论文部分内容阅读
短期及超短期电力负荷预测是电力系统规划和运行的重要组成部分,它可以指导电力企业科学部署电力生产计划,有效降低经济成本,提升盈利能力和管理水平。由于受到众多内外部因素的影响,电力负荷具有复杂的非线性特性和季节性模式,给精确的电力负荷预测带来巨大挑战。现在深度学习已被证明具有良好的端到端学习能力,在短期和超短期电力负荷预测中得到了成功应用。循环神经网络(recurrent neural network,RNN)及其变体长短期记忆网络(long short term memory,LSTM)、门控循环单元(gated recurrent unit,GRU)在时间序列建模上具有天然的优势,但是难以充分挖掘长时间跨度相关性,同时会带来训练复杂度的提升。针对这一难题,本文研究了基于深度学习的短期及超短期电力负荷预测方法。主要工作分为以下两部分:(1)提出了基于差分整合移动平均自回归模型(autoregressive integrated moving average model,ARIMA)和 LSTM 的集成短期电力负荷预测模型。基于负荷序列不同时间跨度的相关性和复杂非线性模式,提出了 LSTM和ARIMA相结合的集成方法。ARIMA模型捕捉负荷的线性模式,而LSTM则提取了负荷复杂的非线性关系。通过实际负荷数据集进行了仿真验证,结果表明该集成方法具有更为优越的预测性能。(2)提出了结合自注意力(self-attention,SA)机制的超短期负荷预测模型。通过引入了 SA机制,挖掘序列自身存在的长期依赖性。并基于SA机制,设计并实现了 SA和SA-GRU两种超短期预测模型。仿真结果证明,SA机制的引入提升了模型预测精度和训练效率。