基于深度神经网络的超短期电力负荷预测策略

/ 2

基于深度神经网络的超短期电力负荷预测策略

孔德印 殷哲轩 魏智慧 蔡浩宇

国网嘉兴供电公司 314000 嘉兴市恒光电力建设有限责任公司 314000

引言:电力产业的发展能为国家经济的发展奠定坚实的基础,是我国最基本的能源产业之一。电力的生产、电力资源的分配、电厂能源价格的调整以及电力系统的运行与维护都对电力负荷的准确性有着重要的影响。对电力负荷的变化进行精确预测既可以使能源的利用率达到最大化,也可以让电力用户得到安全、优质、可靠的电力供应。本文提出的基于深度神经网络超短期电力负荷策略解决了传统的神经网络结构过于简单造成的负荷预测精度低的问题,可以得到更加精准的预测结果,可以满足更高的精度要求。

电力系统是包括了很多没有数学建模的具有动态特性的负荷组成的大型系统,许多负荷具有非线性以及时变参数不精确性。因此,对电力负荷的变化进行精准预测对于提高电力用户获得稳定、优质、高水平的电力供应至关重要。由于电力负荷很容易受到很多不确定的因素所影响,比如自然灾害,人为事故以及社会其他因素。所以,保证电力系统安全稳定运行需要快速精准的负荷预测,电力调度人员可以依据负荷预测结果及时调整电力供应来保证电力系统的正常运行。通常来说,可以把负荷预测分为四种:长期负荷预测、中期负荷预测、短期负荷预测与超短期负荷预测。其中,长期负荷预测一般以年为时间单位对未来几年用电情况负荷预测;中期负荷预测通常是指预测接下来数月、数周的负荷消耗的变化趋势;短期负荷预测主要是指预测时间长度为数日、数小时乃至更短时间长度内的负荷变化;超短期负荷预测主要预测未来一个小时以及几分钟内的负荷需求情况。相对来讲,超短期负荷预测的预测速度更加迅速,而且预测精度也更高,可以更高效的实现电力的调度以满足电力用户的用电需求。同时,超短期负荷预测在能量管理系统中有着极其重要的作用,也为电力系统的经济运行提供了准确的依据。

随着越来越多的非线性电力负荷的涌入以及现代电力市场竞争机制逐步建立,传统的模型越来越难以满足电力负荷预测的需求。传统的模型既无法考虑负荷的非线性特性,又无法估计到负荷的时序性特点,在预测的过程中不易得到全局最优解。本文采用了深度神经网络的负荷预测策略,深度神经网络具有多隐含层结构能够有效映射复杂的非线性函数关系,不仅有效优化了传统模型的局限性难题,还得到了更高的负荷预测精度。因此,本文提出的基于深度神经网络的超短期电力负荷预测策略能够实现负荷的最优分配,具有一定的有效性。

传统与现代的负荷预测方法的研究对比

在电子计算机尚未完全普及之前,人们无法使用电脑仿真软件对负荷的变化进行预测。当时尺子和图标就是工作人员进行负荷预测的主要工具,很多时候还要靠工作人员的工作经验对负荷进行预测,很难对负荷进行精准预测。随着电子计算机的功能越来越强大,电子计算机在各行各业的作用愈发重要。但由于以前计算机的运行计算能力还没有非常强大,工作人员进行负荷预测都需要完成在线建模,但由于建模工作都是要在线下完成的,所以无法依据最新的数据调整模型估计选项,也无法反映预测负荷变化的最新信息。因此,负荷预测的精度也无法无法得到有效保证与提高。后来由于计算机技术的不断发展与进步,越来越多的功能得以实现,计算机也可以支持在线建模和负荷预测任务。但工作人员采用的预测技术还是没有改变,传统的负荷预测方法主要还是以下几个方面:

  1. 负荷峰值模型

负荷峰值模型主要将天气数据作为变量进行输入,仅将每周或者每天的负荷峰值当做建立模型的依据。这种模型将负荷的预测值分成了两个部分,而且这两个部分分别对天气敏感和不敏感。王文秀等人为了解决电力负荷峰值问题提出了基于贝叶斯网络的负荷峰值预测模型。

  1. 时间序列模型

邹森提出了一种在日负荷数据的基础上的时间序列模型可以进行负荷预测的自适应算法。这种模型的预测步骤是将负荷数据排成有周期性变化规律的数列,然后依据历史统计的负荷变化的规律来预测。

  1. 多元线性回归分析

这种预测方法考虑到负荷数据会被温度等多种因素所影响,通过列出这些因素以及这些系数的回归系数来得到更加准确的预测值。通过最小二乘法来计算可以得到各个影响因素的回归系数。但这种算法无法预测非线性负荷,具有一定的局限性。

随着科技的迅速发展与进步,不断涌现出了预测精准度更高的负荷预测新方法。现代负荷预测方法包括支持向量机法、混沌理论、模糊理论法、人工神经网络以及深度神经网络算法等方法。

近十几年来,随着科学技术的不断发展和大量科研人员的不断钻研,神经网络技术得到了迅猛发展。Hinton等人于2006年提出了深度神经网络算法,深度神经网络是由多层隐含层组成的感知器,可以有效映射多种复杂的非线性关系,大大提高了网络的预测精度和训练速度,已经被广泛应用于预测领域。王军研究分析了深度神经网络在中期负荷预测的预测准确性;于惠铭等人提出了一种基于深度递归神经网络的短期负荷预测策略,有效解决了负荷的非线性与动态特性所导致的预测效果不理想的难题;何琬等人考虑到影响负荷预测的因素并提出了合理的输入样本,并构建出了基于深度神经网络的短期负荷预测模型。因此,本文提出的基于深度神经网络算法的超短期负荷预测策略可以有效提高预测的精准度。

基于深度神经网络的超短期负荷预测及应用

深度神经网络结构的主要层次包括输入层、隐藏层与输出层。通常来讲,输入层是第一层次,输出层是最后一层,输入层与输出层之间则都是隐含层。同一结构层之间是不连接的神经元,而相邻结构层的神经元是完全连接的。依据这样的结构深层神经网络能够通过不断的优化训练表达数据高阶交叉的特征。

深度神经网络因为具有多层隐藏层的神经网络也被称为多层感知机,由于深度神经网络具有的多层计算机构,因此多层隐藏层之间可以极大地提高计算次数。由于通过隐藏层之间不断地计算可以挖掘出更深层次的输入数据之间的关系,所以面对复杂的预测问题能够得到一个预测精度更高的预测结果。深度神经网络解决了神经网络无法模拟异或逻辑的问题,同时其多层次的结构也可以更好的解决复杂的影响因素,能够将更复杂的函数通过每层更少的神经元来拟合出来。

深度神经网络通常被分为三类:

  1. 前馈神经网络

前馈神经网络是最初的几种人工神经网络模型之一,在这种神经网络中,信息只能沿一个方向流动,从输入单元经过一个或多个隐含层到达输出单元,在网络当中没有形成封闭环路。前馈神经网络的典型代表主要包括多层感知机、卷积神经网络等。

  1. 反馈神经网络

反馈神经网络与前馈神经网络不同,它不是通过对输入信号进行编码,而是运用解反卷积或者学习数据集的基的方法来对输入信号进行反解。前馈神经网络是对输入信号编码的过程,然而反馈神经网络是对输入信号进行解码的过程。反馈神经网络的典型代表主要包括反卷积网络、层次稀疏编码网络等。

  1. 双向深度网络

双向深度网络是由多个编码器层与解码器层叠加组成,每层既有可能是单独的编码过程或者解码过程,也有可能同时包括编码过程与解码过程。双向深度网络主要包括深度信念网络、深度波尔兹曼机、栈式自编码器等。

深度神经网络可以用于处理更复杂的函数集合,能够反映许多严谨的非线性映射关系,采用深度神经网络的深层计算模型训练大量的样本数据可以得到更高的预测精度。所以采用深度神经网络模型算法适用于电力系统的超短期负荷预测能够得到更加精准的预测结果。

电力系统中的负荷预测是一个非常复杂但又极其重要的研究领域,人们未来会需要更高的预测精度与更加快速的预测速度,也会有越来越多新的的负荷预测模型与算法被提出。本文提出的基于深度神经网络的超短期负荷预测策略虽在一定程度上提高了预测的精准度,但还会有很多其他因素会对预测结果造成影响,希望未来的学者可以提出一种新的方法可以使负荷预测的结果更加精准快速。