基于多目标和贝叶斯优化的短期负荷区间预测
新能源并网后的供电体系存在具有较高的间歇性和随机性,这将为电力生产和调度的平衡带来巨大挑战,而如何量化电力负荷的不确定性对电力系统安全经济地运行起着重要作用.为此,提出一种基于多目标和贝叶斯优化(multi-objective optimization and Bayesian optimization,MOBO)的深度学习区间预测模型,能在给定的置信水平下描述电力负荷的变化趋势.在预测模型的构建过程中,依据分位数回归理论计算出电力负荷在不同分位点处的预测区间,再通过有效性检验,筛选出合理的预测模型.同时,采用多目标优化和贝叶斯优化算法理论对深度学习模型的超参数进行调优.使用美国纽约州米尔伍德的电力负荷数据集对所提出的模型进行验证,实验结果表明,与其他模型相比,模型在不同置信水平下均有着更高的预测区间覆盖率和更窄的区间平均宽度,更能精确地描述未来电力负荷的波动范围.
深度学习、分位数回归、多目标优化、贝叶斯优化算法、短期电力负荷、区间预测
42
TM714(输配电工程、电力网及电力系统)
国家自然科学基金;重庆市教委科学技术研究项目;成渝双城经济圈科技创新项目;江西省自然科学基金
2023-06-15(万方平台首次上网日期,不代表论文的发表时间)
共9页
49-57