文献综述-潍坊地区基于深度学习神经网络的配电网负荷预测研究.doc

发布时间：2022-05-31 发布人：admin 分类：说明书资料大小：0.05M 资料格式：doc 举报版权申诉

wangyt13-11159843-4744302543412076917.doc.pdf-第1页.png

第1页 / 共10页

wangyt13-11159843-4744302543412076917.doc.pdf-第2页.png

第2页 / 共10页

wangyt13-11159843-4744302543412076917.doc.pdf-第3页.png

第3页 / 共10页

wangyt13-11159843-4744302543412076917.doc.pdf-第4页.png

第4页 / 共10页

wangyt13-11159843-4744302543412076917.doc.pdf-第5页.png

第5页 / 共10页

wangyt13-11159843-4744302543412076917.doc.pdf-第6页.png

第6页 / 共10页

wangyt13-11159843-4744302543412076917.doc.pdf-第7页.png

第7页 / 共10页

wangyt13-11159843-4744302543412076917.doc.pdf-第8页.png

第8页 / 共10页

文本预览

文献综述姓名：学号：指导教师：

工程硕士论文：潍坊地区基于深度学习神经网络的配电网负荷预测研究文献综述摘要：地区电网负荷预测是供电企业在电网建设、运营过程中一项十分要的基础性的工作。小到一个企业的负荷预测，大到全国性电网的负荷预测研究，它的应用结果都会对适用范围内的企业经营管理、电力设施（电网）的规划建设启到引领性作用。负荷预测精度的高低是保证电网能够安全、经济运行的重要依据。本文通过参阅相关文献，对当前电网规划过程中已有的负荷预测模型和相关算法进行了详细介绍与分析，并针对潍坊地区特有的电力负荷情况提供了更为准确，更符合潍坊地区实际情况的算法模型。关键词：负荷预测；深度学习；神经网络；弹性系数 1 引言近年来,随着国家经济的突发猛进，各个地区发展不均衡，对电力系统的需求也不断变化。而负荷预测是电网规划、运营、建设以及电力营销的一项基础性工作，是电网运行控制及计算分析的基础，是保证电网安全稳定运行、合理编制电网运行方式、做好电网供需平衡的关键。地区电网负荷预测是指从已知的电力系统运行情况以及当地政治、经济、气候和社会活动等影响因素出发，通过分析历史数据，寻找地区负荷变化与影响因素之间的内在联系，建立数学模型，并运用可靠的方法和手段对该地区未来一段时间内的用电需求做出预测，进而对该地区电力负荷的发展趋势做出科学合理的判断。这对于保证地区经济发展和居民和谐共赢有着非常重要的意义。 2 电力负荷及其预测方法研究 2.1 电力负荷的定义电力客户的所有运行中的电力设备同一时刻内向电力系统取用的电功率之和称为该时刻该用户的用电负荷。那么某一电网同一时刻内向该电网全部用户供出的用电负荷之和称之为该电网的负荷。同一自然年内，该电网承担的最大供出负荷称之为最大负荷。对负荷类型的划分比较常见的 - 1 -

是全社会用电情况，分为第一、第二、第三产业和居民用电四大类，也可以按照农林牧渔业、工业、地质普查和勘探业、建筑业、交通运输邮电通信业、商业饮食物资供销仓储业、居民用电和其他将行业类别细分为八大类 [1]。 2.2 负荷预测的过程 1.确定负荷预测目标：根据负荷预测工作开展的目的和用途选定负荷预测区域、确定负荷预测时间。 2.数据收集：对选定的负荷预测区域内过去一段时间内的负荷情况以及社会、经济发展状况的数据进行收集。 3.数据处理：对收集到目标区域内的历史负荷、经济、政治等数据进行统计分析，对数据要进行一定的整理，选取有用的数据进行备用。 4.变量因素分析：根据国家大的宏观经济政策方向，结合目标区域的历史经济状况以及目标区域在经济发展中所处的位置和发展方向。分析以上因素会对地区负荷预测可能造成的影响。重点关注当地产业政策的变化和调整、产业结构调整以及经济运行状况等因素，推测出当地经济发展的速度。 5.选择负荷预测方法：根据地区电力负荷发展大的趋势，根据诸多负荷预测方法的优缺点，选取适合该地区负荷预测现状的负荷预测方法，建立负荷预测模型。 6.负荷预测：根据建立的负荷预测模型以及该目标地区的历史负荷数据对该目标区域进行电力负荷预测。根据负荷预测数据，对其进行再次论证。在使用多种负荷预测方法进行负荷预测时，可以根据不同方法得到的不同负荷预测数据给该地区提出“高、中、低”三种负荷预测推荐方案。 7.滚动预测：根据负荷预测结果对该地区接下来的一段时间内的负荷情况进行滚动预测。 3 电力负荷预测模型算法 3.1 国外研究综述国外学者在上个世纪中期己将神经网络技术运用到预测领域，例如， 1964 年，Hu 利用线性网络对天气状况进巧了预测，但由于多层结构的神经网络在训练算法方面的发展还处于起步阶段，其研究受到了极大的限制。直到 1986 年，Rumelhate 等学者提出了误差反向传播算法，使得多层神经网络中隐含层连接权的问题得到解决，直到现在，BP 神经网络仍是神经网络中重要的组成部分，并在多个技术领域得到广泛应用。Rumelhate 等学者组成的研究小组于 1986 年对具有非线性连续传递函数的 BP 算法进行了较为详细的分析。上世纪八十年代末，Werbos 等学者第一次利用 BP 神经网络算法进行预测，并提出了 BOS-Jenka 算法，验证了神经网络算法在预测方面的应用要优于传统的统计学方法。Lapedess 等学者通过大量的 - 2 -

实验得出，神经网络适用于解决预测方面的问题。随着电力负荷的复杂性的加深，最近几年的研究逐渐深 [ 3]。文献 [4 ]以神经网络算法构建电力负荷短期预测模型，评估负荷预测的准确性。其输入的基础数据是以用电客户的前一天负荷数据为输入单元，采用负荷模拟图的形式输出预测结果，更好的为小城镇供电提供负荷预测服务。文献 [5 ]以微电网数据为支撑数据，结合当地的能源消耗水平，引入微网中动态变量，形成电力能源利用曲线。从微电网的动态变量出发，以曲线为分析依据进行短期的负荷预测。文章采用两种不同数据集分别进行短期负荷预测的验证，验证数据集中不同变量的影响大小，确定不同变量对结果的影响水平。文献 [6 ]负荷预测对于动态规划和优化大型能源系统的运营至关重要。随着系统复杂性的增加，要开发准确的预测模型越来越不切实际。本文将负荷数据成是随时间周期性变化的数列，通过历史负荷的统计规律进行预测。对比常见的几种时间序列模型，最后得出结论，样本数据的归一化处理后，以神经网络算法短期负荷预测最为准确。文献 [7 ]提出一种以指数加权模糊评价算法的混合算法进行短期负荷预测。此算法的负荷预测分为三个阶段，阶段 1 变量之间逻辑关系模糊识别，阶段 2 确定训练数据集系数和间隔。阶段 3 尝试短期负荷预测。本文以欧洲等 8 个案例进行对比不同算法的精确性，证明本算法具备一定优势。文献 [8 ]提出基于聚类分析的负荷预测方法，利用 SOM 进行分类的模式识别，通过 k-means 算法对先前数据进行聚类分析，最后针对每个聚类建立 MLP 模型。文章通过数据证明此模型的误差小于其他简单模型。文献 [9 ]设计一种机器学习模型，即神经元网络，用于变电站中压/低压的负载预测。在法国配电系统收集的实际测量结果表明，神经基于网络的模型优于时间序列模型，保证了神经网络模型在负荷预测中的应用。文献 [1 0]提出一种新型的负荷预测模型，随机模糊神经网络（RFNN），能能够针对负荷预测的大量不确定信息，例如离散个体，随机变量等直接输入模模型进行处理，而不需要对数据进行预处理，相比较其他算法，对于不确定性因素的处理更为科学，其在小电网系统和微网中具有很可靠的应用性。文献 [1 1]提出以感知器人工神经网络（MLPANN）为基础的负荷预测模型，其以结果反馈于初始，采用反馈调整模糊算法（FBTFS），以错误信息不断调整为过程，不断实现对负荷预测结果的优化。可以实现在各种操作方案下保持最小的预测误差。提高短期预测的准确性。文献 [1 2]提出了一种采用自回归小波神经网络的负荷预测方法，其算法训练采用（Levenberg-Marquardt（LM）学习算法。文章为了证明所提方法的有效性，按照小时进行短期的负荷预测，并且提供了与其他负荷预测 - 3 -

方法的数据对比，证明了此方法在短期负荷预测中的优势。文献 [1 3]基于多层感知器（MLP）神经网络的负荷预测模型，提出了直接最优并行混合（DOPH）模型网络，基于自适应网络的模糊推理系统（ANFIS）和季节性自回归集成移动平均线（SARIMA）以实现电力负荷预测。充分利用模型的优势，将两种系统构建于成一个最佳结构。在理论上证明了所提出的模型所致使用直接最优结构，可以提高非迭代次优混合模型的精度，而其计算成本明显低于混合模型。实证结果表明所提出的模型可以获得更准确的结果。 3.2 国内研究现状我国电力负荷预测始于二十世纪八十年代初，最初的工作完全是人工实现，由工作人员根据自己的经验进行预测，不科学且误差较大。但是随着不断的发展，电力系统也更加复杂，人工预测已经无法满足需要，因此更高效、准确、科学的电力负荷预测成了研究的热点。最近几年的负荷预测模型热点集中于神经网络算法。文献 [1 4]详细介绍了四种负荷预测算法——时间序列、灰色算法、模糊推理、支持向量机的数学原理和实现机制，对其进行了实际计算，并用列表的方式对各种算法的精度进行了比较。并且根据滨海新区的实际情况选择综合预测法，形成了将电脑和人力结合起来形成完整的负荷预测机制，在地区电网的应用上提供了案例。文献 [1 5]在研究．研究电力系统负荷时间序列属混沌序列基础上，提出了基于 NN 和 CNN 新的智能型组合预测法。该法利用神经网络在非线性方面的拟合能力对权重优化调整，权重的调整是属非线性的，是随时序而变的，其权重隐含在 NN 中，这种权重调整的方法比线性组合更合理，模型结构的任意组合性和灵活性都很高。实际预测已证实其组合预测具明显好的效果，为组合预测法开辟了新的途径和新方法，可肯定它是有广阔前途的。文献 [1 6]本文针对基于混沌理论的局域线性预测法中，预测模型单一、固定的缺点，提出了基于混沌理论的局域遗传规划法，在局域预测中引入了遗传规划算法，将二者有机的结合起来。利用混沌理论为遗传规划法提供自变量及自变量个数的选取，同时利用遗传规划法能够自动形成函数表达式的优点，自动生成依赖于进化环境的最优预测函数。利用局域遗传规划法不需要事先确定预测模型，而且能够自动寻找与预测点密切相关的自变量形成预测模型，这将大大提高预测模型的实用性。通过大量的实验验证。证明了其有效性。文献 [1 7]提出了一种基于概念格的电力负荷相关属性的属性约简算法，该方法挖掘与待预测负荷相关性大的属性作为神经网络输入量，保证了神经网络日最大负荷预测模型输入参数的合理性，解决了神经网络日最大负荷预测模型输入参数的确定问题。经过对重庆某区实际日最大负荷数据的 - 4 -

计算分析，证实了所提出约简算法的有效性，能提高电力负荷预测的精度。文献 [1 8]提出三种负荷预测方法，一种相似日与趋势外推相结合负荷预测方法，即通过时间间隔长短、日类型差异两个差异度量函数选取多个相似日，再根据传统趋势外推技术进行负荷预测。一种馈线分段预测方法，即基于配电变压器预测与分段预测相结合的组合预测方法：先根据馈线各配电变压器供电对象将馈线分段，预测各分段区域负荷；再将分段馈线上各配电变压器预测结果综合计算，得出各分段未来 1 小时至 1 天的最大负荷，为分段开关动作提供依据。提出一种馈线预测方法，即基于分段预测与馈线预测相结合的组合预测方法。体现了分布式预测思想，下一级预测结果为上一级所用。逐时段预测流过馈线开关负荷，根据馈线支路参数，继而得出预测馈线上最大电流，判断未来馈线是否出现重载情况，必要时重构。文献 [1 9]通过对单耗法、弹性系数法、回归分析法等负荷预测的方法对历城区近几年来负荷増长进行了预测及分析。并且将负荷预测的结构应用到了配网规划领域。文献 [2 0]提出了基于数据挖掘方法的负荷预测神经网络结构，并且根据对地区电网负荷特性的研究，提出了一个基于多的变电站负荷预测模型, 首先将变电站负荷进行聚类辨识、分类,然后对每一个类别分别进行预测, 最终将预测结果进行累加,得到该变电站负荷总量。可以将方法进行推广, 对区域内各变电站均用此方法进行合成预测,考虑到各区域中负荷模式类别和所占比重均有所不同,而且不同区域内的天气状况也有所区别,本章中首次提出采用多来对预测系统进行了建构。文献 [2 1]在研究了风机功率输出特性的基础上，提出风机功率输出的预测关键是风速预测。分别运用人工神经网络法和时间序列预测法 ARMA（p， q）模型对风速进行了预测，取得了比较不错的预测结果。光伏发电方面，在已有的研究成果上，提出了一种新的预测方法，即将光伏发电的历史数据加以考虑，同预测日的天气信息等一起作为输入量进行建模，可以得到更高的预测精度。电动汽车充电设施方面，讨论了当前电动汽车的四种存在形式以及各自的充电方式，提出每一种汽车的充电负荷模型，这种方法需要做大量的前期调查准备工作，对数据的要求较高，但结果将有很高的精确性。文献 [2 2]根据各类馈线负荷的特性，分别提出合适的各类馈线负荷预测方法。建立基于鲁棒回归和改进的 Elman 神经网络的馈线用户负荷预测模型。建立基于小波去噪的 ARMA 时间序列的馈线风电负荷预测模型。建立基于 GRNN 神经网络的馈线光伏负荷预测模型。确定基于馈线负荷重组的馈线净负荷预测方法。根据平均相对误差和 VAR 值的误差评价指标，评价所提出方法的预测精度，分析预测误差风险。文献 [2 3]考虑主动配电网下新型负荷和分布式电源接入等因素，提出适 - 5 -

用于主动配电网的概率型负荷预测和发电预测方法。全面分析了主动配电网的负荷分类，提出含友好负荷的整体负荷预测方法；构建主动配电网分布式电源装机容量及分布预测模型，考虑分布式电源出力的概率特性，进而提出分布式电源可信出力预测方法。文献 [2 4]对于城市电网中长期负荷预测，研究分析社会经济等因素对城市不同区域中长期负荷变化的影响，在对影响因素多元线性回归的基础上，运用多变量灰色 MGM(1，N)负荷预测模型，对城市电网电网进行中长期负荷预测，实践表明该模型具有较好的精确度和较强的适应能力。运用基于主成分的 Elman 神经网络方法对风电场出力进行预测，提出等效负荷的概念，建立了基于风电场输出功率，负荷预测的城市电网等效负荷预测模型，并结合算例阐述验证模型优越性。文献 [2 5]采用 Cloud-LssVM 算法。Cloud-LssVM 模型在实际的运用过程中可以解决影响因素的随机性问题，保障了负荷预测结果的严谨性和精确性。分析探究 Cloud-LssVM 模型。利用到了不确定性分析的手段，对于不确定性较强的因素而言，在该模型下的负荷预测具有更高的精准性。还构建出了组合预测模型，并选取使用到了 Cloud-LssVM 和 PSO-LSSV，进一步提升了预测结果的准确性。因为组合预测算法在实际的运用过程中具有较大的操作难度，提出了基于云计算的组合预测模型。利用到仿真实验，发现该模型在提升负荷预测结果的精确性以及操作效率上都发挥出了至关重要的作用。 3.3 深度学习算法研究综述文献 [26]介绍了深度学习的概念；然后根据深度学习算法的结构特征，概述了前馈深度网络、反馈深度网络和双向深度网络 3 类主流深度学习算法的网络结构和训练方法；最后介绍了深度学习算法在不同数据处理中的最新应用现状及其发展趋势。深度学习在不同应用领域都取得了明显的优势，但仍存在需要进一步探索的问题，如无标记数据的特征学习、网络模型规模与训练速度精度之间的权衡、与其他方法的融合等。文献 [27]介绍了深度学习在控制领域的研究方向和现状, 包括控制目标识别、状态特征提取、系统参数辨识和控制策略计算, 并对相关的深度控制以及自适应动态规划与平行控制的方法和思想进行了描述。深度学习在特征提取与模型拟合方面显示了其潜力和优势 . 对于存在高维数据的控制系统, 引入深度学习具有一定的意义. 文献 [28]介绍了深度学习算法的有关内容,包括深度学习与神经网络的比较和深度学习的训练过程。其次,从负荷的日属性、负荷的周属性、温度因素、节假日因素这几个方面对负荷的特性进行了研究。最后,根据负荷的历史数据 ,应用深度学习算法进行了短期负荷预测 ,并将其预测结果与 BP 神经网络的预测结果做了比较。文献 [29]在进行短期电力负荷预测时,考虑到时序数据的时间相关性,应 - 6 -

用张量流深度学习框架构建了 LSTM 神经网络模型,对电力负荷时序数据进行回归预测。使用某省电力公司电力负荷数据进行模拟仿真,结果表明基于长短期记忆人工神经网络的深度学习模型在短期电力负荷预测中可以有效地预测负荷变化。文献 [30]基于改进的长短期记忆(long short term memory,LSTM)深度学习网络模型,提出了一种工业负荷短期预测算法。首先,在网络层次上构建层数更多即网络层次更深的 LSTM 深度学习负荷预测模型。接着 ,在每个 LSTM 单元构成的隐含层中,采用 Dropout 技术对神经元进行随机概率失活, 并通过正则化有效避免深度学习过拟合问题并改善了模型性能。然后,采用真实的工业用户历史负荷数据对所提算法进行测试,并与已有的短期负荷预测算法进行对比 , 包括自回归滑动平均模型 (auto-regressive and moving average model,ARMA), 最邻近回归算法 (K nearest neighbor regression,KNN) 以及支持向量回归算法 (support vector regression,SVR)。仿真结果表明,所提深度学习工业负荷短期预测算法相比于一些现有方法 ,其预测准确度有明显提升 ,预测结果的平均绝对百分误差(mean absolute percentage error,M APE)在 9%以下。文献 [31]全面分析预测模型优缺点的基础上,用数据特征选择、预测误差校正、序列分解模型、启发式优化算法、深度学习模型和无监督分类方法的思想,提出了四个新的组合预测模型。研究结果表明, 深度学习模型所涉及组合预测模型能更好地适用于具体的预测领域,拓展了组合预测模型的应用范围。深度模型通过学习一种深层非线性网络结构以实现复杂函数逼近 ,具有很强的自适应感知能力。文献 [32]提出一种基于栈式自编码神经网络的深度学习预测方法。该方法结合自编码器和逻辑回归分类器构建一个多输入单输出预测模型,并将重构后的历史负荷、气象信息等数据输入到预测模型中 ,用栈式自编码器逐层学习并提取深层特征 ,最后在网络顶层连接逻辑回归模型进行短期负荷预测。实例分析表明,所提预测模型能够有效刻画日负荷变化规律 ,泛化能力较强 ,其预测精度达到 96.2%,比支持向量回归和模糊神经网络两种浅层学习模型更高。 4 结语电力系统的主要任务是向用户提供经济、可靠、符合电能质量标准的电能，满足社会的各类负荷需求。由于电能难以大量存储以及电力需求时刻变化等特点，这就要求系统发电应随时与负荷的变化动态平衡。准确的电力负荷预测既可以保证电力供应的稳定，减少用电成本，提高供电质量，也有助于电力系统的健康发展。上文所涉及的负荷预测技术，多采用诸如前馈人工神经网络、支持向量机等进行短期的电力负荷预测，网络中没有记忆单元，缺少对时序数据 - 7 -

分享到：

赞收藏

资料库

文献综述-潍坊地区基于深度学习神经网络的配电网负荷预测研究.doc

相关推荐

人工智能

热门标签

最新资料