【《电网负荷预测分析的国内外文献综述》4400字】

电网负荷预测研究的国内外文献综述目录TOC\o"1-3"\h\u22618电网负荷预测研究的国内外文献综述 1112091.1传统电网负荷预测方法 1257621.2基于神经网络的方法 1278651.3基于深度学习的方法 31.1传统电网负荷预测方法早在20世纪80年代，世界上许多发达国家的相关研究人员就已经初步针对负荷预测(loadforecasting，LF)这个主要问题进行深入研究。负荷平均值一般指的就是一个特定工作时间的地点或者一个特定时间段的一个供电系统，其能量或者供电功率的平均采样。最初对于负荷预测问题的理论研究主要是基于1976年前Box等一些人成功提出的一种关于特定时间负荷序列的功率预测计算方法，被人们称为Box-jenkins。该计算分析方法对不同负荷预测分析模型的数据输入和输出的可靠性要求相对较低，因此无法充分考虑不同历史数据，不同时间周期序列中的输入是否符合预期，也没有办法充分考虑一些可能会直接影响负荷变化的其他影响因素。该模型很难实现不同负荷预测输入数据都能达到更高要求的目的。为此，文献1给大家提供了一种称为系统负荷强度峰值模型的系统设计，这种峰值模型首次把天气、温湿度等外部环境条件因素作为考察负荷的重要因素[1]。基于Aubox-jenkins的基本预测模型的方法，文献2中作者提出了一种自定义回归式滑动平均预测模型的基本预测[2]。Juberias等人通过数学设计和研究建立自定义回归滑动积分的一种滑动负载平均预测模型，用来深入研究如何有效实现对积分负载的滑动预测[3]。之后，Haida等人把多种可能影响负荷预测的主要因素综合考虑到负荷预测的范围内，提出了多元线性回归分析法，建立了对负荷预测的模型[4]。1.2基于神经网络的方法机器学习(machinelearning)的支持方法被广泛应用于对输入负荷的测量及预测，文献5提出利用负荷支持模型向量机的支持方式对其模型进行输入负荷测量及预测[5]。2005年，Niu等人将ANN与S-SVM相互作用结合一起来对其模型进行了输入负荷的测量及预测，建立的支持模型在其可以预测的负荷精度和计算出的速率上均已经得到了大幅度的提升[6]。2013年，Wei等人通过相互结合模型主要的成分负荷分析和最小二维相乘负荷支持模型向量机(LS-SVM)的支持方法对其模型进行了输入负荷测量及预测，该支持模型能够有效地降低负荷预测支持模型进入输出负荷的维数，提高了机器学习的预测速度和计算准确性[7]。自20世纪90年代以来，有关函数ANN在负荷预测等领域的基础研究逐步得到加强，许多先进的函数优化分析算法、数学分析理论模型及计算模型已经广泛应用于新的函数ANN中。下面将简单介绍几种主要被应用于负荷预测的典型无线神经网络处理模型及其基于该网络模型持续优化后的新型改进模型[8-11]。在众多的ANN延迟算法中，Rumelhart等人首先提出的叠加误差反向信号来传递延迟数据的算法(backpropagation，BP)最为常见，然而ANN和BP等算法同样存在着迭加交替延迟时间短、收敛延迟时间快、周期长和速度慢等诸多复杂问题[12]。2005年，马建伟等人将我国人工应用鱼群预测算法与BP应用鱼群算法技术进行了有机结合，将其应用到我国电网系统预测中短期负荷预测和超负载的鱼群预测。人工应用鱼群预测算法能够有效率地克服一些局部最优，获得一个新的全局最优值[13]。文献14中首次提出了共轭功率梯度式的BP神经算法，应用于对各种峰值功率负载的梯度预测[14]。2013年，Khan等学者首次成功提出了一种通过递归应用笛卡尔定义遗传规律的新型人工神经网络(RCGPANN)，该神经网络被广泛应用于对周期峰值功率负载的分析预测，能够准确地分析和预测一年中各个季节不同周期峰值功率负载的变化模式[15]。2014年，何川等人针对目前网络自动预测分析模型中由于数据输入的成分变量依据数目太多，而导致的训练工作效率低下的现象，将分别采用独立的成分量数据分析(ICA)和主要的成分变量分析(PCA)这两种方法对其中的变量数据权值进行二次降维，提高BP神经网络中自动预测分析模型的技术训练工作效率，并大幅提高了网络预测的准确性[16]。2018年，张凤林等人研究利用动态域分析算法对其在BP中利用到的神经网络模型中的数据权值进行参数分析，将这种网络预测分析模型广泛运用并推广到我国新一代电动智能车和电动汽车网络并网预测技术中，取得了很大的经济效益[17]。传统PSO模型算法在进行性能优化之后，使用神经网络训练构建传统预测模型，其性能远远地要优于使用BP算法神经网络的传统预测模型[18，19]。文献20中已经首次明确提出了一种新型MPSOBP算法和两种BPSO算法相互作用结合的新型MPSO-BP算法预测分析模型，通过与不同实验室的分析结果进行精密对比，该预测模型大幅度改善了两种BP算法神经网络的应用广泛性和分析精确度，该预测模型预测分析准确率和预测可靠性高，对于各类电网系统的短期负荷预测和连续长时间的供电负载都具有十分良好的技术预测和分析意义[20]。1.3基于深度学习的方法深度学习的数据模型最早起源于国际相关学术文献[21]，它最早是由"深度学习之父"Hintont所提出的，能够将多个可以被正确表征或者多个无法被正确表征的数据建立中间层，从而达到对各种数据资源进行综合挖掘和综合分析的重要功能。深度泛化模型通过利用机器人深度学习非线性性能结构分析的技术应用，来直接自动实现对复杂变量函数的深度逼近，达到预期非线性性能预测的效果，具有很好的深度泛化分析能力和高度自动的适应处理能力。目前科学研究中的深度学习基本网络方法主要领域有：深度学习置信神经网络(deepbeliefnetwork，DBN)，循环深度神经网络(recurrentneuralnetwork，RNN)以及卷积循环神经网络(convolutionalneuralnetwork，CNN)。深度学习置信神经网络(deepbeliefnetwork，DBN)理论是目前基于深度置信神经网络置信模型的一个重要典型理论代表，并已应用于电网负荷预测领域。众所周知，DBN由多台受限的玻尔兹曼机器组合堆叠而成，通过这种无监督的数据处理方式对大量数据进行了预处理，传统DBN的局部权值进行微调方式就是通过基于梯度上升和下降的逆向传递网络(back-propagation，BP)来实现完成，在训练的过程中陷入到局部最优时，大量的迭代计算容易导致收敛速度过慢。鉴于此，DBN在预测领域表现出的非线性逼近性能并不令人满意[24-26]。循环深度神经网络(recurrentneuralnetwork，RNN)网络是一种通过对神经序列中的数据进行构造三维模型的动态神经网络，神经元具备了自身的反馈处理功能，可以自动处理任意一定时间长度的神经序列。一个隐藏层输入序列现在的送入输出与之前的送出输入也都有相互间的关联，具体表现在这里就是底层循环的一个神经网络，在系统中它会将之前的所有输入输出信息都进行综合记忆，并将其广泛地应用到现在所有的输出输入计算当中，即两个进入隐藏层之间的每个节点几乎是没有相互连接的，并且每一个进入隐藏层的输出不仅仅是要求它们都必须包含底层上一个特定的中间时刻，它就是一个隐藏在底层的现在输出[27]。卷积深度神经网络(convolutionalneuralnetworks，CNN)是一类主要被应用于进行包含卷积神经计算并且同时具有特定深度神经结构的反向前馈深度神经网络(feedforwardneuralnetworks)，它们已经是目前广泛应用于各种深度学习技术领域最具国际代表性的神经算法。卷积型人工神经网络由于它不仅具有强大的生理表征和深度学习处理功能，并且它几乎可以按生理逻辑和功能阶级化的结构对所有直接输入的神经信息都分别进行了一个平移不变的合理分类，因此也被我们经常统称为"一种平移型的不变人工神经网络(shift-invariantartificialneuralnetworks，SIANN)"[28-30]。2016年，Ryu等人认为在企业负荷性能预测这一技术应用领域中，我们应将需求侧重到能源管理这一关键技术因素[22]，提出了基于负荷深度测量神经网络(deepneuralnetworks，DNN)的企业负荷性能预测深度模型，通过与其他传统的衡量方法深度进行对比，平均绝对百分比误差(meanabsolutepercentageerror，MAPE)和均匀平方根误差(rootmeansquareerror，RMSE)已经得到了有效地降低。MAPE和RMSE都已经是企业负荷性能预测中广泛用于衡量和分析企业预测电网系统负荷性能的重要衡量指标，文献23主要是将美国深度学习神经网络的方法运用到目前我国大型智能城市电网建设中，并且介绍各种负荷预测网络技术相关领域推广的一篇学术综述[23]，搜集整理了2014-2016年的一些美国相关学术文献，并对目前我国应用深度学习技术中的各种预测网络方法模型进行了逐一的详细介绍。当时有关美国深度学习网络方法在我国负荷预测网络技术相关领域中的研究应用相关文献比较少，近两年来这一发展趋势的变化更加明显。参考文献［1］CORPENINGSL，REPPENND，RINGLEERJ．Ex-periencewithweathersensitiveloadmodelsforshortandlong－termforecasting［J］．IEEETransactionsonPowerApparatusSystems，1973，92(6)：1966－1972．［2］HAGANMT，BEHRSM．Thetimeseriesapproachtoshorttermloadforecasting［J］．PowerSystemsIEEETransactionson，1987，2(3)：785－791．［3］JUBERIASG，YUNTAR，MORENOJG，etal．AnewARIMAmodelforhourlyloadforecasting［C］//TransmissionandDistributionConference．IEEE，1999：314－319．［4］HAIDAT，MUTOS．Regressionbasedpeakloadfore-castingusingatransformationtechnique［J］．IEEETransactionsonPowerSystems，2002，9(4)：1788－1794．［5］CHENBJ，CHANGMW，LINCJ．LoadforecastingusingsupportvectorMachines：astudyonEUNITEcompetition2001［J］．IEEETransactionsonPowerSystems，2004，19(4)：1821－1830．［6］NIUDX，QIANGW，LIJC．Shorttermloadforecas-tingmodelusingsupportvectormachinebasedonarti-ficialneuralnetwork［C］//InternationalConferenceonMachineLearningandCybernetics．IEEE，2005：4260－4265．［7］WEIRR，WEIZZ，RONGR，etal．ShorttermloadforecastingbasedonPCAandLS－SVM［J］．AdvancedMaterialsResearch，2013，756－759：4193－4197．［8］ZHANGY，ZHOUQ，SUNC，etal．RBFneuralnet-workandANFIS－basedshort-termloadforecastingap-proachinreal-timepriceenvironment［J］．IEEETransactionsonPowerSystems，2008，23(3)：853－858．［9］KOCN，LEECM．Short－termloadforecastingusingSVR(supportvectorregression)-basedradialbasisfunctionneuralnetworkwithdualextendedKalmanfilter［J］．Energy，2013，49(49)：413－422．［10］陆宁，周建中，何耀耀．粒子群优化的神经网络模型在短期负荷预测中的应用［J］．电网系统保护与控制，2010，38(12)：65－68．［11］师彪，李郁侠，于新花，等．基于改进粒子群－径向基神经网络模型的短期电网负荷预测［J］．电网技术，2009，33(17)：180－184．［12］RUMELHARTDE，MCCLELLANDJL．ParallelDis-tributedProcessing［M］//Paralleldistributedprocessing/．TheMITPress，1986：45－76．［13］马建伟，张国立．人工鱼群神经网络在电网系统短期负荷预测中的应用［J］．电网技术，2005，29(11)：36－39．［14］SAINILM，SONIMK．Artificialneuralnetwork－basedpeakloadforecastingusingconjugategradientmethods［J］．IEEETransactionsonPowerSystem，2002，17(3)：907－912．［15］KHANGM，KHATTAKAR，ZAFARIF，etal．Electricalloadforecastingusingfastlearningrecurrentneuralnetworks［J］．IEEETransactionsonPowerSystem，2013，38(2)：1－6．［16］何川，舒勤，贺含峰，等．ICA特征提取与BP神经网络在负荷预测中的应用［J］．电网系统及其自动化学报，2014，26(8)：40－46．［17］张凤林，陈峦，姚亮，等．基于信赖域法改进的BP网络在新能源并网方面的研究［J］．可再生能源，2018(1)：43－50．［18］ZHAOYUP，LIS，HONGZ，etal．TheapplicationofthePSObasedBPnetworkinshort－termloadforecas-ting［J］．PhysicsProcedia，2012，24(16)：626－632．［19］BASHIRZA，EL-HAWARYME．Applyingwaveletstoshort－termloadforecastingusingPSO-basedneuralnetworks［J］．IEEETransactionsonPowerSystems，2009，24(1)：20－27．［20］师彪，李郁侠，于新花等．改进粒子群-BP神经网络模型的短期电网负荷预测［J］．