论文部分内容阅读
随着能源领域技术的进步,电力可以更方便,更有效,更经济地生成,运输和储存。智能电网旨在创建自动化,高效的能源输送网络,以改善电力输送的可靠性和质量,以及网络安全性,能源效率和需求侧管理方面。预测电力需求是电力系统管理中的一项基本任务,高估或低估需求可能会导致电网不稳定以及资源利用不足,从而导致高昂的经济成本。电力系统基础架构规划需要长期负荷预测(数月至一年),但是,智能电网的运营决策必须在短时间内做出,并且需要短期负荷预测(STLF)(数小时至数天)。准确的短期负荷预测对于电力部门的有效运营至关重要。由于较高的波动性和负载的不确定性,因此很难对单个家庭或建筑物等细粒度来预测负载,本文电力负荷针对部分地区整体负荷进行预测。本文主要研究以下两个问题:1、引入强化学习思想,与长短期记忆网络结合,建立模型进行短期电力负荷预测;2、验证深度学习网络结构对短期电力负荷预测准确性的影响。本文主要内容如下:首先,构造短期电力负荷特征集合,对历史电力负荷数据进行缺失值补全,异常值剔除等数据预处理操作,选取与电力负荷有关的影响因素,例如温度、日期时间信息等,针对不同特征的情况,选取合适的预处理方式,将处理之后的特征序列化,借鉴词嵌入方式,串联成一个全新的时间序列,以此构建模型输入数据。其次,构建组合预测模型,将一维卷积神经网络1D-CNN与长短期记忆网络结合,再此基础上进一步改进网络结构,搭建基于强化学习与LSTM的短期电力负荷预测模型。该模型主要由两部分组成,长短期记忆网络与一维卷积神经网络,引入Inception网络结构,结合LSTM与CNN性能优势,将LSTM的顺序敏感性与卷积神经网络的速度和轻量结合起来,预测频率1小时,即每一个小时一个负荷预测值,预测未来一天的负荷。最后,研究了基于强化学习与LSTM融合的短期电力负荷预测模型的可行性,采用真实数据集基于深度学习框架Pytorch进行实验,设置评价指标,与几种已有基准模型进行性能对比,实验结果表明基于强化学习与LSTM的短期电力负荷预测模型在预测精度与准确性方面有较大提升。