一种用于短期电力负荷预测的深度学习框架
计算工程、金融与科学
2019-05-10 v2
摘要
电力系统的调度与运行变得尤为复杂且不确定，尤其在分布式电源渗透的情况下。负荷预测对电力系统的有效运行至关重要。本文提出一种新颖的深度学习框架来预测电网短期负荷。首先，负荷数据经 Box-Cox 变换处理，并考察两个参数（电价与温度）。然后，为量化电力负荷对这两个参数的尾部依赖，拟合参数化 Copula 模型并计算峰荷阈值。接下来，构建深度信念网络以预测电网的小时负荷。案例研究使用了从美国德克萨斯州某城市化地区收集的一年电网负荷数据。短期负荷预测在四个季节中独立检验。每个季节使用所提框架进行日前和周前负荷预测实验。该框架与经典神经网络、支持向量回归机、极限学习机和经典深度信念网络进行比较。负荷预测性能通过平均绝对百分比误差、均方根误差和命中率评估。计算结果证实了所提数据驱动深度学习框架的有效性。日前预测与周前预测的预测精度均表明该框架优于所测试算法。
引用
@article{arxiv.1711.11519,
title = {A Deep Learning Framework for Short-term Power Load Forecasting},
author = {Tinghui Ouyang and Yusen He and Huajin Li and Zhiyu Sun and Stephen Baek},
journal= {arXiv preprint arXiv:1711.11519},
year = {2019}
}
备注
8 pages, 8 figures