基于CNN-GRU分位数回归的短期母线负荷概率密度预测

发布时间：2021-08-17 10:10

　　随着分布式电源大规模并网,母线负荷的波动性和不确定性日益增加,给母线负荷预测带来新的挑战。传统的点预测方法难以对母线负荷的不确定性进行描述,为此提出一种基于卷积神经网络和门控循环神经网络分位数回归的概率密度预测方法。该方法通过卷积神经网络提取反映母线负荷动态变化的高阶特征,门控循环神经网络基于提取的高阶特征、天气、日类型等因素进行分位数回归建模,预测未来任意时刻不同分位数条件下的母线负荷值,最后利用核密度估计得到母线负荷概率密度曲线。以江苏省某市220 kV母线负荷数据进行测试,结果表明本文所提方法能够有效刻画未来母线负荷的概率分布,为配电网安全运行提供更多的决策信息。 

【文章来源】：智慧电力. 2020,48(08)北大核心

【文章页数】：8 页

【部分图文】：

卷积神经网络结构

循环神经网络具有链式循环单元结构，可以有效记忆之前时刻的输入数据，因此广泛应用于时序数据的分析处理。RNN典型结构如图2所示。在图2中，Ψ为RNN隐藏单元，xt和ht分别为t时刻隐藏单元的输入和输出，ht可表示为：

在实际应用中，普通RNN存在梯度消散问题[15]，导致网络难以学习长远距离输入数据的特征。长短期记忆神经网络（Long Short Term Memory,LSTM）利用长短期记忆单元取代普通RNN中的隐藏单元，通过输入门、遗忘门和输出门3个门结构控制单元状态信息的传输与更新，解决了梯度消散问题[16]。门控循环神经网络（Gated Recurrent Unit,GRU）对LSTM进行了优化改进，将LSTM中的遗忘门和输入门合并，同时将单元状态与隐藏层输出合并，降低了网络复杂度，且保持了与LSTM相当的学习性能。GRU网络中的门控循环单元具有更新门和重置门两个门结构，其中更新门控制前一时刻状态在当前时刻状态中的保留程度，重置门控制当前输入与前一时刻状态的结合程度[17]。GRU结构如图3所示。由图3可以得到t时刻GRU输出ht的计算步骤，如式（2）—式（5）所示。

【参考文献】：
期刊论文
[1]基于EMD-LSTM的光伏发电预测模型[J]. 朱玥,顾洁,孟璐.  电力工程技术. 2020(02)
[2]基于特征融合一维卷积神经网络的电能质量扰动分类[J]. 王维博,张斌,曾文入,董蕊莹,郑永康.  电力系统保护与控制. 2020(06)
[3]基于XGBoost与Stacking模型融合的短期母线负荷预测[J]. 刘波,秦川,鞠平,赵静波,陈彦翔,赵健.  电力自动化设备. 2020(03)
[4]基于LSTM和非参数核密度估计的风电功率概率区间预测[J]. 郎伟明,麻向津,周博文,杨东升,罗艳红,刘林奇.  智慧电力. 2020(02)
[5]基于PSR和DBN的超短期母线净负荷预测[J]. 石天,梅飞,陆继翔,陆进军,郑建勇,张宸宇.  电力工程技术. 2020(01)
[6]基于注意力机制的CNN-GRU短期电力负荷预测方法[J]. 赵兵,王增平,纪维佳,高欣,李晓兵.  电网技术. 2019(12)
[7]基于特征排序与深度学习的母线负荷预测方法[J]. 熊图,赵宏伟,陈明辉,蔡智洋,陈艳伟,Yordanos Kassa Semero.  可再生能源. 2019(10)
[8]基于无人机图像与迁移学习的线路绝缘子状态评价方法[J]. 罗建军,刘振声,龚翔,黄绍川,欧阳业,魏征.  电力工程技术. 2019(05)
[9]安全是技术——技术进步是保障电力安全的前提与基础[J]. 童光毅,曹虹,王伟.  智慧电力. 2019(08)
[10]基于相关性分析和长短期记忆网络分位数回归的短期公共楼宇负荷概率密度预测[J]. 杨秀,陈斌超,朱兰,方陈.  电网技术. 2019(09)



本文编号：3347573