![e43914dcdaf1953ec6dbc9246a3e768a.gif](https://i-blog.csdnimg.cn/blog_migrate/50560abad695720b22a91352948e85fb.gif)
基于深度长短时记忆网络的区域级超短期负荷预测方法/张宇帆,艾芊,林琳,袁帅,李昭昱
《电网技术》2019年第6期:1884-1891
![819b6ba61589a4b3a3dae64ced8d9fd6.gif](https://i-blog.csdnimg.cn/blog_migrate/d7a6c7adcaa33c0e9554b44fec992e72.gif)
一、研究背景
超短期负荷预测一般指当前时刻往后一个小时内的负荷预测,主要用于日内及实时发电计划的制定。随着分布式能源增多,负荷变化的随机性给负荷预测的准确性带来更大的挑战。而在电力市场竞争环境下,超短期负荷预测的结果是实时电力市场确定清算价格的重要依据,过大的预测误差则会造成运行费用的激增。因此超短期负荷预测准确度的提升对于揭示负荷变动的不确定性以及日前预测的偏差具有十分重要的意义。
二、所提模型整体结构
1)确定模型的输入输出变量,对输入输出数据集分别进行预处理,并将预处理后的数据集划分成为训练集、验证集以及测试集3个部分。
2)构造深度LSTM负荷预测模型,利用训练集对模型进行训练,验证集监测模型在训练过程中的泛化能力,测试集判断模型对于未知数据的预测性能。寻找合适的超参数直到测试集预测误差达到最小。
图1 深度LSTM超短期负荷预测流程
三、实验结果分析
本文选取GEFCom2012比赛数据作为实验样本数据集,为了突出本文算法在负荷预测精度方面的优势,采用SVR以及GBRT与本文提出的深度LSTM算法进行对比,在多次实验后,记录每种算法在测试集上的最优预测结果,如表1所示。从表中看出,由于深度LSTM算法可以很好地把握待预测负荷与大量输入特征之间的非线性关系,深度LSTM算法与SVR以及GBRT相比,有较高的预测精度。在预测时间方面,深度LSTM算法所需预测时间少于SVR,仅为1.29s。因此适合于离线对网络进行训练,实时对未来一小时后的负荷进行预测。
表1 不同算法预测结果比较
LSTM单元隐藏层向量a<t>可以反映出深度LSTM网络对输入数据的高维特征提取能力,针对训练后在测试集上预测效果最优的网络,分别针对预测输入数据,在学习到的最优网络参数的基础上,提取网络第二层所有时间步下LSTM单元隐藏层向量a<t>(t=0,...,167)。并采用t-SNE可视化技术,将原始100维的高维空间投影到2维平面上。
可视化图中每一个点代表一个时间步,旁边标注对应的时间步长t∈[0,167],随着时间步的推移,在二维平面中的路径呈现周期性的环形,变化的周期基本上满足24小时,与负荷具有的以日为周期的变化规律基本相同,且一周各天中时刻相近的时间步(如图2中的69, 93, 117, 141, 165)相聚较近,即负荷水平较为相似。但是图2中前30时间步没有明显的规律性,表示深度LSTM的长时间记忆能力大致在100个时间步左右。
图2 第二层LSTM隐藏层可视化表征(预测2004-07-31 1时负荷)
为定量描述上述相关性,本文定义下式对相关关系进行度量:
式中,表示向量内积,a<t>为第i个时间步对应的隐藏层向量。
对上述隐藏层向量,进一步形成反映168个时间步长之间的相关关系的矩阵Mcov∈168×168,由于矩阵维数较高,为直观表示将矩阵转换成热图(heat map),颜色越深则表明相关性越大,如图3所示。图中颜色深浅变化基本以24小时为周期,其具有的规律性变化表明,深度LSTM可以有效提取负荷时间序列中结构性特征,且由于独特的记忆结构,网络可以存储长时间的时间相关性。
图3 预测2004年7月31日1时负荷第二层LSTM隐藏层相关系数热图
后续研究方向随着电力系统中数据量的增长和人工智能技术得到越来越大的重视,深度LSTM网络将会得到更大的发展与应用,本文提出的深度LSTM网络可以取得很好的超短期确定性预测效果,未来可以进一步研究基于该方法的概率预测,以为调度决策提供更多的描述负荷不确定性的信息。
参 文 格 式
张宇帆,艾芊,林琳,等. 基于深度长短时记忆网络的区域级超短期负荷预测方法[J]. 电网技术,2019,43(6):1884-1891.
Zhang Yufan, Ai Qian, Lin Lin,et al. A very short-term load forecasting method based on deep LSTM RNN at zone level [J]. Power System Technology,2019,43(6):1884-1891(in Chinese).
相关文献
马静波,杨洪耕.自适应卡尔曼滤波在电力系统短期负荷预测中的应用[J].电网技术,2005,29(1):75-79.
史佳琪,谭涛,郭经,等.基于深度结构多任务学习的园区型综合能源系统多元负荷预测[J].电网技术,2018,42(3):698-706.
作者介绍
张宇帆,上海交通大学电气工程及其自动化专业博士研究生,主要从事电力系统大数据、人工智能等方面的研究。
艾芊,上海交通大学电子信息与电气工程学院教授,博士生导师,上海交通大学电力系统及自动化研究所所长,IEEE Senior Member。主要从事电能质量、人工智能、大数据及在电力系统中的应用,电力系统建模,分布式发电与微电网等方面的研究工作。
团队介绍
上海交通大学艾芊教授及其团队着眼于以“能源-环境-体制-信息-产业”多要素协调为背景的泛在物联网相关技术,在架构、理论、技术与应用等方面开展前沿性的研究。团队目前主要从事电力系统认知、分布式优化调度、控制策略与电能质量治理等的研究工作。
本文为原创作品,所涉及文字及图片版权均属《电网技术》编辑部所有,根据国家版权局最新规定,纸媒、网站、微博、微信公众号转载、摘编我社的作品,务请提前联系我编辑部。个人请按本微信原文转发、分享。
电网技术值得信赖的电力学术期刊
![2ee24cd5ccd1b2cd3fc9c547bff241dd.png](https://i-blog.csdnimg.cn/blog_migrate/0d2632fe4086fa83286cbe2913672c19.jpeg)
微文投稿:010-82812532
期刊订阅:010-82812465
邮箱:pst@epri.sgcc.com.cn
网址:www.dwjs.com.cn
![e525aee28e9db952ff0ce52cd14a0cce.png](https://i-blog.csdnimg.cn/blog_migrate/f2077b85c0cb28b8231709de81708272.png)