基于自适应深度信念网络的变电站负荷预测

被引：54

作者：

杨智宇 ^{[1
]}

刘俊勇 ^{[1
]}

刘友波 ^{[1
]}

温丽丽 ^{[2
]}

王泽琪 ^{[1
]}

宁世超 ^{[3
]}

机构：

[1] 四川大学电气工程学院

[2] 国网四川省电力公司

[3] 国网宜宾供电公司

来源：

中国电机工程学报 | 2019年 / 39卷 / 14期

关键词：

变电站; 负荷预测; Nadam优化; 深度信念网络; 深度学习; Keras框架;

D O I：

10.13334/j.0258-8013.pcsee.182105

中图分类号：

TM63 [变电所]; TM715 [电力系统规划];

学科分类号：

080802 ;

摘要：

精确的变电站级负荷预测是电网精益化运行决策的重要基础,但存在不同站间负荷特性差异大、微观关联因素多样性强等传统预测方法难以处理的问题。基于变电站历史负荷数据与其所在区域的外部环境数据,通过深度信念网络算法(deep belief network,DBN)强大的学习能力,避免了相似日等特征选取问题,并采用Nadam动量优化算法训练深度信念网络,得到DBN最佳参数,构成针对变电站负荷预测的学习框架,并基于Keras深度学习框架自动调整DBN结构,达到最优预测结果。以20个具有典型负荷特性的220kV变电站实际负荷数据为样本集,在周、日和小时级3个预测时间尺度上,通过2种误差计算方式作实例对比证明,所提方法能够充分进行自适应深度学习,并进行高精度变电站级负荷预测。

引用

页码：4049 / 4061

页数：13

共 27 条

[1] 能源转型中我国新一代电力系统的技术特征 [J].