基于深度学习的智能型负荷预测方法的研究

发布时间：2021-12-02 17:21

　　基于深度学习框架,提出了一种精确高效的智能型负荷预测方法。首先,梳理了影响负荷预测精度的因素;然后,引入核范数聚类算法对负荷样本进行聚类处理;最后,基于GRU神经元搭建Seq2Seq技术框架。以某区域实际的历史负荷数据为基础,对所提方法进行了验证。实验表明,所提的智能型负荷预测方法考虑了多种影响负荷变化的因素,适应性强,能够显著地提升负荷预测的准确率。 

【文章来源】：智慧电力. 2020,48(10)北大核心

【文章页数】：9 页

【部分图文】：

图3 年负荷曲线图

聚类处理后的负荷曲线图

首先将负荷预测样本集合中的306个训练样本数据输入到深度学习模型中进行训练。通过不断实验发现，模型训练次数为1 000次时负荷预测误差最小。其训练误差与训练次数间的关系如图5所示。由图5可以看出，深度学习模型的训练收敛趋势良好，训练误差稳定下降。

【参考文献】：
期刊论文
[1]基于深度置信网络和随机森林的电力扰动检测方法[J]. 胡婧,周洋,何志强,刘兵,卢凯.  供用电. 2020(09)
[2]基于Seq2Seq技术的输电线路故障类型识别方法[J]. 饶超平,肖博文,严星,廖方帆,王琦婷.  智慧电力. 2020(05)
[3]基于相似性识别的短期负荷动态预测方法[J]. 陈杰尧,黄炜斌,马光文,陈仕军,谢荻雅.  电网与清洁能源. 2020(04)
[4]基于时空神经网络的充电桩时空动态负荷预测[J]. 张秀钊,王志敏,钱纹,胡凯,周雪松,李小双.  智慧电力. 2019(08)
[5]基于灰色-加权马尔可夫链的光伏发电量预测[J]. 蒋峰,王宗耀,张鹏.  电力系统保护与控制. 2019(15)
[6]基于长短期记忆神经网络的配电网负荷预测方法研究[J]. 史静,李琥,李冰洁,谈健,刘丽新.  供用电. 2019(07)
[7]基于智能相似日识别及偏差校正的短期负荷预测方法[J]. 刘翊枫,周国鹏,刘昕,汪洋,郑宇鹏,邵立政.  电力系统保护与控制. 2019(12)
[8]基于K-means聚类的小波支持向量机配电网短期负荷预测及应用[J]. 詹仁俊.  供用电. 2019(04)
[9]基于时间分解技术的中远期逐时负荷预测模型[J]. 严通煜,杨迪珊,项康利,柯圣舟,林红阳.  电力系统保护与控制. 2019(06)
[10]基于k-means聚类和变分位鲁棒极限学习机的短期负荷预测方法[J]. 林志坚,鲁迪,林锐涛,王星华,许韩斌,彭显刚.  智慧电力. 2019(03)



本文编号：3528853