-
作者
赵恩来李向阳王高峰刘澎源刘朝龙
-
单位
北京国网信通埃森哲信息技术有限公司
-
摘要
针对传统负荷预测模型对高维非线性电力负荷的特征提取效果不理想的问题，为有效提高电力负荷短期预测精度，提出了基于模态分解-PSO-DNB深度学习的负荷预测模型。结合模态分解方法和PSO算法特征并充分融入到深度学习模型中，构造了量化深度学习模型训练效果的误差评价函数，由此建立短期负荷预测的系统模型。以某地区电网监测的电力负荷数据开展短期预测研究，通过算例效果表明，所提的预测方法可实现24 h内滚动式短期电力负荷预测，且预测误差能控制在合理范围内，相较于传统负荷预测的方法更能提升预测精度。
-
关键词
短期负荷预测模态分解粒子群算法深度学习模型
-
基金项目(Foundation)
河北电力—数字化规划设计项目（B304XA200020）；
-
文章目录
1 深度置信模型
1.1 深度学习单元
1.2 深度学习模型
1.3 PSO算法
2 短期预测模型
2.1 数据分析
(1)数据异常分析。利用离群数据判定原则[21],设定w的异常数据判据：
(2)数据分布分析。
2.2 数据处理
(1)默认值处理。
(2)数据异常处理。
(3)归一化处理。
2.3 变量输入
2.4 特征化处理
(1)特征信息提取。
(2)特征信息融合。
2.5 评价指标
2.6 模型训练流程
3 算例分析
4 结论
-
引用格式
赵恩来,李向阳,王高峰,刘澎源,刘朝龙.基于模态分解-PSO-DNB深度学习的短期负荷预测研究[J].能源与环保,2022,44(05):180-186.DOI:10.19389/j.cnki.1003-0506.2022.05.030.
能源与环保 
2022年第05期 
