CN113393339A - 基于深度神经网络组合模型的配电网短期负荷预测方法 - Google Patents
基于深度神经网络组合模型的配电网短期负荷预测方法 Download PDFInfo
- Publication number
- CN113393339A CN113393339A CN202110560710.XA CN202110560710A CN113393339A CN 113393339 A CN113393339 A CN 113393339A CN 202110560710 A CN202110560710 A CN 202110560710A CN 113393339 A CN113393339 A CN 113393339A
- Authority
- CN
- China
- Prior art keywords
- load
- neural network
- prediction
- model
- power distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000006403 short-term memory Effects 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000007774 longterm Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 7
- 230000005611 electricity Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度神经网络组合模型的配电网短期负荷预测方法,该方法为:对采集到的配电网中各用户负荷数据进行数据预处理,识别缺失数据及异常数据并修正及进行归一化处理,构造配电网用户负荷数据集;建立自组织映射SOM神经网络聚类模型,输入处理后的数据集,根据配电网中各用户相同日的负荷曲线,获得分类后的用户负荷数据集;建立BP‑DNN负荷预测模型和LSTM神经网络负荷预测模型,针对不同类型的用户负荷,选择不同网络结构的模型进行短期负荷预测;采用最小二乘法对两种模型的预测结果取最优权重组合以进行短期预测。本发明针对不同类型的配电网用户建立各自的预测模型,有效提高了短期负荷预测的精确度及工程适用性。
Description
技术领域
本发明涉及电力系统配电网负荷预测技术领域,具体涉及一种基于深度神经网络组合模型的配电网短期负荷预测方法。
背景技术
随着国民经济的增长和综合国力的提高,国家电力需求增长迅猛,电力系统的发展也大步向前,产业升级和技术升级增加了电能质量和电能传输效率,智能电网系统的建成也完善了电力市场机制,提高了用户端的用电体验。这些均给现代电力系统提出了更高的要求,如何确保电力系统的安全稳定运行成为一个重要议题,而电力负荷预测正是其中不可或缺的重要一环。
电力系统短期负荷预测的发展随着计算机技术的进步不断推进,从最初的时间序列法、指数平滑法等数学拟合模型,到现在的各种深度学习智能算法,行业内各专家学者一直致力于负荷预测的精准化。精准的电力系统短期负荷预测能够在尽可能地保证用户用电质量安全可靠的情况下减少发电备用容量,进而减少成本,实现电力调度的经济合理性,同时便于电力部门制定检修计划,合理完成未来数天的电力规划,其对于改善用户用电计划、完善电力市场机制有着重要的理论意义和工程价值。
然而,现有的短期负荷预测技术皆存在一定的问题,尤其是在对配电网用户的电力负荷预测领域,由于用户端用电规律不一致,导致电力负荷的变化存在极大的不确定性,进而影响短期负荷预测的精确度。单一模型在针对特定用户、特定数据的情况下能得出较好的预测结果,但不具有一般性,无法在工程实践中推广。
发明内容
本发明的目的在于提供一种基于深度神经网络组合模型的配电网短期负荷预测方法,针对不同类型的用户负荷设置不同的神经网络结构,将两种模型的预测结果通过最小二乘法组合建模,实现对配电网用户的精准短期电力负荷预测。
实现本发明目的的技术解决方案为:一种基于深度神经网络组合模型的配电网短期负荷预测方法,包括以下步骤:
步骤1、对采集到的配电网中各用户负荷数据进行数据预处理,识别缺失数据及异常数据并对其进行修正,对修正后的数据归一化处理,构造配电网用户负荷数据集;
步骤2、建立自组织映射SOM神经网络聚类模型,输入处理后的数据集,根据配电网中各用户相同日的负荷曲线,获得分类后的用户负荷数据集;
步骤3、建立BP-DNN负荷预测模型和LSTM神经网络负荷预测模型,针对不同类型的用户负荷,选择不同网络结构的BP-DNN模型和LSTM神经网络模型进行短期负荷预测;
步骤4、采用最小二乘法对两种模型的预测结果取最优权重组合,得到新的组合模型并进行短期预测。
本发明与现有技术相比,其显著优点在于:(1)使用SOM神经网络对采集到的配电网用户负荷进行聚类,针对居民用电、商业用电、工业用电等不同类型的用户,分别进行建模预测,能够与实际工程应用相适配,应用前景相对于现有的负荷预测技术更加广泛;(2)将电力负荷分类与预测相结合,考虑多种短期预测模型的设计组合,针对前馈型深度神经网络和长短期记忆神经网络的优缺点,使用最小二乘法对两种模型组合建模,有效提高用户端短期负荷预测的精确度。
附图说明
图1是本发明基于深度神经网络组合模型的配电网短期负荷预测方法的流程图。
图2是本发明实施例中SOM神经网络迭代结束后各神经元权重曲线图,其中(a)为前四类负荷对应神经元权重曲线图,(b)为后四类负荷对应神经元权重曲线图。
图3是本发明实施例中一例正常作息工作单位型负荷的短期负荷预测结果比较图。
图4是本发明实施例中一例商业娱乐型负荷的短期负荷预测结果比较图。
图5是本发明实施例中一例城市居民型负荷的短期负荷预测结果比较图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案做进一步阐述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
结合图1,本发明基于深度神经网络组合模型的配电网短期负荷预测方法,对采集到的原始配电网用户负荷数据进行预处理,识别和修正缺失数据、异常数据,通过归一化处理建立配网用户负荷数据集;使用SOM神经网络对用户负荷数据进行聚类,获得不同负荷类型用户用电数据集;通过建立DNN模型和LSTM神经网络模型对不同类型的负荷进行时序预测,对两种模型的预测结果使用最小二乘法求取最优系数,建立最小二乘模型对用户未来一天的负荷曲线进行预测,具体包括以下步骤:
步骤1、对采集到的配电网中各用户负荷数据进行数据预处理,识别缺失数据及异常数据并对其进行修正,对修正后的数据归一化处理,构造配电网用户负荷数据集;
步骤2、建立自组织映射SOM神经网络聚类模型,输入处理后的数据集,根据配电网中各用户相同日的负荷曲线,获得分类后的用户负荷数据集;
步骤3、建立BP-DNN负荷预测模型和LSTM神经网络负荷预测模型,针对不同类型的用户负荷,选择不同网络结构的BP-DNN模型和LSTM神经网络模型进行短期负荷预测;
步骤4、采用最小二乘法对两种模型的预测结果取最优权重组合,得到新的组合模型并进行短期预测。
进一步的,步骤1在对采集到的配电网用户负荷数据进行预处理时,对其进行水平处理和垂直处理,完成偏差过大的异常值修改和少部分缺失数据的补全,后对数据集按用户进行归一化处理,具体步骤如下:
(1)根据配电网用户负荷平滑连续的一般性规律,对缺失点及异常点采取水平处理,若第d天t时刻的电力负荷值Y(d,t)满足
|Y(d,t)-Y(d,t-1)|≥αYmean (1)
|Y(d,t)-Y(d,t+1)|≥αYmean (2)则
式中,α为阈值,Ymean为第d天的平均负荷值。
(2)根据相似日电力负荷数据的相似性,对异常点采取垂直处理,若Y(d,t)满足
|Y(d,t)-Y(d-1,t)|≥β (4)
|Y(d,t)-Y(d+1,t)|≥β (5)
则
式中,β为阈值,根据用户负荷的大小,β设为20~70之间的整数。
(3)为避免后续步骤中神经网络模型训练时神经元饱和,将数据集中用户的历史数据归一至(0,1)之间,具体公式如下:
式中,P、Pn分别为归一化前、后的负荷数据,Pmax、Pmin分别为输入数据中的最大、最小值。
在后续步骤得到预测结果后,同样需要对数据进行反归一化,获得真实的负荷预测值,其公式如下:
T=(Pmax-Pmin)Tn+Pmin (8)
式中,T为真实的负荷预测值,Tn为模型输出的预测值。
进一步地,步骤2建立SOM神经网络聚类模型,从步骤1得到的数据集中选择相同日的用户日负荷曲线作为模型输入,得到不同类型用户负荷的分类标签,经数据重组获得分类后的用户负荷数据集,包括以下步骤:
(1)选择数据集中各用户的日负荷曲线输入SOM神经网络;
(2)根据输入样本向量Xi=[x1,x2,…,xm]确定网络结构,其中i为输入样本编号,m为输入样本向量Xi的维度,xi为输入样本向量每个维度的值;计算PCA提取主分量初始化网络权重,其中每个神经元的权重向量Wi=[w1,w2,…,wn],i为神经元编号,n为神经元权重向量维度,wi为神经元权重向量中每个维度的值;确定算法迭代次数;
(3)按顺序选取输入样本Xi,采用欧式距离计算求取Xi与各神经元权重向量之间的距离:
其中,距离最近的神经元权重向量为Wmin;
(4)选择Wmin代表的神经元为获胜神经元,更新该获胜神经元元及其邻域内神经元的权重:
wi(t+1)=wi(t)+ε(t)[xi(t)-wi(t)] (10)
式中,wi(t)为第t次迭代时的神经元权重向量第i维度的值,wi(t)为第t+1次迭代时的神经元权重向量第i维度的值;ε(t)为学习率,随迭代次数的增加自适应调整大小;xi(t)为第t次迭代时输入样本向量第i维度的值。
(5)重复训练过程直到权值达到误差要求或满足迭代步数,输出聚类结果。
进一步地,步骤3建立了基于前馈型深度神经网络和基于长短期记忆神经网络的两种短期负荷预测模型,根据步骤2的用户负荷分类结果,选择对应的BP-DNN模型和LSTM神经网络模型完成预测,具体步骤包括:
(1)建立基于BP-DNN和LSTM神经网络的短期负荷预测模型,两种模型均以过去D日、每T时刻一个点的日负荷序列作为网络输入,采用滚动训练的方式,输出当前日和未来一日负荷的预测值;例如,建立基于BP-DNN和LSTM神经网络的短期负荷预测模型,两种模型均以过去21日、每30min一个点的日负荷序列作为网络输入,采用滚动训练的方式,输出当前日和未来一日共96个点的预测值;
(2)设计两种预测模型的网络结构和参数,其中包括:
a.设计神经网络层数;
b.设计每层网络的个数;
c.选择激活函数,本发明中使用ReLU函数和Sigmoid函数作为激活函数;
d.每层网络后增加Dropout层,丢失率设为ε,例如ε设为0.3,防止模型出现过拟合;
f.选择均方差损失函数(MSE)作为损失函数;
g.选择Adam优化器更新学习率,在避免陷入局部极小的同时尽量加快收敛速度。
(3)完成模型训练,获得两种模型的预测结果序列P1、P2。
进一步地,步骤4根据步骤3中两种神经网络模型的对当前日的预测结果,结合当前日的实际负荷数据,采用最小二乘法,对当前日负荷曲线进行拟合,获得不同的权重组合,建立组合模型,对未来一日(例如共48个点)的负荷数据进行预测,具体步骤如下:
(1)根据当前日实际值与预测值,用线性函数可表示为
y=λ0+λ1p1+λ2p2 (11)
式中,y为当前日负荷实际值,p1、p2分别为步骤3中两种预测模型对当前日的预测值,λ1、λ2为权重,λ0为偏置。
对于m个输入样本,可表示为
即
Pλ=Y (13)
(2)根据最小二乘法,要实现模型预测值与真实值的精准拟合,等价于求解:
线性拟合问题转化为函数求极值问题,可得
λ=(PTP)-1PTY (15)
(3)将未来一日(例如共48个点)的两种预测结果代入公式(16),即可得到最终的预测值。
Y=λ0+λ1P1+λ2P2 (16)
式中,Y为最终预测值。
实施例1
本实施例使用2020年8月江苏省某市区域配电网用户电表采集实际数据,经步骤1的数据预处理,得到归一化后的342个用户电力负荷数据集,数据为每30min取一个记录点、一天48个点的时间序列,将该月前21天的负荷数据作为训练集,第22-25天的数据作为验证测试集。
图2为SOM神经网络迭代结束后的神经元权重值曲线图,其中(a)为前四类负荷对应神经元权重曲线图,(b)为后四类负荷对应神经元权重曲线图。根据配网用户实际情况,用户用电类型主要有居民类、商业类、工业类、混合类等,因此设计SOM网络输入层维度为3*3。使用PCA权重初始化法初始化网络神经元权重,使用按顺序选取样本的训练方法迭代训练10000次,得到最终的聚类结果。根据聚类后每类负荷对应的神经元权重,可以将原负荷数据集分为以下五大类:
(1)第1、2、3、4类负荷神经元权重曲线大致相似,呈现夜晚负荷低、白天负荷高、中午明显下降的特点,符合现行工作时间制度,将这四种负荷划为一大类。此种负荷规律性明显,一般为正常作息的各类工作单位。
(2)第5类负荷夜间到凌晨时分用电量大,日间用电量小,一般为商业娱乐类负荷。
(3)第6类负荷用电量在傍晚到夜间大幅提升,凌晨之后用电量减少迅速,一般为城市居民类负荷。
(4)第7类负荷神经元权重曲线均呈现夜间负荷低、白天负荷高的特点,且存在午间、晚间用餐时段出现负荷陡增的现象,将其划为商业餐饮类负荷。
(5)第8类负荷曲线稳定,波动不明显,不存在较大峰谷差,一般为工业类负荷。
图3为第一大类正常作息工作单位型负荷中,某用户负荷曲线使用本发明进行短期负荷预测得到的预测结果。针对第一大类用户,前馈型神经网络DNN采用三层隐含层结构,每一层神经元个数分别为48,32,9,LSTM神经网络采用两层隐含层结构,每一层神经元个数分别为得输出72,36,各自训练500次后获的预测结果。使用最小二乘组合算法对神经网络输出值进行拟合,得到该用户未来一天每半小时一点的短期预测结果,共48个预测点。从图3中可以看出,使用BP-DNN或LSTM神经网络单独预测时,得到的预测效果并不理想,而使用本发明中的最小二乘(OLS)的组合算法得出的预测曲线能较好地与负荷真实值拟合。计算三种方法的平均相对误差(MRE)、均方根误差(RMSE)如表1所示,本发明使用的OLS组合算法与两种神经网络预测模型相比,预测准确度更高。
表1
图4为第二大类商业娱乐型负荷中,某用户负荷曲线使用本发明所述方法进行短期负荷预测得到的预测结果。针对此类用户负荷,DNN采用三层隐含层结构,每层神经元个数分别为72,48,9,LSTM神经网络采用三层隐含层结构,每层神经元个数分别为72,36,9,根据所述方法可得到三种模型的预测结果。由图表可知,使用本发明中的OLS组合算法对用户负荷进行短期预测的效果更理想。
表2
图5为第三大类城市居民型负荷中,某用户负荷曲线使用本发明所述方法进行短期负荷预测得到的预测结果。针对此类用户负荷,DNN采用四层隐含层结构,每层神经元个数分别为108,84,36,9,LSTM神经网络采用三层隐含层结构,每层神经元个数分别为72,48,9,最终获得三种模型的预测结果。由图表可知,使用本发明中的OLS组合算法得出的预测结果更加精准。
表3
综上所述,本发明阐述的一种基于深度神经网络组合模型的配电网短期负荷预测方法对采集到的配电网用户负荷数据进行预处理,使用SOM神经网络对用户负荷数据进行聚类,通过建立DNN模型和LSTM神经网络模型对不同类型的负荷进行时序预测,对两种模型的预测结果使用最小二乘法求取最优系数,建立最小二乘模型对用户未来一天的负荷曲线进行预测。本发明方法可有效提高短期负荷预测的精确度,且工程适用性强,能够帮助解决现有负荷预测技术受限多、精度低的问题。具有深远的工程意义和较高的实际应用价值。
以上已描述了本发明的优选实施例,该描述无限制性。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种基于深度神经网络组合模型的配电网短期负荷预测方法,其特征在于,包括以下步骤:
步骤1、对采集到的配电网中各用户负荷数据进行数据预处理,识别缺失数据及异常数据并对其进行修正,对修正后的数据归一化处理,构造配电网用户负荷数据集;
步骤2、建立自组织映射SOM神经网络聚类模型,输入处理后的数据集,根据配电网中各用户相同日的负荷曲线,获得分类后的用户负荷数据集;
步骤3、建立BP-DNN负荷预测模型和LSTM神经网络负荷预测模型,针对不同类型的用户负荷,选择不同网络结构的BP-DNN模型和LSTM神经网络模型进行短期负荷预测;
步骤4、采用最小二乘法对两种模型的预测结果取最优权重组合,得到新的组合模型并进行短期预测。
2.根据权利要求1所述的基于深度神经网络组合模型的配电网短期负荷预测方法,其特征在于,步骤1中,数据预处理的具体方法为:
(1)根据配电网用户负荷平滑连续的一般性规律,对缺失点及异常点采取水平处理,若第d天t时刻的电力负荷值Y(d,t)满足
|Y(d,t)-Y(d,t-1)|≥αYmean (1)
|Y(d,t)-Y(d,t+1)|≥αYmean (2)
则
式中,α为阈值,Ymean为第d天的平均负荷值;
(2)根据相似日电力负荷数据的相似性,对异常点采取垂直处理,若Y(d,t)满足
|Y(d,t)-Y(d-1,t)|≥β (4)
|Y(d,t)-Y(d+1,t)|≥β (5)
则
式中,β为阈值,根据用户负荷的大小,β设为20~70之间的整数;
(3)为避免后续步骤中神经网络模型训练时神经元饱和,对数据集按每用户的历史数据进行归一化。
3.根据权利要求1所述的基于深度神经网络组合模型的配电网短期负荷预测方法,其特征在于,步骤2中建立自组织映射SOM神经网络聚类模型的具体方法为:
(1)选择不同用户类型的日负荷曲线输入SOM神经网络;
(2)根据输入样本向量Xi=[x1,x2,…,xm]确定网络结构,其中i为输入样本编号,m为输入样本向量Xi的维度,xi为输入样本向量每个维度的值;计算PCA提取主分量初始化网络权重,其中每个神经元的权重向量Wi=[w1,w2,…,wn],i为神经元编号,n为神经元权重向量维度,wi为神经元权重向量中每个维度的值;确定算法迭代次数;
(3)按顺序选取输入样本Xi,采用欧式距离计算求取Xi与各神经元权重向量之间的距离:
其中,距离最近的神经元权重向量为Wmin;
(4)选择Wmin代表的神经元为获胜神经元,更新该获胜神经元元及其邻域内神经元的权重:
wi(t+1)=wi(t)+ε(t)[xi(t)-wi(t)] (8)
式中,wi(t)为第t次迭代时的神经元权重向量第i维度的值,wi(t)为第t+1次迭代时的神经元权重向量第i维度的值;ε(t)为学习率,随迭代次数的增加自适应调整大小;xi(t)为第t次迭代时输入样本向量第i维度的值;
(5)重复训练过程直到权值达到误差要求或满足迭代步数,输出聚类结果。
4.根据权利要求1所述的基于深度神经网络组合模型的配电网短期负荷预测方法,其特征在于,步骤3建立了基于前馈型深度神经网络和基于长短期记忆神经网络的两种短期负荷预测模型,根据步骤2的用户负荷分类结果,选择对应的BP-DNN模型和LSTM神经网络模型,将过去D日、每T时刻一个点的日负荷序列作为网络输入,对当前日和未来一日的负荷进行预测,两种模型皆引入Dropout层防止训练过拟合,使用Adam优化器调节学习率,网络隐含层及每层神经元个数根据负荷类型进行调整选择,获得两种模型的预测结果序列P1、P2。
5.根据权利要求4所述的基于深度神经网络组合模型的配电网短期负荷预测方法,其特征在于,步骤4根据步骤3中两种神经网络模型对当前日的预测结果,结合当前日的实际负荷数据,采用最小二乘法,对当前日负荷曲线进行拟合,获得最优的权重组合λ0、λ1、λ2,建立最小二乘组合模型,对未来一日的负荷数据进行预测,最终的预测模型为:
Y=λ0+λ1P1+λ2P2 (9)
式中,Y为预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110560710.XA CN113393339A (zh) | 2021-05-21 | 2021-05-21 | 基于深度神经网络组合模型的配电网短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110560710.XA CN113393339A (zh) | 2021-05-21 | 2021-05-21 | 基于深度神经网络组合模型的配电网短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113393339A true CN113393339A (zh) | 2021-09-14 |
Family
ID=77618787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110560710.XA Pending CN113393339A (zh) | 2021-05-21 | 2021-05-21 | 基于深度神经网络组合模型的配电网短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393339A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049038A (zh) * | 2022-07-01 | 2022-09-13 | 科大智能电气技术有限公司 | 园区负荷预测模型寻优方法及系统、设备及可读存储介质 |
CN117370770A (zh) * | 2023-12-08 | 2024-01-09 | 江苏米特物联网科技有限公司 | 一种基于Shapelet-XGboost的酒店负荷综合预测方法 |
CN117669995A (zh) * | 2024-02-01 | 2024-03-08 | 大唐东北电力试验研究院有限公司 | 一种综合能源系统的多元负荷优化调度方法、系统和平台 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110930A (zh) * | 2019-05-08 | 2019-08-09 | 西南交通大学 | 一种改进鲸鱼算法的循环神经网络短期电力负荷预测方法 |
CN110263984A (zh) * | 2019-06-04 | 2019-09-20 | 南瑞集团有限公司 | 基于相空间重构和深度神经网络的超短期净负荷预测方法 |
CN110728401A (zh) * | 2019-10-10 | 2020-01-24 | 郑州轻工业学院 | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 |
-
2021
- 2021-05-21 CN CN202110560710.XA patent/CN113393339A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110930A (zh) * | 2019-05-08 | 2019-08-09 | 西南交通大学 | 一种改进鲸鱼算法的循环神经网络短期电力负荷预测方法 |
CN110263984A (zh) * | 2019-06-04 | 2019-09-20 | 南瑞集团有限公司 | 基于相空间重构和深度神经网络的超短期净负荷预测方法 |
CN110728401A (zh) * | 2019-10-10 | 2020-01-24 | 郑州轻工业学院 | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
金樑: "SVM与神经网络的组合模型在短期电力负荷预测中的应用研究", 《中国优秀博硕士学位论文全文数据库(硕士)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049038A (zh) * | 2022-07-01 | 2022-09-13 | 科大智能电气技术有限公司 | 园区负荷预测模型寻优方法及系统、设备及可读存储介质 |
CN117370770A (zh) * | 2023-12-08 | 2024-01-09 | 江苏米特物联网科技有限公司 | 一种基于Shapelet-XGboost的酒店负荷综合预测方法 |
CN117370770B (zh) * | 2023-12-08 | 2024-02-13 | 江苏米特物联网科技有限公司 | 一种基于Shapelet-XGboost的酒店负荷综合预测方法 |
CN117669995A (zh) * | 2024-02-01 | 2024-03-08 | 大唐东北电力试验研究院有限公司 | 一种综合能源系统的多元负荷优化调度方法、系统和平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | Short‐term power load forecasting based on multi‐layer bidirectional recurrent neural network | |
CN113393339A (zh) | 基于深度神经网络组合模型的配电网短期负荷预测方法 | |
CN107967542B (zh) | 一种基于长短期记忆网络的售电量预测方法 | |
Xiao et al. | A hybrid model based on data preprocessing for electrical power forecasting | |
CN111027772A (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN109861211B (zh) | 一种基于数据驱动的配电网动态重构方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN112381263A (zh) | 基于区块链分布式数据存储多微网日前鲁棒电能交易方法 | |
Akpinar et al. | Forecasting natural gas consumption with hybrid neural networks—Artificial bee colony | |
CN114841410A (zh) | 一种基于组合策略的换热站负荷预测方法和系统 | |
Čurčić et al. | Gaining insights into dwelling characteristics using machine learning for policy making on nearly zero-energy buildings with the use of smart meter and weather data | |
Jarndal | Load forecasting for power system planning using a genetic-fuzzy-neural networks approach | |
Huang et al. | Short-term load forecasting based on a hybrid neural network and phase space reconstruction | |
Zhang | Short-term power load forecasting based on SAPSO-CNN-LSTM model considering autocorrelated errors | |
CN111144611A (zh) | 一种基于聚类和非线性自回归的空间负荷预测方法 | |
CN117117878A (zh) | 基于人工神经网络和多智能体强化学习的电网需求侧响应潜力评估及负荷调控方法 | |
Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network | |
CN113471966B (zh) | 一种计及中断优先级的大工业负荷柔性调控方法 | |
CN115811048A (zh) | 一种基于时空特征增强感知网络的输电断面越限控制方法 | |
CN115689001A (zh) | 基于模式匹配的短期负荷预测方法 | |
Li et al. | EMLP: short-term gas load forecasting based on ensemble multilayer perceptron with adaptive weight correction | |
Xiao et al. | A time Series Prediction method based on self-adaptive RBF neural network | |
CN111626465A (zh) | 一种新能源功率短期区间预测方法及系统 | |
Sala et al. | Enhanced load forecasting methodology by means of probabilistic prediction intervals estimation | |
Zhang et al. | Multi-user Power Load Forecasting Based on K-means and Deep Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210914 |
|
RJ01 | Rejection of invention patent application after publication |