本文共 5365 字,大约阅读时间需要 17 分钟。
前言
本篇论文主要介绍了当下用于智能电网电力负荷预测的多种DL方法,并对它们的效果进行了比较。对于RMSE的降低效果上,集成DBN和SVM的方法RMSE降低显著,达到了21.2%。此外,PDRNN方法与ARIMA方法相比有很大的降低,达到了19.2%。而使用带有k-means的CNN相比于只使用CNN,下降百分比也达到了12.3%。人工神经网络(ANN), 预测,学习(人工智能),机器学习,智能电网。
引申:
这部分主要介绍了用于智能电网负荷预测的常用DL方法及其计算图,我们一个一个来看。
自动编码器是一种无监督的数据维度压缩和数据特征表达方法。在大部分提到自动编码器的场合,压缩和解压缩的函数是通过神经网络实现的。
一个简单的自编码器结构如图1所示: 它通过编码器函数 h = f ( x ) h=f(x) h=f(x)以及解码器函数 x ~ = g ( h ) \tilde{x}=g(h) x~=g(h)来实现,自编码器算法通常用于降维、特征学习或损坏数据重建,用于这三种目的的自编码器分别被称为不完全自编码器、稀疏自编码器和去噪自编码器。 有关自编码器的详细介绍请看:如上所说,RNN会由于梯度消失而失效,LSTM(长短期记忆网络)的提出正好解决这个问题。LSTM相比于RNN,引入了输入门i、遗忘门f、输出门o以及内部记忆单元c,图2展示了LSTM的一般结构:
遗忘门f用于控制输入x和上一层隐藏层输出h被遗忘的程度大小,输入门i用于控制输入x和当前计算的状态更新到记忆单元的程度大小,而隐藏层输出是由输出门和内部记忆单元决定的。 有关LSTM的详细介绍请看:这一节将简要概述SG中最新负荷预测问题的相关DL架构。
DL被应用于短期预测(STLF)、中期预测(MTLF)和长期预测(LTLF)。 电力负荷预测受到多方面因素影响,比如时间,天气以及客户类型等,特别是对于短期预测来说更是如此。一般文献中对LTLF的研究时间间隔多为一个小时到几周,MTLF为一个月到五年,LTLF的平均使用周期为5~20年。 使用期限不同,相应地被应用到不同方面,STLF应用于实时控制、能量转移调度、经济调度和需求响应;MTLF用于规划近期的发电plan,并显示电力系统在时间间隔内的动态;LTLF用来根据规模和类型来规划发电plan,以满足未来的需求和成本效益。自动编码器被用于电价的STLF,该作者提出用于短期预测的堆叠去噪自编码器,预测方法针对两种模型进行了在线预测和提前一天预测。结果发现,去噪自编码器有着较好的预测效果,特别是针对前一天的预测。同时,该论文将结果与经典神经网络(NN)、支持向量机(SVM)、多元自适应回归样条(MARS)和最小绝对收缩与选择算子(Lasso)等最新预测方法进行了比较。
另有一项研究将自动编码器和LSTM结合起来进行预测,并将结果与人工神经网络、LSTM和DBN等最先进的方法进行比较。将该方法应用于21个太阳能电站,其训练和测试结果的均方根误差均值(RMSE)均有所下降。 对自编码器+LSTM的方法的研究表明,该方法的RMSE为0.0713,其次是DBN的0.0714。总结:去噪自编码器被用于短期的电价预测,针对前一天的预测有着很好的效果;另外,自编码器与LSTM结合比之一般的DL方法,RMSE也有所下降。
在大多数论文中,我们使用RMSE和平均绝对误差(MAE)来评价所提方法的性能,并将其与其他文献中的方法进行比较。其表达式如下:
其中x是测量的输入时间序列,y是预测的输出时间序列,N是时间序列的样本个数。 研究者将汇集深度循环神经网络(PDRNN) 用于家庭负荷预测,该研究表明,向神经网络添加更多层次可以提高的预测性能。研究数据来自爱尔兰的920名智能电表用户,结果与已有的负荷预测方法如ARIMA、SVR和DRNN进行了比较。与其他方法相比,该方法在均方根误差方面得到了改善,ARIMA是19.5%,SVR是13.1%,而DRNN是6.5%。 总结:往nn中添加更多层次可以提高预测性能,DRNN在对于智能电表用户的负荷预测中,相比于ARIMA以及SVR,其RMSE有了很大的提高。在电力负荷预测中,LSTM使用也比较广泛,通常使用的有标准的LSTM算法以及基于LSTM的Seq2Seq算法。一项研究表明,标准LSTM在1小时的分辨率下成功,1分钟下却失败了;相比之下基于LSTM的Seq2Seq在两种情况下表现均不错。此外另有一项针对居民电力负荷短期预测的研究中,对于单个负荷的预测,研究人员表示LSTM优于最新的居民用电负荷预测方法。
总结:与标准LSTM相比,基于LSTM的Seq2Seq算法在更短期的预测中有着更好的预测性能。CNN与k均值聚类的结合算是一个很好的尝试,研究人员将其用于短期预测上。K-means算法用于在一个大型的数据集上创建用于训练CNN的聚类。此研究选取的是2014年8月的夏季数据和2014年12月的冬季数据。本研究的对比结果表明,在夏季实验k-means为0.2194,冬季实验k-means为0.2399时,CNN的RMSE有很大的提高,其夏冬季的RMSE分别为0.2379和0.2839;若仅仅只是简单使用CNN,夏冬季的RMSE分别为0.2502和0.2614。此项研究表明:在聚类技术的帮助下,CNN优于其他方法。
总结:CNN和k-means结合可以显著改善预测性能。在一项研究中,RBM在用户电力负荷预测中也有较好的表现。通过使用启发式方法来确定隐藏神经元的数量,有4个隐藏层和150个隐藏神经元。预测结果与文献中已知的黄化神经网络(SNN)、DSHW和自回归综合移动平均(ARIMA)等预测方法进行比较。与SSN相比,该方法减少了(MAPE)和(RRMS) 17%和22%,与DSHW相比,减少了9%和29%。
总结:通过启发式策略确定RBM的隐藏神经元数量,在4个隐藏层150个隐藏神经元的条件下,其预测性能相比SSN和DSHW均有所提高。 深度信念网络DBN在STLF中也有一些应用,研究人员希望利用和SVR集成的方法来提高DBN的负荷预测性能。研究人员在3个电力负荷需求数据集和3个回归数据集上应用了该方法,结果表明:SVR和DBN集成效果优于单独使用SVR、前馈NN、DBN和集成神经网络。对南澳大利亚的负荷需求预测结果显示,集成方法的RMSE为30.598,SVR为44.674,前馈NN为38.8585。 总结:与单独使用SVR、前馈NN、DBN和集成神经网络相比,DBN和SVR集成可以显著改善预测性能。 研究者提出一种用于风速预测的深度玻尔兹曼机,作者使用原始风速数据来预测短期以及长期风速。该算法被用来预测提前一小时和一天的风速,与自回归(AR)、自适应神经模糊推理系统(ANFIS)和SVR、SVM相比,该方法的性能有所提高。该方法提前10分钟的均方误差(MSE)为0.2951,对应于SVR的MSE为0.6340。提前一天预测的MSE为1.2926,相比之下SVR的MSE为1.3678,有所改善。 总结:DBM在短期以及长期风速预测方面较之SVR有显著提高。 表2比较了每篇论文中提出的方法和目前最先进的通用基准方法,显示了后一种方法相比于前一种方法RMSE的下降百分比。观察上表可以发现,与模糊神经网络相比,集成DBN和支持向量机方法的RMSE降低最显著,达到了21.2%。此外,PDRNN方法与ARIMA方法相比也有很大的降低,达到了19.2%。而使用带有k-means的CNN相比于只使用CNN,下降百分比也达到了12.3%。本文综述了应用于SG负荷预测的著名深度学习方法。这些学习算法中的大多数已经成功地进行了预测分析。但同时也有一些问题有待解决,比如预测很受负载类型、时间、天气、季节、客户行为和假期的影响。
神经网络技术广泛应用于负荷预测问题,本文重点综述了目前应用于SG负荷预测的各种DL方法的研究现状,可以总结如下:原文链接:
转载地址:http://rmiqf.baihongyu.com/