基于深度長短時(shí)記憶網(wǎng)絡(luò)的區(qū)域級超短期負(fù)荷預(yù)測方法
摘要:超短期負(fù)荷預(yù)測為實(shí)時(shí)電力市場運(yùn)行提供重要依據(jù),預(yù)測準(zhǔn)確度的提升對于揭示負(fù)荷變化的不確定性以及日前預(yù)測偏差具有重要意義。基于電力系統(tǒng)中含有的豐富大數(shù)據(jù)資源,提出了一種針對區(qū)域級負(fù)荷的深度長短時(shí)記憶網(wǎng)絡(luò)超短期預(yù)測方法,該方法包括輸入數(shù)據(jù)的預(yù)處理、深度長短時(shí)記憶(long short-termmemory,LSTM)網(wǎng)絡(luò)的構(gòu)建以及模型的訓(xùn)練和超參數(shù)的尋找等步驟。其中采用隨機(jī)搜索的方法尋找最優(yōu)超參數(shù),并在該超參數(shù)下選擇泛化能力最優(yōu)的模型,與前沿機(jī)器學(xué)習(xí)預(yù)測算法進(jìn)行對比。實(shí)驗(yàn)結(jié)果證實(shí),深度LSTM網(wǎng)絡(luò)可以取得更好的預(yù)測效果,適合于離線訓(xùn)練實(shí)時(shí)預(yù)測。此外,通過對隱藏層激活向量的可視化展示和相關(guān)關(guān)系定量計(jì)算,首次直觀展示了深度LSTM算法對負(fù)荷數(shù)據(jù)中含有的抽象特征提取情況,證實(shí)了深度LSTM具有對輸入負(fù)荷數(shù)據(jù)特征學(xué)習(xí)以及長短期相關(guān)性挖掘的能力。
注: 保護(hù)知識(shí)產(chǎn)權(quán),如需閱讀全文請聯(lián)系電網(wǎng)技術(shù)雜志社