残差自修正深度学习集成神经网络在短期电力负荷预测中的应用

随着电力系统的发展,电力系统的负荷预测发挥着越来越重要的作用。电力系统负荷预测对电力系统的运行维护意义重大,准确的负荷预测有助于提高电力系统的安全稳定。负荷数据具备空间和时间上的特点。在空间上,负荷数据受各类外界因素影响,例如气象条件和节假日等因素。在时间上,负荷数据是一种时间序列数据,每个时刻的负荷数据和历史负荷数据相关联,历史信息对于负荷预测有很高的参考价值。准确的负荷预测需要同时考虑负荷数据在时间和空间上的特点,而传统负荷预测模型无法做到既能对外界因素全面考虑又能从历史数据中学习有用信息。深度学习的时序预测模型能够很好地解决负荷预测在时间和空间上的问题。为了提升预测的精度,对预测结果的残差进行修正是一种可行的方法。残差具备无序性的特点,传统的残差修正模型并不能很好地拟合残差。深度学习的时间序列模型能够从无序的残差序列数据中学习有用信息,从而可以对残差进行良好的拟合和预测。结合以上分析,本文对相关问题进行了研究,主要包括以下内容:分析了负荷数据的特点,提出了新的缺失数据补充法和异常数据检测法。结合负荷数据的特点分析了传统负荷预测方法的缺陷。利用深度学习时序模型对历史负荷信息的记忆和自动选择的能力,建立了基于长短期记忆神经网络(Long Short Term Memory,LSTM)和门控神经单元网络(Gated Recurrent Unit,GRU)的电力负荷预测模型,并在实验中将LSTM和GRU同传统预测模型进行了对比,分析了LSTM和GRU相对于传统预测模型的优势。结合残差时间序列的无序性分析了现有残差修正方法中残差预测模型的缺陷,建立了基于LSTM和GRU的残差预测模型。基于集成学习的思想,将负荷预测模型和残差预测模型组合成为残差自修正负荷预测模型。建立线性回归模型,寻找多个残差自修正负荷预测模型的负荷预测值和负荷真实值之间的线性关系,对多个模型的预测结果分配合理的权重并对它们进行线性组合。实验结果表明线性组合后的结果比单个预测结果更准确。