文摘

短期负荷预测是一个重要的部分支持电网的规划和运作,但目前的负荷预测方法模型参数自适应能力差的问题,这是难以确保高效和准确的电网负荷预测的需求。为了解决这个问题,提出了一种智能电网短期负荷预测方法基于多层网络模型。这种方法使用集成经验模态分解(IEMD)方法实现有序、可靠的负载状态数据和提供高质量的数据对预测网络模型的支持。增强网络初始模块用于深层神经网络自适应地调整参数(款)预测模型,提高预测网络的拟合和跟踪能力。同时,引入混合粒子群优化算法进一步提高了动态优化的能力深强化学习模型参数,可以实现智能电网的准确的短期负荷预测。仿真结果表明,平均绝对百分比误差和均方根误差性能指标的预测模型分别是10.01%和2.156兆瓦,分别显示了较好的曲线拟合能力和负荷预测能力。

1。介绍

负荷预测是一个关键环节,确保电力系统的稳定和可控的状态1,2]。准确的负荷预测可以实现单元组合,制定适当的旋转备用和维护计划,有一个伟大的对电力系统规划和运行的影响一定程度上(3- - - - - -5),可以确保电力能源的生产和消费都在一个平衡和稳定状态(6]。因此,负荷预测的重要性在现代电力系统的能量分布和管理是不言自明的。

目前,电力负荷预测可以分为长期分析,中期分析,根据预测时间尺度和短期分析(7]。中长期预报主要用于负荷预测在接下来的几周内,数年。通常用于长期规划等优化电网电源的结构和布局,以提高电网的经济规划和建设。短期负荷预测是一个电网的日常操作的一部分,和其预测的准确性直接影响电网规划和运行的稳定性(8]。因此,本研究实现准确的电网短期负荷的预测和分析。

传统的负荷预测方法主要是回归分析和时间序列方法(9,10]。根据时间表,这种方法类负荷历史数据,构造相应的负荷预测的数学结构,并推导出分析公式。传统的负荷预测方法是基于电网的历史状态数据和数据状态模型来实现数据线性拟合负荷预测研究和分析。然而,当前智能电网大量分布式能源和智能终端的随机存取,具有时间和空间的不确定性,因此,电网状态数据也有较高的不确定性和强非线性,对建筑有很大的影响和传统模式模型的初始化。(11]。

深度学习技术的出现为电网负荷预测提供了一个新的解决方案,避免了传统方法的缺点直接构造预测和基于数据的分析模型(12]。电源状态数据可以通过多层结构不断训练和学习网络模型建立一个多层预测网络模型以精良的拟合能力,从而达到准确和有效载荷分析和预测(13]。应该注意的是,由于深度和复杂的多层网络结构特点,其网络参数很难跟踪数据实现自适应动态调整(14),是一个多步电力负荷预测误差的问题。

针对上述问题,本研究提出了一种新的预测方法基于深度学习网络和强化学习网络。的主要创新如下:(1)旨在实现预测网络的可靠的数据支持,本研究预处理收集到的功率状态数据基于集成经验模态分解(IEMD)方法,以提高网络的秩序和可靠性模型训练数据(2)旨在支持预测网络对于准确分析,强化学习《盗梦空间》网络模型用于调整深层神经网络的参数(款)和混合粒子群优化算法集成到网络实现准确、高效的智能电网短期负荷预测

2。相关工作

准确的短期负荷预测可以实现电网的稳定和可控的操作(15),以及短期负荷的平均误差可以节省数万甚至数百万美元每减少百分之一(16]。

传统的负荷预测方法被认为从数学建模的角度,如回归分析方法和时间序列方法。传统的预测方法直接建立电力数据的数学模型,具有高功率状态数据收集的质量和要求可以实现电力负荷预测数据量小。然而,对于复杂和多样的状态数据,分析预测模型的误差很大。此外,传统的方法,有一些困难在模型的构造和初始化,也很难保证预测精度(17- - - - - -19]。

由于随机网格连接的新能源和负荷的复杂变化,电力负荷的变化呈现较高的不确定性,以及电网状态数据呈现强烈的非线性,构成挑战更高的短期准确预测电力负荷(20.- - - - - -22]。

深入学习和强化学习可以提取负载状态数据通过多层网络结构的特点,不断提高预测网络模型通过训练和学习的过程,实现高效的电网负荷预测。文献[23考虑温度和负荷的不确定性,实现中期负荷预测基于分位数回归神经网络。文献[24)使用自动编码压缩负荷历史数据和基于多层构造预测模型封闭的复发性单元(格勒乌)来分析和预测电力负荷的日变化。文献[25使用长短期记忆(LSTM)模型来预测负载功率根据温度历史数据和历史数据。文献[26)结合LSTM RNN网络和实现有效的工业电力负荷预测基于多层混合深度学习网络。然而,它还应该指出,尽管当前多层网络分析方法解决问题的直接数学建模,它仍然有一定的训练集的数据质量要求。一个可靠的和完整的加载数据集是一个重要的保证准确预测(27]。此外,由于太多的层网络结构,有一定的滞后调整网络参数,和模型参数失配的也会导致预测网络中的某些错误。

为了解决这个问题,本研究选择IEMD方法优化电力负荷数据,以便预测网络模型提供可靠的数据支持。基于参数自适应多层网络结构,高效、准确的短期负荷预测智能电网的实现,它提供了一种可靠的电网规划和操作参考。

3所示。多层网络预测方法

对于复杂场景的智能电网,本研究使用的结合经验模态分解方法和深度强化学习来构建一个完整的电网状态数据分析架构可靠预处理准确预测分析,从而实现智能电网的准确的短期负荷预测。

3.1。总体框架

电力状态数据冗余和不完备的特征。很难实现准确的短期负荷预测直接通过训练和学习它。本研究结合了数据预处理技术和负荷预测技术,提出了一种深学习负荷预测模型体系结构支持的完整的数据集。图1显示了短期电力负荷的分析架构提出了研究。

如图1,实现精确的电力负荷预测,本研究首先采用数据预处理方法提高数据质量和第二处理数据基于IEMD方法来提高培训和学习数据的可靠性和完整性。同时,采用多层网络训练模型的结合强化学习网络和深入学习网络。这个概念模块实现动态数据调整到款预测网络以提高预测模型的拟合能力。

3.2。加载数据预处理

电力数据采集不完整的特征,重数据存储任务,不一致的存储格式和数据存储中的某些错误和很容易受到噪声干扰。因此,数据预处理使用数据在实际任务是必要的。在实际的数据处理过程,它主要包括四个步骤:数据清理、数据集成、数据规范和数据转换。其中,预处理数据转换是最重要的一步。将非标准数据转换成标准化的数据可以直接影响模型的预测精度。

有两个数据转换的方法,使不同的功能有相同的值范围:规范化和标准化。标准化是重新调节数据最初的范围内按照一定比例和规模。具体时间间隔根据实际需要调整规模之间的数据和 。假设有一个电网状态数据的样本,其归一化计算公式如下: 在哪里规范化的电网状态数据和吗和最小和最大特征值吗在所有样本,分别。

数据标准化是数据预处理的步骤,让它在一个特定的范围内。目的是数据可以在反向传播有更好的收敛特性,每一维特性调整意味着0和方差1。假设有样品 ,对于每一个一维特征 ,首先计算均值和方差。均值和方差计算公式方法如下公式所示:

的公式,不能是0。如果方差 ,这意味着这个一维特性是不可区分的任务,可以直接删除而不被包含在功能维度。

电网状态数据有时间特征。传统的方法是使用小波分析方法实现数据处理,但有复杂和冗余计算的问题。经验模态分解(EMD)方法可以避免指定的问题由小波基函数方法基于数据本身的时间特性,实现可靠的电网状态数据预处理。

EMD用于分析和大波动过程的非平稳非线性信号。任何信号可以分解为几个固有模式函数(货币),实现有序、可靠的数据处理。然而,由于强烈的不确定性当前电网的负荷特点,有一个可观的重组排序数据错误。

IEMD方法用于分解信号与不同的变化特征,从而实现电力数据的可靠支持。IEMD通过添加自适应方法克服了传统的缺点EMD白噪声和计算残余独特的信号,以便重建信号几乎与原始信号相同。IEMD方法不仅克服了现有模式混合的现象,但也减少了重建误差通过增加分解。

被定义为计算的运营商通过EMD th模式组件,符合正态分布的高斯白噪声,然后呢国际货币基金组织(IMF)的原始净负载曲线通过IEMD分解 。IEMD算法的主要内容如下:

步骤1。定义高斯白噪声的振幅恒定, ,和行为实验最初的净负荷曲线 IEMD获得第一个固有模式函数 。一个组件IEMD分解得到的是所有人的意思在实验。

步骤2。在第一阶段,计算残差序列第一次如下:

步骤3。定义高斯白噪声的振幅不变。是IEMD分解算子。同时,序列 受到EMD直到第一个获得国际货币基金组织(IMF)。然后,第二个组件IEMD可以计算如下:

步骤4。剩余的每个阶段 ,重复步骤3和计算 模态组件如下:

第5步。执行步骤4直到获得剩余信号不再执行任何货币基金组织、和标准条件是,国际货币基金组织不能提取残留。
然后,最后的残余信号如下: 因此,最初的净负荷信号序列最终分解为 IEMD分解方法可以解决传统的EMD模式混叠问题通过添加标准正态白噪声和在电网短期负荷预测更多的自适应性。

3.3。多层网络预测方法

实现准确、高效的短期负荷预测方法,本研究结合强化学习和深度学习形成一个深强化学习模型来提供优质的配件和跟踪能力。其中,强化学习模型是由初始模块提高训练参数的深入学习。深入学习网络是由深循环神经网络。

强化学习模型的核心策略梯度代理。在每个时间步 ,代理(代理)与环境的相互作用确定一个状态转移到款模型的作用。然后,款模型使用新选中的状态来完成任务。如图2,本研究使用初始网络模型作为主要的强化学习网络模型。基于当前选择的模型性能,这将被视为一个奖励更新代理参数。接下来,我们介绍的三个关键分代理,包括环境、行动和奖赏函数。

环境:之前的状态和当前输入结合形成的环境表示代理,如以下公式所示:

行动:在观察环境 ,代理应该确定哪些款单元的状态是最好的。形式上,一个状态集将构造,保留最近获得的状态和设置最大大小提前。代理采取措施通过抽样的最佳状态从多项分布 ,如以下公式所示: 在哪里 。如果 ,它等于1,否则为0。延时代表一个多层感知器,转换为一个向量维度 ,和softmax函数用于将向量转换为概率分布 。 是th元素 。然后,转移到款单位进行进一步的计算。

奖励功能:适当的奖励函数引导代理可以选择一系列最佳跳过行动训练更好的预测模型。通过奖励和之间的交互环境,鼓励代理选择最好的跳跃来提高模型的性能。奖励函数如下公式所示:

该模型采用简化的盗梦空间网络结构。在初始模块,每个时间步的隐藏状态向量连接构造一个隐藏的状态矩阵,和一组优化的功能是产生的电流和附近隐藏的状态向量。

款训练模型,首先,需要选择网络的参数,包括输入/输出层节点的数量和隐藏层。具体培训款网络如图3。

款模型的输入层网络参数预测电力负荷数据密切相关,主要影响在输入层节点的数目。隐层的参数一般选择试验和错误的方法。通过不断改变参数和对比分析结果,层数和隐层的节点可以确定。给出了具体的网络参数在实验下一节的一部分,不会重复。然后,模型训练,包括正向传播和定向传播培训款网络。

款地图的输入序列值对应的顺序输出 。学习过程进行 来 。为时间步 ,网络的神经元参数层更新他们的共享状态由以下方程: 在哪里是输入数据的步骤 ; 是相应的预测结果;卷层网络的共享状态在时间吗 ; 是激发函数,通常是使用和双曲正切函数;代表的输入特征层在一步周期;和和代表模型状态系数的网络层。

输入功能是由互信息理论筛选。互信息来自信息论中熵的概念,用来代表多个变量之间共享的信息量,所以它通常是作为一个变量选择工具。输入数据的互信息熵和预测数据可以定义由以下公式: 在哪里 和 集体的数据量的数据吗分析和预测的结果 。的值的概率的数据进行分析可以被定义为 。预测结果的概率是可以被定义为相应的; 定义了联合概率的公式计算的数据集和 。

对于深层强化学习模型,模型的本质是多核参数网络模型,及其参数适应性非常重要的准确分析预测模型。因此,本研究采用混沌粒子群优化算法来实现模型的自适应调整配置。

修正公式如下: 在哪里粒子的速度矢量;自我是粒子的当前的最优解;是人口的历史最优解;和伪随机数字0和1之间;惯性权重;和和是加速常数。

混沌粒子群优化的步骤如下:(1)初始化模型的人口和内置的参数集(2)个人优化和全局优化搜索(3)使用方程(15)更新粒子速度和位置和重量(4)计算每个粒子的目标函数和留住最好的粒子性能(5)混乱的人群中最好的粒子更新本地最佳点和全球最佳点(6)当全球最优解满足要求

图4展示了主要的流程图多层网络的电力负荷预测方法提出了研究。

4所示。实验和分析

实验仿真是进行高性能的工作机器,和模拟操作场景如表所示1。

与此同时,表2显示了短期负荷预测的主要参数配置网络提出了研究。

4.1。实验数据集

数据集包含53154实时电力用户负荷需求来自于2187在城市电网公司是用于验证我们提出的方法的有效性。负载的采样频率是每小时收集从8月3日,2020年8月23日,2020年,在此期间,20天每个负载的负载曲线记录。图5显示了一个示例的短期能耗负载的模拟数据。

因为使用的模拟数据集很大,实验数据是成比例缩放到训练集和测试集。训练集数据应用程序的目的是训练模型到一个更好的水平。预测的主要目的设置应用程序进行验证测试和评估模型的性能。除以训练集:测试集= 8:2。

4.2。预测网络评价指标

旨在直观地验证和评价该方法的优势,两个评价指标选择评估时间序列的预测模型,即平均绝对百分比误差和均方根误差 。计算公式如下: 在哪里和实际值和预测值的负载需求分别的时间;是所有样品的数量作为测试集。

我们可以看到从计算公式(16)和(17),值代表的比例预测结果的偏差值代表的实际偏差的绝对值的预测结果。更清晰的和价值观,更好的预测效果。

4.3。分析预测结果

4.3.1。数据可靠性分析

证明该方法可以实现准确的负荷预测分析,传统的EMD方法用作比较方法处理和分析样本数据,分别。表3显示了该方法的处理结果和比较的方法。

如表所示3而言,货币的数量,IMF IEMD数据处理方法可以获得8组件,具有比传统的EMD方法,首先证明了数据处理方法可以更有效地获得的频率成分。同时,该方法的频率和振幅IMF 1-imf 3保持11 - 12.5%和1.0 - -1.2 mw之间,分别高于其他组件,每个组件的频率和振幅的EMD方法几乎没有区别。剩余R价值也表明,该方法具有更好的数据处理能力比传统的EMD方法,可以提供更加可靠和完整的数据对后续预测网络的支持。

4.3.2。负荷预测分析

在这项研究中,文献[25]和文献[26)被用作比较的方法来实现预测和仿真实验验证的实验数据集,分别。所有方法都实现相同的实验场景下的性能分析。图6显示了定性分析的结果。

如图6,提出的方法可以更好地跟踪变化曲线比较法和具有良好的曲线拟合能力。原因在于在网络模型训练的早期阶段,本研究通过IEMD取得可靠和完整的数据支持数据处理方法。更重要的是,由于《盗梦空间》模块的引入强化学习模型,预测网络可以实现更快速、准确款参数自适应变化。结合混合粒子群优化算法的应用,预测网络的适应性是进一步加强,其直观的性能更快速和精确的负载曲线跟踪能力。相反,在引用网络模型25,26)不涉及预测的自适应调整网络参数,因此很难实现实时和有效载荷分析。

更直观地分析该方法的预测性能的优点,本研究进行了定量分析。表4显示了不同的预测方法的预测性能评价指标。

如表所示4,平均绝对百分比误差和均方根误差的方法分别是10.01%和2.156兆瓦,分别为11.93%和1.659 MW低于文献[25),15.16%和2.515 MW低于文献[26),显示出更好的负荷预测性能。

5。结论

鉴于当前的短期负荷预测方法的低性能,本研究结合强化学习模型与深度学习提出一个高效和准确的深度强化学习负荷预测方法。该方法主要分成两部分:一是使用IEMD方法有序处理电力负荷端数据,可提供可靠和完整的分析数据对预测网络模型的支持;其次,《盗梦空间》模块是用来调整款负荷预测网络的动态参数,可以提高跟踪和预测网络的拟合能力。仿真结果证实,该方法可以跟踪和分析电力负荷能耗在实际复杂的场景中有效和准确的。

仍有一些数据现有的负载数据中的错误。在这项研究中,数据手动取消。然而,如果数据筛选过程被忽略,这将有一个伟大的对后续的模型预测的影响。因此,它可以结合区块链技术实现分布式存储的数据,提高数据传输质量,支持智能电网短期负荷预测。

数据可用性

使用的数据来支持这个研究的发现包括在本文中。

的利益冲突

作者宣称他们没有利益冲突有关这项研究的出版物。

确认

这项研究受到了中国国家电网公司的研究项目批准号1300 - 202013387 - 0 - 0 - 00。