论文部分内容阅读
电力系统负荷预测是保证电力系统安全稳定经济运行的重要基础。按照时间尺度常可以分为长期负荷预测、中长期负荷预测、短期负荷预测和超短期负荷预测。不同时间尺度的负荷预测对电力系统有不同的作用,其中短期负荷预测有利于提高发电设备的利用率和经济调度的有效性,同时有利于帮助电力系统运行人员制定更加合理的调度计划,维持供需平衡和确保电网安全,减少资源浪费和用电成本。随着接入电网的负载不断增加、用电设备种类变得繁多,特别是电动汽车的接入,给电力系统短期负荷预测带来了巨大的挑战。本文为解决海量负荷数据、负荷波动性增强、传统方法效率较低以及循环神经网络占用资源较大等问题,引入了JANET网络进行短期负荷预测,其意义在于JANET网络在保证预测精度和稳定性的同时,能够极大地提高模型的训练和预测效率,本文将通过基于JANET网络的单一模型和组合模型全面证明其优越性。本文首先通过对传统预测方法和人工智能预测方法优缺点的对比分析,选择了更适合短期负荷预测的人工智能方法。进一步通过对各种神经网络优缺点以及适用场合的对比分析,确定本文将使用JANET网络。在进行短期负荷预测时,首先采集了大量的原始负荷数据和气象数据并进行预处理,对这些数据中的异常数据进行修正,并且使用人工补齐方法补全空缺数据、对数据进行归一化、使用独热编码技术对星期类型进行编码;然后,以互信息理论为基础,通过相关性分析,确定了各类影响因素与负荷之间的相关程度,用相关系数表示,并根据系数大小选择影响因素;其次,使用变分模态分解,将电力系统的历史负荷数据看成是时间序列信息并进行分解得到若干个本征模函数,不同的本征模函数分别搭建负荷预测模型;最后,基于南方电网某地区的实际负荷数据,分别搭建了JANET单一网络和基于JANET网络的组合模型,并与BP、GRU、LSTM网络进行仿真对比,仿真结果表明JANET及其组合网络具有更快的收敛速度、更高的预测精度和更强的稳定性。