论文部分内容阅读
随着电力大数据时代的到来,如何挖掘海量数据背后潜在的信息具有至关重要的意义。电能存在不可存储性,生产和消耗同步进行,因此电力负荷预测相关研究存在必要性。特别是短期电力负荷预测,它是电网规划和决策的基础。与此同时,准确的短期电力负荷预测直接关系到电网运转的各项性能指标。近年来,机器学习算法已广泛用于短期电力负荷预测。循环神经网络(Recurrent Neural Network,RNN)中的长短期记忆网络(Long Short Term Memory,LSTM)和门控循环单元(Gated Recurrent Unit,GRU)是为时间序列数据量身定制的。它们内部的门控结构可以解决传统RNN存在的梯度消失问题,同时调节信息流从而实现长期记忆。本文以此为基础,同时研究负荷数据内部规律及相关影响因素,达到提高短期电力负荷预测精度的目的。本文主要工作如下:1.提出一种基于LSTM和GRU的多层双向RNN模型。该模型的第一层双向采用前向传播LSTM与反向传播GRU单元构成,第二层双向则相反。在多层双向RNN网络前后分别添加整流线性单元(Rectified Linear Unit,Re LU)引入非线性因素,增强模型表达能力。双向传播结构形式可以用来联系数据前后时刻的信息,使网络得到充分训练。考虑季节差异,在数据集上分开进行实验,结果表明所提出方法对提高预测精度是有益的。2.提出一种结合二分K均值算法和集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的综合数据处理方法。根据日负荷量变化特点,将与预测日期相似度较高的负荷数据聚集成一类,然后通过EEMD将原始负荷序列处理为多个时间序列分量。接着计算每个分量的样本熵并合并具有相近样本熵值的分量。最后分析合并子分量与候选影响因素之间的相关性,以构造有效的特征输入,从而保证数据的有效性。3.提出一种基于多层双向RNN和深度置信网络(Deep Belief Network,DBN)相结合的预测模型。LSTM与GRU以构建两层双向预测网络,预测网络的权值参数则是通过DBN无监督贪婪预训练获得。无监督预训练权值参数是为了克服神经网络因随机初始化权值参数而容易陷入局部最优的问题。结合数据处理方法,在公开和非公开两个数据集上进行验证,结果表明了混合神经网络模型增强了预测模型的有效性。