基于深度学习神经网络的电力短期负荷预测方法研究
发布时间：2021-07-29 22:27
短期电力负荷预测不仅是电力系统调度的关键环节,也是用电营销、电网规划以及其他管理部门的重要工作之一;深度学习是近年得到广泛重视的人工智能方法;本文选择了深度学习递归神经网络最有典型意义的三种模型,旨在研究它们用于短期电力负荷预测的模型性能,包括电力负荷数据预处理,预测模型特征选择,模型参数确定,浅层网络到深层网络的预测特性对比等,以探索和证明深度学习神经网络在短期电力负荷预测的适用性,最终提高短期负荷预测的准确性。本文所做的工作以及到的研究成果创新如下:首先,分析了电力系统短期负荷预测国内外的研究现状,分析了现有的电力系统负荷预测的常用方法以及特点、优势以及存在的问题,介绍了电力大数据的研究价值。对电力负荷的分类及特性进行了总结,包括对其影响的主要因素以及预测模型的性能评价指标,数据预处理方法、预测的基本过程步骤等。其次,介绍了深度学习递归神经网络的基本原理;通过深度学习网络与浅层网络的比较,展现了深度学习的优势;阐述了激活函数在神经网络中的特殊地位,简要分析了感知器模型以及多层感知器模型;归纳并且分析了三种典型模型的结构和模型特点,即RNN（递归或循环神经网络）模型、LSTM（长短期...
【文章来源】：杭州电子科技大学浙江省
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
论文组织结构
杭州电子科技大学硕士学位论文12图2.2电力短期负荷预测基本过程2.5电力负荷数据预处理的重要性电力实际的功率负荷数据往往具有一定的随机性；这种随机性的根源来自机器故障和人为错误等情况，大致可以分为两类：一类是随机噪声的干扰，通常可以将其视为高斯白噪声。二是异常数据的干扰；这些因素将导致实际数据发生变化，从而对负荷预测产生极大的干扰，总结负荷规律，并恢复实际的负荷数学模型来描述负荷的发展规律，因此有必要对原始数据进行预处理[65]，对异常数据进行修补。简而言之，只有大量的高可靠性原始数据才能获得高度准确的预测结果。2.6电力负荷坏数据的分类以及预处理方法电力负荷坏数据主要由数据采集、通信、存储等系统故障，以及各种类型的电网设备的异常，其通常分为两类。缺失数据（也叫空数据）是由于电力负荷采集系统故障或其他人为因素，收集到实际的负荷数据会缺失；需要对这些缺失的负荷数据进行修补后，电力负荷的预测模型建立才会更加准确。对于短期负荷预测，在选择其他日期的负荷作为
杭州电子科技大学硕士学位论文22三种常见激活函数的图像如图3.4所示：图3.4三种常见激活函数曲线一定要根据问题的性质来进行选择激活函数，可以为神经网络更快更方便地收敛做出更好的选择；用于分类器时，激活函数选用Sigmoid函数及其组合通常效果更好，在神经网络出现梯度消失问题时，尽量要避免使用Sigmoid函数和Tanh函数；Relu函数是一个通用的激活函数，Relu激活函数具有引导适度稀疏的能力，训练速度快，梯度不容易消失，Relu函数只能在隐含层中使用，Relu函数还将使一部分神经元的输出成为信号0，导致网络稀疏，并减少参数的相互依赖性，从而减轻了过度拟合问题的发生；目前广泛应用于深度学习模型中。3.1.3感知器模型感知器模型在深度学习神经网络中占有特殊的地位，感知器的功能强大，可以对任何线性分类或线性回归问题进行分析实现；其功能强大的原因是通过不断改变突触权值和偏置来解决线性可分问题，然而，强大的感知器也有其局限性，即不能实现分线性运算。感知器的数学表达式为：1iniiiArwB（3.7）11yfA（3.8）式中：感知器模型的输入层为12,,,,nrrrn个输入的神经元和对应神经元的权值12,,,nwww。感知器模型输出层由求解和操作以及fA映射组成，感知器
本文编号：3310174
【文章来源】：杭州电子科技大学浙江省
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
论文组织结构
杭州电子科技大学硕士学位论文12图2.2电力短期负荷预测基本过程2.5电力负荷数据预处理的重要性电力实际的功率负荷数据往往具有一定的随机性；这种随机性的根源来自机器故障和人为错误等情况，大致可以分为两类：一类是随机噪声的干扰，通常可以将其视为高斯白噪声。二是异常数据的干扰；这些因素将导致实际数据发生变化，从而对负荷预测产生极大的干扰，总结负荷规律，并恢复实际的负荷数学模型来描述负荷的发展规律，因此有必要对原始数据进行预处理[65]，对异常数据进行修补。简而言之，只有大量的高可靠性原始数据才能获得高度准确的预测结果。2.6电力负荷坏数据的分类以及预处理方法电力负荷坏数据主要由数据采集、通信、存储等系统故障，以及各种类型的电网设备的异常，其通常分为两类。缺失数据（也叫空数据）是由于电力负荷采集系统故障或其他人为因素，收集到实际的负荷数据会缺失；需要对这些缺失的负荷数据进行修补后，电力负荷的预测模型建立才会更加准确。对于短期负荷预测，在选择其他日期的负荷作为
杭州电子科技大学硕士学位论文22三种常见激活函数的图像如图3.4所示：图3.4三种常见激活函数曲线一定要根据问题的性质来进行选择激活函数，可以为神经网络更快更方便地收敛做出更好的选择；用于分类器时，激活函数选用Sigmoid函数及其组合通常效果更好，在神经网络出现梯度消失问题时，尽量要避免使用Sigmoid函数和Tanh函数；Relu函数是一个通用的激活函数，Relu激活函数具有引导适度稀疏的能力，训练速度快，梯度不容易消失，Relu函数只能在隐含层中使用，Relu函数还将使一部分神经元的输出成为信号0，导致网络稀疏，并减少参数的相互依赖性，从而减轻了过度拟合问题的发生；目前广泛应用于深度学习模型中。3.1.3感知器模型感知器模型在深度学习神经网络中占有特殊的地位，感知器的功能强大，可以对任何线性分类或线性回归问题进行分析实现；其功能强大的原因是通过不断改变突触权值和偏置来解决线性可分问题，然而，强大的感知器也有其局限性，即不能实现分线性运算。感知器的数学表达式为：1iniiiArwB（3.7）11yfA（3.8）式中：感知器模型的输入层为12,,,,nrrrn个输入的神经元和对应神经元的权值12,,,nwww。感知器模型输出层由求解和操作以及fA映射组成，感知器
本文编号：3310174
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3310174.html
