检索结果-南通市图书馆

基于K-Medoids聚类与栅格法提取负荷曲线特征的CNN-LSTM短期负荷预测

电力系统保护与控制 2023年第18期51卷 81-93页

作者：季玉琦严亚帮和萍刘小梅李从善赵琛范嘉乐郑州轻工业大学电气信息工程学院河南郑州450002

高效准确的短期负荷预测是电力系统安全稳定与经济运行的重要保障。针对峰荷与谷荷预测误差较大的问题,提出一种基于栅格法提取负荷曲线特征的卷积神经网络和长短期记忆网络(convolutional neural network and long short term memory n... 详细信息

高效准确的短期负荷预测是电力系统安全稳定与经济运行的重要保障。针对峰荷与谷荷预测误差较大的问题,提出一种基于栅格法提取负荷曲线特征的卷积神经网络和长短期记忆网络(convolutional neural network and long short term memory network,CNN-LSTM)混合预测模型。首先,采用K-Medoids算法对日负荷曲线聚类,将各聚类中心作为典型代表日负荷曲线。采用栅格法将典型代表日负荷曲线划分为若干个区间并依次编号,提取负荷曲线的特征。然后,将各典型代表日负荷曲线特征与对应负荷类型历史数据重构成新的特征集输入到CNN-LSTM混合神经网络中。利用CNN挖掘数据间的特征形成新的特征向量,再将该特征向量输入到LSTM中进行预测。最后,以美国新英格兰地区2012至2013年电力负荷数据集为例进行仿真验证。结果表明,所提方法在不同日期下的负荷预测精度均有所提升,并且在提升日负荷平均预测精度的同时,有效提升了峰荷、谷荷的预测精度。

关键词：短期负荷预测 K-Medoids聚类分析负荷曲线特征提取卷积神经网络长短期记忆网络

来源：

维普期刊数据库

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

基于数据驱动与负荷特征提取的短期负荷预测

基于数据驱动与负荷特征提取的短期负荷预测

引用

作者：严亚帮郑州轻工业大学

学位级别：硕士

短期负荷预测在电力系统的运行调度与生产计划中起着关键作用,随着电力市场化改革的深入,电网公司、售电公司与用户对负荷预测精度的要求也愈来愈高。由于电力系统具有随机性,产生的历史负荷数据也是随机非平稳的时间序列,使得负荷预测... 详细信息

短期负荷预测在电力系统的运行调度与生产计划中起着关键作用,随着电力市场化改革的深入,电网公司、售电公司与用户对负荷预测精度的要求也愈来愈高。由于电力系统具有随机性,产生的历史负荷数据也是随机非平稳的时间序列,使得负荷预测存在诸多挑战。因此,本文通过分析历史负荷数据的各种特性,提取了多种能够反应负荷数据变化的特征因素,并结合了基于大数据为处理对象的深度学习神经网络开展短期负荷预测研究。具体工作内容如下:(1)影响负荷变化的因素众多,通过寻找能够表征负荷变化的因素,并应用于负荷预测以期提高预测精度。由此,基于电力负荷数据的变化特性,提出了基于负荷时变趋势映射(Load Time-varying Trend Mapping,M)方法结合卷积神经网络和双向长短期记忆网络(Convolutional Neural Networks and Bi-directional Long Short-term Memory,CNNBi LSTM)的混合预测模型(M-CNN-Bi LSTM)。首先,分析历史负荷曲线的时变特性,建立表征负荷时变趋势的映射模型,转换映射模型为数学模型并提取负荷时变趋势特征。然后,通过数据迁移并重构特征集。最后,将重构特征集输入到CNN-Bi LSTM混合模型中,利用CNN再次挖掘数据间的特征形成新的特征向量,再将该特征向量输入到Bi LSTM中进行预测,通过实例仿真验证了该方法的有效性。(2)电力负荷数据具有时变性、周期性、突变性等特性,其中隐含着负荷变化规律,计及电力负荷数据的周期性与时序变化特性,提出了基于皮尔逊相关系数(Pearson Correlation Coefficient,PCC)提取负荷周期特征(Cycle Characteristic,C)与时变特征的(Time-varying Characteristic,T)相结合的卷积神经网络-长短期记忆网络(Convolutional Neural Networks and Long Short-term Memory,CNN-LSTM)混合预测模型(C-T-CNNLSTM)。首先,使用皮尔逊相关系数分析不同时间节点的负荷数据关联程度,提取能够表征负荷周期性变化的特征变量。然后,通过分析周期负荷数据时序变化特点,建立负荷时变模型,提取负荷时变特征。最后,重构特征集,并输入到CNN-LSTM混合模型中进行预测。采用9种预测模型进行仿真对比,结果表明,融合负荷周期特征和时变特征的预测模型,能不同程度地提高各类模型的预测精度,且该混合预测模型拥有最高的预测精度。(3)通过分析不同预测模型的预测结果发现负荷曲线的时序特征对负荷预测精度影响较大,负荷曲线上不同点的预测误差也各不相同,尤其在峰荷与谷荷处存在预测误差较大的问题。针对该问题,提出一种基于K-Medoids聚类与栅格法提取负荷曲线特征的卷积神经网络和长短期记忆网络混合预测模型。首先,采用K-Medoids算法对日负荷曲线聚类,将各聚类中心作为典型代表日负荷曲线。采用栅格法将典型代表日负荷曲线划分为若干个区间并依次编号,提取负荷曲线的特征。然后,将各典型代表日负荷曲线特征与对应负荷类型历史数据重构成新的特征集输入到CNN-LSTM混合神经网络中进行数据的学习与预测。最后进行实例仿真验证,结果表明,所提方法在不同日期下的负荷预测精度均有所提升,并且在提升日负荷平均预测精度的同时,有效提升了峰荷、谷荷的预测精度。

关键词：短期负荷预测负荷时变特性负荷曲线特征提取皮尔逊相关系数聚类算法深度学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：