论文部分内容阅读
电力负荷预测是电网发展规划、运行维护的关键,其准确性是保证电网稳定运行、地区经济稳定发展的前提。但在实际工作中,模型精度不足成为影响负荷预测结果的一大因素。因此,研究提高模型精度以实现更加精准高效的负荷预测具备重大理论意义和工程价值。本文研究内容具体如下:1.叙述了电力负荷及其预测的方法步骤,BP神经网络的模型结构、求解过程;分析深度学习基本原理,利用大量样本数据对多层网络结构进行训练,获得数据集最根本的特征,有效提高数据处理的准确度;针对以往神经型网络不能满足深度学习训练,采用逐层训练的方法,将训练过程分成从下至上借助无监督学习模式、从上至下借助监督学习模式两个环节,使网络的性能更加优化;深入分析深度学习的深度置信网络(Deep Belief Network,DBN)、卷积神经网络(Convolutional Neural Networks,CNN)和自动编码器(Auto-Encoder,AE)三种基本方法,详细叙述DBN法、CNN法与AE法的计算过程。2.以山东潍坊地区两年内单日电力负荷均值数据、气温单日均值数据、节假日和非节假日的负荷均值变化,选用Matlab仿真验证日期、节假日、工作日和气温与负荷情况之间相关,是负荷预测影响因素。对难以获取预测月内的准确气温数据,以时间序列方法为基础,构建训练相应的BP网络模型,对特定时间间隔内气温进行预测。叙述DBN网络架构和训练流程,选用二进制编码方式对工作日和节假日信息进行处理,以网络层数、输入层和隐含层节点数为切入点,在选定各项参数的基础上构建网络架构,针对气温因素的影响,利用DBN模型进行负荷预测,并对预测结果进行分析。3.针对目前电网负荷数据复杂体量大、计算机框架技术难以满足电力短期负荷预测的需求,DBN模型存在预测精度低的问题,在深入分析Spark并行计算框架数据分析并行和深度学习模型并行,提高运行效率的基础上,提出基于Spark并行计算框架深度学习算法的负荷预测。利用Spark并行计算框架并行计算环境下的K-means聚类算法对输入历史负荷数据分类,实现数据特征提取;采用信息熵理论计算深度学习负荷预测模型的隐含层节点数;利用DBN模型来确定预测日的负荷类别,其结果作为深度学习负荷预测器的输入元;选取SAE深度学习算法进行短期负荷预测,利用KL散度对目标函数稀疏约束,通过误差函数最小值实现SAE的参数优化,从而提高负荷预测的工作效率和准确性。以潍坊地区的负荷数据样本进行算例仿真,对比BP神经网络、DBN网络、基于Spark并行计算框架深度学习的负荷预测三种模型的预测结果,验证了所提方法的有效性。综上所述,基于Spark并行计算框架深度学习的负荷预测,通过数据并行和模型并行有效提高可算法的运行效率,负荷预测数据集的增大,更大程度地利用负荷数据的多项相关参数,有效提取海量数据的抽象特征,实现对短期电力负荷快速和准确的预测。