基于LSTM的电网区域线损预测方法研究_谢辉.pdf
《基于LSTM的电网区域线损预测方法研究_谢辉.pdf》由会员分享,可在线阅读,更多相关《基于LSTM的电网区域线损预测方法研究_谢辉.pdf(3页珍藏版)》请在咨信网上搜索。
1、Electrical Automation电力系统及其自动化Power System Automation电气自动化 2023 年第 45 卷 第 1 期基于 LSTM 的电网区域线损预测方法研究谢辉,江雄,王武(南方电网数字电网研究院有限公司,广东广州 510520)摘要:针对现有电网线损预测方法存在的准确率差和效率低等问题,提出了一种用于电网线损预测的长短期记忆网络模型。通过长短期记忆模型提取并存储线损长时间序列的特征,与传统预测方法进行对比试验,验证了预测方法的有效性。结果表明,相比于传统预测方法,所提预测方法预测值与实际值最为接近,可为电网线损分析提供可靠依据。关键词:电力系统;线损预
2、测;长短期记忆网络模型;记忆能力;时间序列DOI:10 3969/j issn 1000 3886 2023 01 013 中图分类号 TM732 文献标志码 A 文章编号 1000 3886(2023)01 0047 03esearch on LSTM-based egional Line Loss Prediction Method of Power GridXie Hui,Jiang Xiong,Wang Wu(China Southern Power Grid Digital Grid esearch Institute,Guangzhou Guangdong 510520,China
3、)Abstract:Aiming at the problems of poor accuracy and low efficiency of existing power grid line loss prediction methods,a long short-termmemory(LSTM)network model for power grid line loss prediction was proposed Extract and store the characteristics of the long-termseries of line loss through the l
4、ong and short-term memory model,and then compare them with traditional prediction methods to verifythe effectiveness of the prediction method The research results show that,compared with the traditional forecasting method,thepredicted value of the proposed forecasting method is closest to the actual
5、 value,which can provide a reliable basis for power grid lineloss analysisKeywords:power system;line loss prediction;long short-term memory network model;memory ability;time series定稿日期:2021 10 200引言线损管理是供电企业降低线损的重要措施,也是政府推进节能减排的重要途径。线损异常分析和准确预测对电网发展规划和降损措施具有指导作用1。线损预测有助于电力企业提高经济效益,同时也可以根据结果制定相应的管理措施
6、。因此,对线损预测方法的研究具有一定的实际意义2。根据文献 3可知,传统的线损计算模型大多数是简化的电路等效模型,计算精度较低。近年来,随着机器学习技术的迅速发展,为线损预测提供了一条新的途径。在此基础上,提出了一种用于电网线损预测的长短期记忆(long short-term memory,LSTM)网络模型。通过 LSTM模型的强记忆能力,提取线损长时间序列的特征,有效捕捉线损曲线的变化。通过仿真验证了该方法的优越性。1线损概述线损可以有效地评估电力企业的运营和技术管理水平,通常表示为损失电量与相应供电总量的比值。线损率的具体计算如式(1)所示4。线损率=(供电量 售电量)供电量 100%(
7、1)根据线损的类型和不同的影响因素,大致分为环境变化损、负荷变化和管理等因素三部分。2建立预测模型递归神经网络(recurrent neural network,NN)神经元的连接与普通神经网络不同,但也存在梯度消失和爆炸等问题5。LSTM 是一种特殊的 NN,解决了梯度消失和爆炸问题。结构如图 1 所示。图 1LSTM 结构LSTM 可以在长时记忆的基础上进行后续推理。通过增加门来解决输入和输出问题,并通过学习神经网络来控制这些门。机器学习可以很容易地实现何时记忆和丢弃某些信息。该算法的正向计算如式(2)式(6)所示6。I(t)=g Wxix(t)+Whih(t 1)+Wcic(t 1)+b
8、i(2)f(t)=g Wxfx(t)+Whfh(t 1)+Wcfc(t 1)+bf(3)c(t)=ftc(t 1)+Ittanh Wxcx(t)+Whch(t 1)+bc(4)o(t)=g Wxox(t)+Whoh(t 1)+Wcoc(t 1)+bo(5)h(t)=o(t 1)tanh c(t)(6)式中:I(t)、f(t)、o(t)为 LSTM 结构的输入门、遗忘门和输出门;c(t)为 cell 单元;h(t)为时步 t 时网络输出;c0和 h0初始值为 0;W 为权重系数矩阵;b 为函数的阈值;t 为时步长;g和 Tanh 分别为74Electrical Automation电气自动化 2
9、023 年第 45 卷 第 1 期电力系统及其自动化Power System AutomationSigmoid 和双曲正切激活函数。为了准确预测线损,考虑节假日等因素,首先对大量相关数据进行预处理,然后初始化 LSTM 网络7。为了减小试验误差,对数据进行分组,训练 LSTM 网络模型,然后将预测值与实际值进行比较,分析误差产生的原因8。步骤如下。步骤 1:确定 LSTM 线损预测模型的输入和输出变量,对历史数据集进行预处理,并对数据进行拆分。训练集占总数据集的90%,测试集占总数据集的 10%9。模型的输出变量 Y 是要预测的线损值。本文采用的方法是将 m 个点的时间点进行叠加,如式(7)
10、所示10。X=x1x13x25x2x14x26xmxm+12xm+24(7)式中:m 为特征长度,纵向是特征。特征向量之间的间隔表示每组输入数据中对应元素之间的时间间隔。它可以根据数据类型和测试性能进行调整。本文选择 12 作为特征向量之间的间距。本文采用完整的数据集,预处理只对数据进行标准化。本文的数据预处理方法如等式(8)所示1。xnorm=x xminxmax xmin(8)式中:xnorm为预处理后数据;x、xmin、xmax分别为时间序列的原始值、最小值和最大值。步骤 2:建立基于 LSTM 网络的电力系统线损预测模型,通过训练集实现模型训练,通过测试集评估预测结果的准确性。图 2
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 LSTM 电网 区域 预测 方法 研究 谢辉
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。