動態(tài)預(yù)測方法[J]. 陳杰堯,黃煒斌,馬光文,陳仕軍,謝荻雅.  電網(wǎng)與清潔能源. 2020(04)
[4]基于時空神經(jīng)網(wǎng)絡(luò)的充電樁時空動態(tài)負(fù)荷預(yù)測[J]. 張秀釗,王志敏,錢紋,胡凱,周雪松,李小雙.  智慧電力. 2019(08)
[5]基于灰色-加權(quán)馬爾可夫鏈的光伏發(fā)電量預(yù)測[J]. 蔣峰,王宗耀,張鵬.  電力系統(tǒng)保護與控制. 2019(15)
[6]基于長短期記憶神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)負(fù)荷預(yù)測方法研究[J]. 史靜,李琥,李冰潔,談健,劉麗新.  供用電. 2019(07)
[7]基于智能相似日識別及偏差校正的短期負(fù)荷預(yù)測方法[J]. 劉翊楓,周國鵬,劉昕,汪洋,鄭宇鵬,邵立政.  電力系統(tǒng)保護與控制. 2019(12)
[8]基于K-means聚類的小波支持向量機配電網(wǎng)短期負(fù)荷預(yù)測及應(yīng)用[J]. 詹仁俊.  供用電. 2019(04)
[9]基于時間分解技術(shù)的中遠(yuǎn)期逐時負(fù)荷預(yù)測模型[J]. 嚴(yán)通煜,楊迪珊,項康利,柯圣舟,林紅陽.  電力系統(tǒng)保護與控制. 2019(06)
[10]基于k-means聚類和變分位魯棒極限學(xué)習(xí)機的短期負(fù)荷預(yù)測方法[J]. 林志堅,魯?shù)?林銳濤,王星華,許韓斌,彭顯剛.  智慧電力. 2019(03)



本文編號：3528853