基于时间卷积网络的电力系统短期负荷预测研究
发布时间：2022-01-05 02:06
电力系统负荷预测是电力系统规划的重要组成部分,准确的短期负荷预测可以在电力建设规划和电网运营中发挥重要作用。传统的单一时间序列模型结构比较简单,无法学习电力负荷时间序列中的非线性特征,所以具备强大非线特征学习能力的深度学习模型和深度学习相关的组合模型研究是目前电力系统短期负荷预测研究中的主要方向。本文首先提出将时间卷积神经网络（TCN）应用到电力系统短期负荷预测,TCN网络是由扩大因果卷积所构成的一种卷积神经网络,它既具有一般卷积神经网络的可并行运行、梯度稳定的优点,又具有长序列信息学习的能力。设计实验对比TCN模型与机器学习中回归方法的所预测的结果,TCN模型取得最低的预测平均绝对误差（MAE）和均方根误差（RMSE）值0.219、0.295,比BP神经网络模型、支持向量回归（SVR）模型和高斯过程回归（GPR）模型的预测误差MAE和RMSE值分别降低27.2%、24.2%以上,最终结果表明TCN模型可以在电力系统负荷预测应用中取得较好的预测效果。深度神经网络模型对序列中的非线性特征有着很强的学习能力,而传统时间序列模型能够较好地学习到时间序列中的线性特征。针对这一特点,本文提出了基...
【文章来源】：深圳大学广东省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
国家电网使用的智能电表
中已经取得了不错的效果，但是随着电力负荷数据数量的增大，由于经典的神经网络模型（如前馈神经网络）结构简单，基本都是一层隐藏层，限制了这类模型深层次的学习日益激增的大量数据的能力，无法很好的拟合电力负荷数据中的非线性关系。随着计算机硬件水平的不断发展，深度学习的技术也取得了巨大的进步，其对处理越来越多的电力负荷数据提供了强有力的技术支撑。卷积神经网络（ConvolutionalNeuralNetworks，CNN）由于其在分类问题（例如图像识别或时间序列分类）中的成功而最近获得普及，它主要应用于图像识别，其结构如图3-1所示。输入二维数据作为输入，并进行多层卷积处理。卷积的每一层都将接收前一层卷积的输出作为输入。CNN不断地进行池化和卷积，以提取每层有用的特征，最终获得输入中深度特征，从而实现良好的图像分类结果。池化层卷积层池化层全连接层卷积层图3-1一般卷积神经网络结构图由于CNN类型的网络主要应用于解决分类问题，因此将其应用于时间序列预测的研究文献尚不多见。有学者在文献[76]提出使用自回归型加权系统来预测金融时间序列，其中与数据相关的权重通过CNN模型学习。其实时序数据同样可以认为是在时间轴上有规律地采样而形成的一维网格，根据ShaojieBai等人[77]的实验结果，使用扩大因果卷积结构构成的时间卷积网络（TimeConvolutionalNetwork，TCN）有着比时间序列预测任务常用的循环神经网络（RNN）更好的性能。将CNN模型应用于时间序列预测的想法，是让网络中的滤波器学习时间序列中的某些规律趋势，并使用这些滤波器预测未来的值。由于CNN的分层结构，它们可能在复杂的时间序列中表现良好，能够在每个采样层中丢弃噪声并提取有用的信息。
基于时间卷积网络的电力系统短期负荷预测研究31图3-7测试样本数据图将各个模型的预测结果以曲线图的形式展现出来，如图3-8所示。图3-8各个模型预测曲线对比图图3-8将TCN模型、SVR模型、BP神经网络模型、GPR模型的预测结果绘制在一张曲线图中，各个模型的预测结果曲线都非常接近原始电力负荷数据，说明这四个模型在实际电力负荷短期预测任务中都能较好的完成预测任务。各个模型的预测结果曲线和各个模型的散点图分别如图3-9和图3-10所示。
【参考文献】：
期刊论文
[1]智能电网背景下的大数据处理与短期负荷预测综述[J]. 汪威为,陈超洋. 无线互联科技. 2019(05)
[2]短期负荷预测方法综述[J]. 胡函武,杨英,魏晗,耿红杰. 电子世界. 2018(20)
[3]基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测[J]. 吴云,雷建文,鲍丽山,李春哲. 电力系统自动化. 2018(20)
[4]电力系统负荷预测综述[J]. 刘建军. 中国科技信息. 2016(16)
[5]计算智能在电力系统短期负荷预测中的应用综述[J]. 杨光宇,邵帅. 中国高新技术企业. 2015(32)
[6]短期电力系统负荷预测方法综述[J]. 杜雅楠,郭志娟,吕灵芝,母建茹,袁鹏. 技术与市场. 2015(05)
[7]基于ARIMA与神经网络集成的GDP时间序列预测研究[J]. 熊志斌. 数理统计与管理. 2011(02)
[8]灰色GM（1.1）模型及其在电力负荷预测中的优化应用[J]. 赵君有. 沈阳工程学院学报(自然科学版). 2007(01)
[9]灰色预测公式的理论缺陷及改进[J]. 张大海,江世芳,史开泉. 系统工程理论与实践. 2002(08)
硕士论文
[1]基于改进灰色模型的电力负荷预测方法研究及应用[D]. 马洪松.华北电力大学 2013
[2]基于最小二乘支持向量机的短期电力负荷预测模型的研究[D]. 康操.西南交通大学 2012
本文编号：3569511
【文章来源】：深圳大学广东省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
国家电网使用的智能电表
中已经取得了不错的效果，但是随着电力负荷数据数量的增大，由于经典的神经网络模型（如前馈神经网络）结构简单，基本都是一层隐藏层，限制了这类模型深层次的学习日益激增的大量数据的能力，无法很好的拟合电力负荷数据中的非线性关系。随着计算机硬件水平的不断发展，深度学习的技术也取得了巨大的进步，其对处理越来越多的电力负荷数据提供了强有力的技术支撑。卷积神经网络（ConvolutionalNeuralNetworks，CNN）由于其在分类问题（例如图像识别或时间序列分类）中的成功而最近获得普及，它主要应用于图像识别，其结构如图3-1所示。输入二维数据作为输入，并进行多层卷积处理。卷积的每一层都将接收前一层卷积的输出作为输入。CNN不断地进行池化和卷积，以提取每层有用的特征，最终获得输入中深度特征，从而实现良好的图像分类结果。池化层卷积层池化层全连接层卷积层图3-1一般卷积神经网络结构图由于CNN类型的网络主要应用于解决分类问题，因此将其应用于时间序列预测的研究文献尚不多见。有学者在文献[76]提出使用自回归型加权系统来预测金融时间序列，其中与数据相关的权重通过CNN模型学习。其实时序数据同样可以认为是在时间轴上有规律地采样而形成的一维网格，根据ShaojieBai等人[77]的实验结果，使用扩大因果卷积结构构成的时间卷积网络（TimeConvolutionalNetwork，TCN）有着比时间序列预测任务常用的循环神经网络（RNN）更好的性能。将CNN模型应用于时间序列预测的想法，是让网络中的滤波器学习时间序列中的某些规律趋势，并使用这些滤波器预测未来的值。由于CNN的分层结构，它们可能在复杂的时间序列中表现良好，能够在每个采样层中丢弃噪声并提取有用的信息。
基于时间卷积网络的电力系统短期负荷预测研究31图3-7测试样本数据图将各个模型的预测结果以曲线图的形式展现出来，如图3-8所示。图3-8各个模型预测曲线对比图图3-8将TCN模型、SVR模型、BP神经网络模型、GPR模型的预测结果绘制在一张曲线图中，各个模型的预测结果曲线都非常接近原始电力负荷数据，说明这四个模型在实际电力负荷短期预测任务中都能较好的完成预测任务。各个模型的预测结果曲线和各个模型的散点图分别如图3-9和图3-10所示。
【参考文献】：
期刊论文
[1]智能电网背景下的大数据处理与短期负荷预测综述[J]. 汪威为,陈超洋. 无线互联科技. 2019(05)
[2]短期负荷预测方法综述[J]. 胡函武,杨英,魏晗,耿红杰. 电子世界. 2018(20)
[3]基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测[J]. 吴云,雷建文,鲍丽山,李春哲. 电力系统自动化. 2018(20)
[4]电力系统负荷预测综述[J]. 刘建军. 中国科技信息. 2016(16)
[5]计算智能在电力系统短期负荷预测中的应用综述[J]. 杨光宇,邵帅. 中国高新技术企业. 2015(32)
[6]短期电力系统负荷预测方法综述[J]. 杜雅楠,郭志娟,吕灵芝,母建茹,袁鹏. 技术与市场. 2015(05)
[7]基于ARIMA与神经网络集成的GDP时间序列预测研究[J]. 熊志斌. 数理统计与管理. 2011(02)
[8]灰色GM（1.1）模型及其在电力负荷预测中的优化应用[J]. 赵君有. 沈阳工程学院学报(自然科学版). 2007(01)
[9]灰色预测公式的理论缺陷及改进[J]. 张大海,江世芳,史开泉. 系统工程理论与实践. 2002(08)
硕士论文
[1]基于改进灰色模型的电力负荷预测方法研究及应用[D]. 马洪松.华北电力大学 2013
[2]基于最小二乘支持向量机的短期电力负荷预测模型的研究[D]. 康操.西南交通大学 2012
本文编号：3569511
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3569511.html
