【《基于深度学习的电力系统负荷预测仿真分析案例》2200字】

基于深度学习的电力系统负荷预测仿真分析案例目录TOC\o"1-3"\h\u258911.1实验工具 129661.2短期电力负荷特征选择 1258491.3电力系统负荷数据预处理 2138411.4LSTM预测仿真分析 483711.5基于深度学习的电力系统负荷预测仿真与分析 71.1实验工具面对实验工具的选择，主要是在仿真软件方面的选取，目前可以应用的仿真软件有PSAPAC、EMTP/ATP、PSCAD/EMTDC、电力系统分析软件BPA、电力系统分析软件NETOMAC、PSASP、PSS/EOPF/、MATLAB等。本次实验选取使用的仿真软件为MATLAB仿真软件中的simulink模块，该软件的有点有：（1）高效的数值计算及符号计算功能，能使用户从繁杂的数学运算分析中解脱出来;（2）具有完备的图形处理功能，实现计算结果和编程的可视化;（3）友好的用户界面及接近数学表达式的自然化语言，使学者易于学习和掌握;（4）功能丰富的应用工具箱(如信号处理工具箱、通信工具箱等)，为用户提供了大量方便实用的处理工具。本次实验在MATLAB使用C语言进行程序的编写1.2短期电力负荷特征选择对样本数据进行特征选择作为机器学习的一个必备环节，若直接使用原始特征进行预测，对机器学习模型的能力要求比较高，这些原始特征可能存在以下几种不足:特征比较单一，需要进行非线性的组合才能发挥其作用;特征之间冗余度比较高;并不是所有的特征都对预测有用，很多特征通常是易变的，特征中往往存在一些噪声，传统的特征学习是通过人工方式进行的，需要大量的人工以及专家知识，即人为地设计一些规则，然后根据这些规则来选取有效地特征，具体可以分为以下两种:特征选择和特征抽取这些选择了删除多余的特性，并保留那些在预期任务中相对有用的特性。使用较低的特性来选择和提取特性，减少噪音信息，从而提高计算效率，减少多维灾害，即进行维度约减，降维通过保留比较重要的特征，去除冗余特征，把数据特征的维度减少。1.3电力系统负荷数据预处理数据预处理主要包括数据向量化和标准化2个步骤。神经网络基于线性代数理论，不能直接在原始数据上进行训练，在训练之前需要将原始数据转换为向量。数据向量化将Lt,d-w与Ft,d进行拼接，将数据转换成矢量，使用梯度为基础的反向传播算法对神经网络进行培训，在这些算法中，数据大或小，难以找到最佳解决办法。因此，将数据归一化到标准区间有利于模型求解。采用最大小归一思想将向量中的每个元素归一化到区间[0,1]，如式(16)所示。（4-1）式中:Xmax为所得到训练数据的最大值,Xmin为所得到训练数据的最小值;X为训练前的原始值;Xnorm为采用最大小归一方法化后的值。本文共采用了三组数据，第一组为2018年12月24日某地区的一组电力负荷数据。表4-12018年12月24日电力负荷数据部分示例612114738.3540.09551.8109136.5738.22542.8105533.7135.23533.9104432.6531.11558.3104932.6531.11601.9107933.2131.7937.6113736.5738.211016.1118838.2539.961118.6126539.5241.291209.8135141.5443.391222138343.5345.481221.6139943.3345.281192137742.4541.361161.7135641.243.061145133339.0240.781432.3135641.8743.761479.1152256.0958.61357162675.5278.911323.9159175.5278.921373.3155957.8660.471296.8150253.5655.981195.7140941.646.62第二组数据为一组2018年12月25日某地区的一组电力负荷数据。表4-22018年12月25日电力负荷数据部分示例-1.7430.5531.510-0.963723-1.6535.7136.960-1.253723-1.5221.4825.360-0.883726-1.4627.8728.90-1.033624-1.4621.8425.730-0.893521-1.4920.721.330-0.633521-1.6420.8721.40-0.533621表4-2续表-1.7120.0320.670-0.643521-1.7721.5825.650-1.073521-1.8533.8435.080-1.243521-1.9539.6341.10-1.473722-1.9540.6442.10-1.464023-1.9138.3339.480-1.154022-1.8627.9928.780-0.794221-1.7630.94320-1.064322-1.8936.4137.640-1.234021-2.5156.0358.180-2.153820-3.3965.268.090-2.893419-3.451.5357.440-2.913319-2.6150.7753.580-2.813019-2.424341.720-1.722919-2.0241.8343.530-1.72818第三组数据为2018年12月26日某地区的一组电力负荷数据表4-32018年12月26日电力负荷数据部分示例07049753432623400265528440.0104166677254772032873424278829600.0208333337218769132893430278429600.031257150761832613396274229160.0416666677201766632193355283530080.0520833337071753131893321270328760.06257025748731473281272528970.0729166677142760631573291288030520.0833333337150761631403276287030430.093757147760731623293287130430.9270833338001848737973931303132260.93757860834437163849297131650.9479166677677816136163748291731110.9583333337447793335013634283430290.968757404789234343567288030750.9791666677246773633643501280630020.989583333729077693345347328613055NaN931498054771490534063593NaNNaNNaNNaNNaNNaNNaNNaN6825728730073139265528311.4LSTM预测仿真分析本次模拟应用以上三组数据，每组数据迭代200次，以此对比，观察LSTM方法在短时负荷预测的优势。第一组数据，迭代200次。图4-1预测曲线图4-2均方根误差、损失第二组数据，迭代200次。图4-3预测曲线图4-4均方根误差、损失第三组数据，迭代200次。图4-5负荷预测图4-6均方根误差、损失从图4-1到图4-6中明显的看出均方根误差在训练迭代从0次到40次内明显下降，40次到80次内成锯齿状浮动，80次之后仍在下降，但几乎停滞，100次后会基本保持不变。从图4-1到图4-6中明显的看出符合损失在训练迭代从0次到40次内明显下降，40次到60次内下降趋势逐渐平缓，60次到80次之间会出现起伏后下降之最低点，100次后基本保持不变。所得到的负荷预测曲线与实际负荷曲线有一定偏差。1.5基于深度学习的电力系统负荷预测仿真与分析本次模拟应用以上三组数据，每组数据迭代200次，以此对比，观察LSTM方法在短时负荷预测的优势。第一组数据，迭代200次。图4-7预测曲线图4-8均方根误差、损失第二组数据，迭代200次。图4-9预测曲线图4-10均方根误差、损失第三组数据，迭代200次。图4-11负荷预测图4-12均方根误差、损失从图4-1到图4-6中明显的看出均方根误差在训练迭代从0次到20次内明显下降，20次到80次内下降趋势逐渐平缓，80次之后仍在下降，但几乎停滞，通常在120次左右均方根误差会出现波动，上升大概0.06，并在10几次的训练迭代后下降至最小值，之后会保持不变。从图4-1到图4