基于常规训练更新策略的 LSTM 垂直功率流预测

可再生能源的强劲增长及其发电的高波动性，以及波动性能源消费量的不断增加，正给电网带来重大挑战。为保障电网的安全与可靠，需对电网中的功率流进行监测以防止过载。此外，需持续平衡能源供给与消费以确保能源供应安全。因此，需要高质量地预测电网内未来数小时的功率流。本文研究了中压与高压电网间变压器处垂直功率流的预测。由于变压器处功率流特性不断变化，垂直功率流预测颇具挑战。这主要源于动态电网拓扑、已安装资产的变化、变压器本身的维护以及波动性发电。本文提出了一种应对这些挑战的新方法。对于多步时间序列预测，使用了长短期记忆网络（Long-Short Term Memory, LSTM）。在我们提出的方法中，研究了模型定期重新训练的更新过程，并与基线模型进行比较。一旦有足够数量的新测量数据可用，模型便重新训练。该重新训练应捕捉变压器特性中模型过去未曾见到、因而无法被预测的变化。对于定期更新过程，我们研究了不同策略，特别考虑了所用 epoch 数量，同时也使用了不同的学习率。我们表明，我们的新方法显著优于所研究的基线方法。