面向短期电力负荷预测的机器学习模型研究

作     者：赵婧宇 

作者单位：河北工业大学 

学位级别：硕士

导师姓名：池越

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：短期电力负荷预测 SSA-LSTM模型 BCLA组合预测模型 Attention-TCN模型 注意力机制 区间预测 

摘      要：短期电力负荷预测,对于电力系统的安全运行以及电网日常规划的制订都起着非常重要的作用。构建合理的预测模型是获取准确预测值的基础。机器学习模型用于短期电力负荷预测时通常会面临如下问题:电力负荷序列是一种时间序列,具有非平稳性等特点,对其产生影响的因素较为复杂,因此在模型参数选取上存在一定的困难。当预测模型的输入时间序列较长时会增大训练规模,使得模型的训练时长大幅增加。能否充分挖掘历史序列中的隐藏信息与能否全面分析相关因素对电力负荷的影响,都会对模型的预测精度产生影响。突发事件等不确定因素会对用电量产生影响,将其引入点预测模型会使预测精度下降,但是在备用电发电与应对突发状况时又必须将其考虑进去。针对上述问题,本文提出两种点预测模型和一种区间预测方法。论文主要的研究内容如下:(1)基于SSA-LSTM模型的单日电力负荷预测长短期记忆神经网络(Long Short-Term Memory,LSTM)在时序预测领域的应用较为广泛,但是在模型构建过程中往往都是人为调参,其参数选取随机性大且选取困难。因此,提出一种利用麻雀搜索算法(Sparrow Search Algorithm,SSA)优化LSTM参数,进而构建出一种新的SSA-LSTM模型,并将其用于短期电力负荷预测。首先,对历史用电负荷序列以及影响因素进行预处理,构建输入向量。然后将其输入SSA-LSTM模型,并借助SSA算法对LSTM参数进行寻优,使输入向量与网络结构更好地匹配。最后实验表明,本文所提SSA-LSTM模型具有有效性,并与误差反向传播神经网络(Back Propagation Neural Network,BPNN)模型、传统LSTM模型、PSO-BP模型、PSO-LSTM模型和SSA-BP模型相比在预测误差上降低了7.43～188.42 MW,且将预测精度误差降低到了2%以内。(2)基于BCLA组合模型的短期电力负荷预测当输入电力负荷序列较长时,SSA-LSTM模型的训练时长也会随之增加。对序列特征提取与影响因素分析的不全面都会影响预测精度。因此提出一种Bi LSTM-CNN-LSTM-Attention(BCLA)组合预测模型,通过双向长短期记忆神经网络(Bidirectional Long Short-Term Memory,Bi LSTM)与卷积神经网络(Convolutional Neural Network,CNN)完成对输入数据特征的充分提取,然后将其输入到LSTM网络中并结合注意力机制(Attention)进行预测。实验表明相比于SSA-LSTM模型,BCLA组合模型能够有效节约训练时间,并且与CNN-LSTM、CNN-Bi LSTM、Attention-Bi LSTM和Attention-Bi LSTM-LSTM等组合模型相比,BCLA组合模型在日预测与周预测时将预测精度分别提高了23%～33%和1.46～35.14%,并将最小预测精度误差降低到了0.94%。(3)基于Attention-TCN模型的短期电力负荷区间预测由于突发因素具有偶然性,将其引入点预测模型的构建中会使得模型的预测精度大幅降低。但是,突发因素对用电量产生的影响又不可避免,区间预测是一种有效削弱不确定因素对用电量产生影响的手段。因此本文基于SSA算法优化区间比例系数,进而提出一种Attention-TCN(Attention Temporal Convolutional Network)点预测模型,并以其点预测结果作为区间构造的依据进行区间预测。预测实验中分别基于TCN模型与Attention-TCN模型进行了点预测实验,又基于Attention-TCN模型的点预测结果分别对不同置信区间下的区间预测指标进行分析,结果表明Attention-TCN模型相较于TCN模型的预测精度提升了40%左右,且在置信水平为95%时预测区间对预测值的覆盖率能达到100%。