基于深度神经网络的短期电力负荷预测

本文提出的基于深度神经网络的短期负荷预测模型能够适当改善现有短期负荷预测模型精度较低的问题，但由于课题研究时间以及本人能力有限，本文提出的方法仍有待改进。

第一章绪论

1.2国内外研究现状

虽然电力工作者对电力负荷预测技术的研究开始较晚，但发展速度却很快。20世纪初，有学者根据电力设备的使用情况及设备附近天气环境等因素影响，进行了简单的预测分析，但鉴于当时的科技水平不够发达，分析的精确程度有限，且负荷预测并未得到广泛关注，尚未形成一套较为科学、系统的预测方法[13]。随着科技的不断发展，电力负荷预测技术逐渐受到广泛关注，国内外的研究学者取得了一系列成就。目前，电力负荷预测大致可以分为两类：传统预测方法和现代预测方法。

1.2.1传统预测方法

传统的预测方法包括时间序列法、回归分析法、灰色预测法、卡尔曼滤波法等。

（1）时间序列法

时间序列法，又名随机时间序列法，其因变量为待预测的负荷值，自变量为随时间变化的历史负荷值[14]。时间序列法用来对过往的负荷序列数据进行建模分析，得到数据的周期性特征和变化趋势等，从而预测出未来的数据。时间序列法大概分为四种：自回归（Auto Regressive，AR）模型、滑动平均（Moving Average，MA）模型、自回归-滑动平均（Auto Regressive Moving Average，ARMA）模型和差分自回归-滑动平均（AutoRegressive Integrated Moving Average，ARIMA）模型四种。目前应用最为广泛的是ARIMA模型，由美国学者Bloomfield P.等在1976年首次提出。该模型结合了AR模型和MA模型的优点，能够对负荷曲线进行平滑和降噪处理，从而提高预测的准确性[15]。ARIMA的预测过程分为如下三个步骤：

第一步：对负荷数据进行差分处理，使负荷序列曲线更为平滑，并消除数据中的周期性等影响；第二步：降低负荷序列中的白噪声；第三步：对模型的参数进行估计；第四步：使用估计后的参数对数据进行预测[16]。

第三章基于复合深度神经网络模型的短期电力负荷预测

3.1神经网络基本概念

神经网络（Neural Network，NN）是一种模仿人类大脑神经元系统的深度学习数学模型，由输入层、隐藏层、输出层三层结构组成，每层结构都由大量相互连接的节点（神经元）构成，而每个节点都有一个自适应权重，可以通过学习历史数据不断调整权重以实现输入与输出之间的映射。按照结构划分，神经网络一般分为前馈神经网络和反馈神经网络两大类。其中前馈神经网络的输入信号经过大量神经元的加工处理后直接输出，没有反馈回路；反馈神经网络的输入信号输出后，能够经过反馈连接到输入端。

神经网络可以输入任意形式的数据，如图像、文本、语音和传感器数据等，经过一系列训练输出分类、回归和预测等结果。与传统方法相比，神经网络具有更好的自适应性、容错性、并行处理能力和泛化能力，在图像识别、自然语言处理、机器翻译、序列预测等领域具有广泛应用。而对于短期负荷预测来说，需要采用一些既要满足预测精度较高且用时也要较短的模型，此时利用神经网络方法预测就有很大的优势。目前短期预测主要使用循环神经网络、卷积神经网络等方法，本文将对这两种方法进行简单介绍。

第五章CEEMDAN对短期电力负荷预测的影响

5.1 CEEMDAN的基本原理

5.1.1经验模态分解

经验模态分解EMD是一种用于非线性和非平稳信号分解的时频序列分析方法，由美籍华人黄锷等于1998年提出，是希尔伯特-黄变换（Hilbert-Huang Transformation）的重要组成部分[58]。EMD能够将时间序列分解为一系列本征模态函数（IMF）分量，其中不同的IMF分量都能代表该序列中不同的频率f、振幅A和相位等信息，且对于任意时间序列xt，如果满足以下两个条件：

（1）在某个频段内局部光滑；（2）在整个频域中至少存在一个极大值和一个极小值或至少存在一个拐点。

EMD方法不需要对负荷序列做任何先验假设，也无需事先对序列进行频率分析或滤波等操作，因此应用较为广泛。但EMD在处理噪声的时候可能会错误地将噪声识别为IMF分量；且负荷序列中某一小频段内的频率较高时，拟合出的上下包络线可能产生重叠，因此每次EMD迭代后提取出的IMFt也可能互相重叠，在同一IMF分量曲线内容易混杂不同频率的特征，即出现模态混叠现象，导致EMD后的负荷序列失真[59]。

5.2加入CEEMDAN方法的负荷预测步骤

CEEMDAN相比于EMD和EEMD方法，分解得到的IMF分量更为准确，能够有效减少高斯白噪声对分解结果的影响，因此本文将引入CEEMDAN方法提高GRU-CNN-Attention或GRU-TCN-Attention模型预测的精确度。加入CEEMDAN方法预测的具体步骤如图5.2所示。

结论

短期电力负荷预测可以根据负荷变化及时调整发电和供电计划，提高了电力系统的运行效率，保障了电力系统的稳定性和可靠性，避免了发电不足和过剩等问题，从而降低了发电成本，减少了碳排放等环境污染。短期电力负荷预测还能够为电力部门提供重要的市场营销信息，帮助相关人员制定更好的交易策略和电力系统规划。因此，有必要做好较为精确的短期电力负荷预测。

本文针对目前深度学习模型存在预测精度较低等问题，提出了基于深度神经网络的短期电力负荷预测方法，利用现有的方法和本文提出的新方法进行比较，采用历史负荷数据进行对比分析，能够说明本文提出的模型的预测精度比现有模型更高一些。具体结论如下：

（1）本文引入了GRU模型、CNN模型，建立GRU-CNN深度神经网络复合模型，其次引入注意力机制，分析了注意力机制的位置对模型的影响，通过实验找出最合适注意力机制的位置，搭建出GRU-CNN-Attention深度神经网络模型，然后将GRU-CNN-Attention模型与GRU和GRU-CNN模型采用MAE、RMSE、MAPE三种误差评价指标进行比较，在验证了GRU-CNN-Attention模型能较好预测电力负荷的日规律和周规律的同时，相比前两种方法具有较高的预测精度；

（2）本文提出了一种超参数较少的改进深度神经网络模型GRU-TCN-Attention，解决了GRU-CNN-Attention模型超参数过多及预测精度偏低等问题，通过一系列实验选取合适的TCN模型参数，与GRU-CNN-Attention模型进行比较。从预测结果来看，GRU-TCN-Attention模型相比于GRU-CNN-Attention模型，MAE下降了11.22MW，RMSE下降了14.03MW，MAPE降低了0.64%，证明GRU-TCN-Attention模型的预测效果更好；

（3）CEEMDAN方法能够把负荷曲线分解成若干个有明显规律的分量，使GRU-CNN-Attention或GRU-TCN-Attention模型更易发现并精准提取分量的规律，对每个分量分别进行预测可以提高预测效果。为了验证上述方法，将序列进行CEEMDAN后使用GRU-CNN-Attention和GRU-TCN-Attention模型进行预测，与不使用CEEMDAN方法进行比较，证明了使用CEEMDAN方法预测的结果更为精确，因此CEEMDAN方法能够应用于短期电力负荷预测当中。

参考文献（略）

（本文摘自网络）