论文部分内容阅读
电力能源是当下国家发展的重要能源,电力资源不仅与人们的生活休戚相关,而且电力资源与一个国家的经济关系密切。2020年正值我国经济快速发展,人们的生活水平也得到了改善,用电量需求也不断增长。高质量的电力能源供应为整个国家的高效、稳定发展提供了重要的保障。在实际的电力供应系统中,短期的电力负荷预测有着影响系统内部正常运行的重要意义。然而由于现实中,电力能源存在着难以大规模储存的特点。此外,发电、电力输送以及电力消耗这三个主要过程必须高度的耦合在一起,并且近年来国内的用电量逐渐增加,造成巨大的电力消耗,可能导致预期外停电等重大事故的发生。相关部分必须在供电质量和经济效益之间取得平衡,预测的质量直接影响每个电力公司的经济可行性和可靠性。本文根据电力系统的相关需求,在之前学者的研究基础上,展开了对于模型的探索。在本文中提出了取得较好效果的双分支LSTM模型和组合模型。本文首先研究了电力负荷数据的特点,并根据数据特点研究了如何进行数据预处理包括异常值处理、对数据进行归一化处理,并使用了滑动窗口策略构造训练集和测试集,来进行下一步的模型训练和测试。本文后续结合斯洛伐克某电厂真实电力负荷数据和我国某地区真实电力负荷数据,提出并验证了双层LSTM模型、结合Attention机制的LSTM模型以及双分支LSTM模型。本文根据两个数据集的实验结果分析出,由于双分支LSTM模型的模型复杂度最高,对负荷数据的拟合程度最好,预测结果最为精确。而结合了Attention机制的LSTM模型,通过对第一层LSTM模型参数的再优化也比双层LSTM的性能更好。双分支的LSTM模型和Attention-LSTM比双层LSTM模型在MAPE指标上,在数据集1上分别降低了4.19%和0.62%,在数据集2分别降低了26.70%和17.50%。在本文的最后结合两数据集,在实现了XGBoost模型、LightGBM模型和CatBoost模型的基础上,提出并验证了组合这三个单一模型的平均权重模型和基于Stacking思想的组合模型。本文的实验结果显示,单一的梯度提升树模型性能要比基于LSTM的模型更好。而本文提出的组合模型能在此之上,进一步提升模型预测精度,克服了单一模型的不稳定性。本文提出的组合模型和平均权重模型比简单XGBoost在MAPE指标上分别降低了23.96%和10.24%,而且本文提出的组合模型要比单一模型更准确、更稳定。