基于深度学习的智能电网负荷优化预测研究

• 作 者: 苏丽
• 出 处: 贵州师范大学
• 发表日期: 2019年01期
• 关键词: 电网 短期负荷预测 误差 最大Lyapounov指数法 深度学习

电力系统在国民经济发展中占有重要位置,维持电网的供需平衡是保证电力系统稳定运行的关键条件。由于当前超大容量电能存储技术还没有被攻破,因此,必须实施相应的发电调度计划以确保电力系统的稳定运行。对电力负荷进行有效短期预测是日前调度计划制定的依据,准确的短期负荷预测可以使调度计划制定得更加准确,并且可以可减少由于预测不准确带来的弃电损失。为使短期负荷预测更加精准,本文首先对经典预测方法中的最大Lyapounov指数法进行改进,通过构建自回归误差模型,有效解决了传统最大Lyapounov指数法中存在的主观因素问题如嵌入维数求取问题等。通过将传统最大Lyapounov指数法和改进后的最大Lyapounov指数法的预测结果进行对比,可以得出:采用改进的Lyapounov法的预测结果更好,误差范围得到有效缩小。但由于电网日前调度计划对预测的精准度有非常高的要求,改进后的最大Lyapounov指数法预测拟合精度仍达不到规定条件。由此,本文提出了基于深度学习的短期负荷预测优化方法。该方法通过搭建深度学习神经网络架构,采用自主学习寻优的方式,对电力数据中隐含的特征信息进行分析挖掘,使得到的短期负荷预测更加准确、误差范围更小且鲁棒性更好。通过将改进后的最大Lyapounov指数法模型与深度学习预测模型预测的结果进行比较,可以得出:基于深度学习模型的短期负荷预测效果明显优于改进后的Lyapounov预测方法,其误差范围被明显缩小,个别极大值误差被消除,精准度得到明显的提高,鲁棒性也更好。最后,本文基于MATLAB2017实验平台,采用贵州电网公司提供的历史数据对所提模型进行了仿真,对模型的有效性和可行性进行了验证,可以为电网公司相关部门提供参考。