基于损失函数与神经网络的电力系统能源预测研究
作者单位:南京邮电大学
学位级别:硕士
导师姓名:杨杨
授予年度:2023年
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
主 题:能源预测 确定性预测 概率区间预测 神经网络 损失函数
摘 要:电力系统能源预测作为电力系统平稳运行的重要组成部分对电力系统安全运行和维持电力供需平衡具有重要研究意义。风能和负荷作为电力系统供给侧和需求侧的主要能源对象在本文中作为主要目标进行了预测方法研究。风能是电力供给侧的主要可持续能源之一,精准的风能预测是风电场安全、高效和平稳运行的重要组成部分;电力负荷预测是电力需求侧能源预测的主要部分,精准的负荷预测对电力公司合理规划电力配给具有重要作用。研究者们提出的现有方法存在鲁棒性差、随机噪声难拟合、线性和非线性特征提取困难和无法提取长期区间自相关特征等问题。本文针对现有方法存在问题,进行以下四个内容的研究:(1)提出基于鲁棒损失函数和统一惩罚回归框架的鲁棒惩罚极限学习机回归模型。此模型解决风能预测常用的极限学习机模型存在的模型结构难以先验确定和对风能异常值敏感的问题。与传统极限学习机相比,鲁棒惩罚极限学习机模型可将鲁棒性较差的平方损失替换为鲁棒性能更好的指数平方损失和lncosh损失来改善鲁棒性能。在中国北方风能数据集上实验验证得到通过在统一惩罚回归框架中添加Ridge惩罚和Lasso惩罚项可自适应地压缩和确定模型结构,其中引入Lasso惩罚显示了优秀的压缩极限学习机隐含层节点的能力,引入Ridge惩罚显示了其可显著提高预测模型的泛化性能。(2)提出基于鲁棒损失函数和深度神经网络的鲁棒自回归双向GRU短期预测模型。此预测模型解决电力系统中风能和负荷预测存在的线性和非线性特征提取困难、随机噪声难拟合和异常值影响模型泛化性的问题。此模型分别引入自回归算法提取历史序列的线性特征,引入双向GRU网络提取非线性特征,引入自注意力机制对经过双向GRU网络编码后的隐含特征进行相关性特征提取。此外,基于鲁棒回归的思想引入自适应尺度Huber损失训练模型,通过最小化其负log“工作似然函数迭代地估计出符合风能和负荷序列随机噪声分布的超参数,提高模型的鲁棒性和对复杂随机噪声的拟合能力。在风能和澳大利亚负荷数据集的实验验证了所提出模型的优秀预测效果。(3)提出多尺度分解深度神经网络短期负荷预测模型。解决了传统负荷预测方法中引入信号分解算法需要对负荷序列重复分解与建模过程的问题。此模型基于神经网络近似实现对负荷序列的傅里叶变换,将负荷序列自适应地分解为不同频率和幅值的周期分量,避免重复进行序列分解与建模。此外,引入lncosh损失并将其改进为自适应尺度lncosh损失作为训练目标函数,为其推导“工作似然函数以迭代优化出符合负荷序列随机噪声分布的超参数,以提高模型的鲁棒性和对复杂随机噪声的拟合能力。在葡萄牙和澳大利亚负荷数据集的实验验证了所提出模型的优秀预测效果。(4)提出基于改进Auto-correlation机制的多粒度Autoformer点与概率区间负荷预测模型。解决了现有长序列预测模型Autoformer存在的提取特征粒度太细且无法获取多粒度形式的长期特征的问题。改进Auto-correlation机制引入shared Q-K机制将自注意力机制的查询矩阵Q与键值矩阵K映射到相同特征空间内以更准确的计算自相关函数,并将Auto-correlation机制从以单样本为粒度拓展到以不同样本点数为粒度以提取不同粒度的相关性特征;此外,基于分位数损失将点预测模型拓展为概率区间预测模型解决点预测应用存在局限性的问题。在葡萄牙、美国、ISO新英格兰和澳大利亚负荷数据集的实验验证了多粒度Autoformer在点与概率区间预测上的优秀预测效果。