基于深度学习的智能电网短期电力负荷预测研究

深度学习是人工智能领域的研究热点,凭借其强大的自动特征提取能力,可以对大量数据进行快速分析,具有强大的数据拟合能力,近年来在智能电网中的应用不断深化。人工智能发展可归纳为两个方面:(1)随着智能电网建设的推进,其规划、运营和维护所产生的数据量呈指数形式增长;(2)深度学习理论的完善也为其在智能电网中的应用奠定了良好的基础。短期电力负荷预测不仅在电力成本预算,电力调度中起着至关重要的作用,而且也在管理电力输送系统的安全性方面也起着至关重要的作用。本文基于深度学习的最新发展研究成果,并根据实际负荷数据,对短期电力负荷预测进行了相关研究,主要内容包括:(1)分析了短期负荷预测的研究现状,并将深度学习应用于智能电网电力负荷预测中。智能电网的时变非线性和随机不确定性使得传统的建模和分析方法难以全面彻底地分析新形式下的智能电网负荷数据特征。引入人工智能中的深度学习技术,不仅可以减少从智能电网中提取负荷数据特征的难度,而且可以全面挖掘高维复杂数据,弥补泛化能力差,训练不足等一系列传统的问题。(2)提出基于深度置信网络电力负荷预测模型。针对传统预测方法不具备较强地对大数据量样本的转换和处理能力,以致学习能力有限,当预测准确率达到一定高度时,很难再有所提高。随着用电方式的增多,传统负荷预测方法已经不能满足实际对预测精度越来越高的要求。提出一种深度置信网络预测模型,该模型是一种高效无监督的深层网络模型,通过组合低层特征,形成更加抽象的高层表示,以发现数据的分布式特征表示。该预测模型通过学习一种非线性网络结构,实现复杂的函数逼近,表征输入数据的分布式表示,并从少量样本集中学习数据集本质特征的能力。(3)提出基于进化深度学习特征提取预测模型。目前,深度学习隐含层数以及隐含层单元数并没有严格的理论指导,如果设置不当就有可能带来精度不够或处理时间过长等问题。深度学习对隐含层相关参数的设置十分敏感,网络模型参数的设置基本都是靠经验来选取。针对这些问题,将遗传算法与进化策略的核心思想融入到深度置信网络预测模型中,以达到精简网络结构,构建性能良好的深度学习模型。