导　　师： 殷豪; 肖建华

授予学位： 硕士

作　　者： (）;

机构地区： 广东工业大学

摘　　要： 在电力系统中,电力负荷预测是电力系统调度、规划和设备检修的重要依据。随着能源互联网的到来,大量的电动汽车充电桩、风力和光伏等发电设备将并接入电网中,负荷的波动将更加复杂难以捉摸。精确的电力负荷预测是能源互联网的指标之一,准确的短期电力负荷预测有利于电力系统各种能源的优化配置,从而节约能源的消耗。神经网络通过输入层、隐含层、输出层之间的映射关系,理论上能刻画出任意非线性时间序列之间的复杂关系,因此神经网络被广泛应用于电力负荷预测中。目前大多数应用BP神经网络等静态预测模型进行负荷预测,然而负荷序列的变化与历史负荷的变化紧密相关,静态模型只能简单描述若干个输入变量与输出值的关系。现有负荷预测技术大多数为点预测,概率预测正处于初始研究阶段,概率预测往往能给相关人员提供更详尽的信息。针对以上研究现状,本文将提出两种基于长短期记忆网络的动态预测模型分别对负荷进行确定性预测和概率性预测。第一种模型为基于卷积神经网络和长短期记忆网络的短期负荷预测模型,在使用长短期记忆网络(LSTM)进行负荷预测时,考虑到卷积神经网络(CNN)在提取数据特征的强大能力,本文先采用卷积神经网络对负荷及其相关数据进行特征提取,然后将特征向量数据作为LSTM的输入数据,LSTM利用其内部记忆单元动态地描述负荷序列变化。为了进一步提高负荷预测的精度,采用自适应矩估计算法(ADAM)对长短期记忆网络的权值和阀值进行优化,得到负荷预测结果。经验证表明所提的CNN-LSTM模型较LSTM和DNN模型在预测精度上更优。第二种模型为基于卷积-长短期记忆网络分位数回归(CNN-LSTMQR)与核密度估计(KDE)的概率预测模型。CNN-LSTMQR模型能拟合出不同分位点下的负荷预测结果,从而描述了未来负荷预测可能的波动区间,通过引入核密度估计KDE能为每个预测点提供完整的概率密度函数。实验表明所提的CNN-LSTMQR-KDE能为负荷提供可靠的预测区间。更多还原

关 键 词： [5125116]卷积神经网络 长短期记忆网络 深度学习 概率预测 [6902722]负荷预测

分 类 号： [TM715]

领　　域： []