基于LSTM的微电网短期负荷预测研究.pdf

万方数据
基于的微电网短期负荷预测研究李大双引言映匮г海阄骱映甌使用泄露积分型回声状态网络对负荷进行预测。袁枫掣针对猼【摘要】微电网系统中发电功率和负荷功率不匹配将会对其稳定性造成不利影响，为了准确预测微电网系统的短期负荷变化趋势，保证微电网可靠安全运行，文章提出了一种基于单变量单时间步长短期记忆神经网络的微电网短期负荷预测方法，该方法利用擅长处理时序性数据的能力，首先使用微电网负荷的历史数据进行模型训练，然后使用前一个采样点的数据去预测下一个时刻的数据。利用上述方法搭建了基于牡ケ淞康ナ奔洳匠⒌缤期负荷预测模型，使用某地各大区用电量进行负荷预测，实验结果跟实际用电量的平均绝对误差百分比为ィ〉昧肆己【关键词】微电网；负荷预测；；猤猤琣簃；【基金项目】河池学院校级科研项目“基于深度学习的微电网短期负荷预测方法研究”总第卷年大众科技猼琇的预测精度，验证了该方法的有效性。【中图分类号】【文献标识码】【文章编号】———在微电网正常运行中，系统发电量和用电量要保持一致，这样才不会使系统的频率和电压幅值出现较大波动，影响微电网的稳定运行。微电网系统的电源主要是由分布式电源例如光伏发电、风力发电等充当，分布式电源本身具有随机性和波动性的特点，为了维持系统功率的平衡，除了在分布式电源输出控制中采用先进的控制方法，调节分布式电源的功率输出，实时响应负荷的波动之外，对微电网负荷进行预测，用于指定微电网系统的发电计划，提前规划分布式电源的发电量，维持系统功率平衡也是一种十分重要的方法。由于微电网系统的负荷组成种类繁多，短期负荷波动比较大，仅依靠历时数据进行发电计划的制定存在较大的出入。因此，如何根据负荷的历史数据进行快捷、精确、高效的短期负荷预测，具有十分重要的实际意义。目前，国内外主流的短期用电负荷预测方法大致可以分为传统分析方法和机器学习方法两类。传统分析方法主要是使用时间序列分析，如时间序列预测【、白回归滑动平均方法【、多元线性回归方法【等。上述方法采用的模型简单，运算速度快，缺点是对数据的时序性要求高，非线性拟合能力较弱。随着区域互联电网、大电网兴起，电力系统负荷数据呈爆炸式增长，上述方法预测的精度已经不能满足电力系统的需要。为处理大容量数据、存在非线性耦合的数据，提高电力系统负荷预测的精确度，机器学习方法越来越受到人们的重视，例如神经网络【、随机森林琑】和支持向量机琒等，此类机器学习方法很好地解决了数据之间的非线性关系，但是用于负荷预测中，需要人为添加时间特征保证预测精度。牛安敏等【=饩龅缌ο低持懈汉墒莸姆窍咝约胺瞧稳性特点，采用变分模态分解方法对数据进行预处理，然后采集数据精度不高及稳定性低的不足，在传统深度置信网络【收稿日期】——【作者简介】李大双，男，河池学院物理与机电工程学院讲师，硕士，研究方向为分布式能源发电及微电网稳定性。’；；．．．ィ琯．：，，瑆．，一
万方数据
幸模型构建笛榉治压哆×资畑，模型简介岛记忆单元更新过程兀羀囊一，，琞亍羀囊州置吃×阂弧×，×譥胅数据选取广，×式⑹中，％，是输出门鼻笆笨痰木卣笕中引入极限学习机制，将极限学习的泛化能力强和深度置信网络在特征提取方面的优势结合，提高负荷预测的精确性。王国娟L岣吒汉稍げ庑阅芗案纳拼成疃戎眯磐绻潭ㄑ率问题，将自适应深度信念网络和极点对称经验模式分解排列熵结合起来，提高负荷预测的精确度