基于集成深度学习的电力能源预测研究与应用

• 作 者: 陈杰
• 机 构: 东华大学
• 出 处: 东华大学
• 发表日期: 2019年12期
• 关键词: 电力能源预测

电力能源在人们的日常生活和生产中起着至关重要的作用，是当今社会赖以生存的基础，因而如何利用好电力能源和提高电力能源转换效率是一个非常关键的问题。其中，电力能源预测技术包括电力市场负荷预测和新能源预测是解决以上问题的一个有效手段。电力市场负荷预测可以根据过去与当前电力市场的状态与数据，依赖正确的方法来对未来一段时间的电力市场负荷进行预测，从而为电力市场从业者提供精准的决策支持，以提高用电效率，降低发电成本，维护当地社会活动的健康与持续发展。另一方面，新能源发电尤其是风能发电正在受到越来越大的重视。而且，近年来，风能发电量占新能源发电总量的比例也是越来越高。由于风电场风速的不确定和不稳定性，风电场风速预测技术对风电能的持续稳定输出起着十分重要的作用。有效而准确的风电场风速预测可以提高风电转换效率和利用率，降低风电场发电成本，改善发电质量。从数学建模的角度出发，以上问题都可以归结为时间序列的建模与预测问题。与此同时，鉴于深度学习技术在其他领域，如图像识别与处理、自然语言处理和智能医疗等上的成功应用，本文将围绕深度学习技术在时间序列建模与预测，尤其是在电力能源预测的研究与应用上展开，以期更好地解决电力能源预测问题，从而保障整个电网运行稳定，提高电力系统稳健性，降低运营成本，改善用电体验。具体地，本文的研究工作主要包括：
　　(1) 为解决传统时间序列建模与预测的难题，本文利用深度学习技术强大的特征表达和非线性学习能力，将擅长挖掘序列隐藏信息的长短时记忆网络 LSTM(Long Short-Term Memory networks)引入到时间序列建模与预测中，并结合集成学习(ensemble learning)强大的学习与泛化能力，给出基于一种集成深度学习的时间序列建模与预测方法的思路及其关键技术介绍。
　　(2) 提出一种在stacking集成学习框架下基于深度学习的电力负荷预测方法。利用深度学习中具备强大序列学习能力的长短时记忆网络LSTM来预测电力负荷时间序列。更重要的是，为克服单个LSTM网络弱泛化能力的缺点，采用stacking集成学习框架来融合一簇具有不同隐含层神经元个数的 LSTM网络来增强单个LSTM网络的预测能力。实验结果表明，所提方法不仅可以有效提升预测精度，同时也具备面对不同数据时的强鲁棒性能。
　　(3) 提出一种基于深度学习长短时记忆网络LSTM、支持向量回归机SVRM (Support Vector Regression Machine)和极值优化算法EO (Extremal Optimization)的非线性集成深度学习时间序列预测方法来解决风电场风速预测问题。首先，为克服单个深度学习方法面对多样性数据时的弱泛化能力和弱鲁棒性能，一簇具有不同隐含层数和神经元数的LSTM网络将被用于探索和挖掘风速时间序列的内在信息。然后，该簇 LSTM 网络的预测结果将被融合至一个由支持向量回归机 SVRM 组成的非线性学习回归顶层，极值优化算法 EO 将用于该回归顶层的参数优化。最后，经参数优化后的非线性回归顶层SVRM将输出最终的集成预测结果。将所提方法应用于中国内蒙古某一风电场历史实测数据，分别实施10分钟提前超短期风速预测和1小时提前短期风速预测。与传统预测方法相比，所提方法能够显著提高风速预测精度，具有广阔的应用前景。