10.13334/j.0258-8013.pcsee.182105
基于自适应深度信念网络的变电站负荷预测
精确的变电站级负荷预测是电网精益化运行决策的重要基础,但存在不同站间负荷特性差异大、微观关联因素多样性强等传统预测方法难以处理的问题.基于变电站历史负荷数据与其所在区域的外部环境数据,通过深度信念网络算法(deep belief network,DBN)强大的学习能力,避免了相似日等特征选取问题,并采用Nadam动量优化算法训练深度信念网络,得到DBN最佳参数,构成针对变电站负荷预测的学习框架,并基于Keras深度学习框架自动调整DBN结构,达到最优预测结果.以20个具有典型负荷特性的220kV变电站实际负荷数据为样本集,在周、日和小时级3个预测时间尺度上,通过2种误差计算方式作实例对比证明,所提方法能够充分进行自适应深度学习,并进行高精度变电站级负荷预测.
变电站、负荷预测、Nadam优化、深度信念网络、深度学习、Keras框架
39
TM714(输配电工程、电力网及电力系统)
国家自然科学基金51437003
2019-08-14(万方平台首次上网日期,不代表论文的发表时间)
共12页
4049-4060