预测堆栈式

第47卷第6期电力系统保护与控制Vol.
47No.
62019年3月16日PowerSystemProtectionandControlMar.
16,2019DOI:10.
7667/PSPC180365基于EMD-SLSTM的家庭短期负荷预测刘建华,李锦程,杨龙月,闫耀双,刘艳梅,张屹修(中国矿业大学电气与动力工程学院,江苏徐州221008)摘要:针对非平稳的家庭短期负荷数据,直接套用预测模型难以挖掘出更深层次的时序特征.
提出一种经验模式分解(EmpiricalModeDecomposition,EMD)和堆栈式长短期记忆(StackLongShort-termMemory,SLSTM)的组合算法应用于家庭短期负荷预测.
首先分析了SLSTM和EMD原理,提出EMD-SLSTM组合预测模型.
将负荷数据通过EMD算法进行分解,然后将分解后的分量数据分别转化为三维数据样本.
通过设计SLSTM网络架构及其参数,对归一化的分量数据和原始数据分别进行预测建模及其重构.
为显示算法预测性能,实验对比了支持向量回归、人工神经网络、深度神经网络、梯度提升回归等模型在两种情景下的性能,采用MAPE和RMSE性能度量进行验证.
实验结果表明EMD-SLSTM更能有效地表达出家庭短期负荷的时序关系,具有更高的预测精度.
关键词:家庭短期负荷预测;深度学习;堆栈式长短期记忆网络;经验模式分解;时间序列Short-termhouseholdloadforecastingbasedonEMD-SLSTMLIUJianhua,LIJincheng,YANGLongyue,YANYaoshuang,LIUYanmei,ZHANGYixiu(SchoolofElectricalandPowerEngineering,ChinaUniversityofMiningandTechnology,Xuzhou221008,China)Abstract:Fornon-stationaryshort-termhouseholdloaddata,itisdifficulttominedeepertemporalcharacteristicsbydirectlyapplyingthepredictionmodel.
AcombinationofEmpiricalModeDecomposition(EMD)andStackLongShort-TermMemory(SLSTM)algorithmisproposedforshort-termhouseholdloadforecasting.
Firstly,theprincipleofEMDandSLSTMisanalyzedandtheEMD-SLSTMcombinedpredictionmodelisproposed.
Then,theloaddataisdecomposedbytheEMDalgorithmandthedecomposedcomponentdataisrespectivelyconvertedintothree-dimensionaldata.
BydesigningthenetworkarchitectureofSLSTManditsparameters,thenormalizedcomponentdataandoriginaldataareseparatelypredictedandreconstructed.
Inordertoshowtheperformanceofthealgorithm,theperformanceofthesupportvectorregression,artificialneuralnetwork,deepneuralnetwork,gradientboostingregressioniscomparedandverifiedbyMAPEandRMSEperformancemetricsintwoscenarios.
TheresultsshowthatEMD-SLSTMcanmoreeffectivelyexpressthetimeseriesrelationshipofshort-termhouseholdloadandhashigherpredictionaccuracy.
ThisworkissupportedbyYouthScienceFoundation(No.
51607179).
Keywords:short-termhouseholdloadforecasting;deeplearning;stacklongshort-termmemorynetwork;empiricalmodedecomposition;timeseries0引言目前分布式间歇性新能源并网依然面临着严峻的形势[1],为提高新能源消纳效率,从成本和灵活性考量,提高终端用户能源服务无疑比提升底层硬件技术水平更具优势[2].
在电力零售市场,各种终端用户服务,如客户负荷管理,需要短期负荷预测来吸引更多的客户[3-5].
这些特征暗示着消费者的作基金项目:青年科学基金项目资助(51607179)用将比以往更为重要,因此,预测的范围从宏观角度转移到微观角度[6],家庭负荷预测变得越来越重要.
关于负荷预测的研究方法有很多[7],从经典的时间序列分析到最近的机器学习方法,包括自动回归移动平均模型ARIMA[8]、支持向量回归(SupportVectorRegression,SVR)[9]、随机森林[10]、梯度提升回归(GradientBoostingRegression,GBR)[11]、极限学习机[12]等.
负荷预测的另一个重要分支是使用人工神经网络[13-14](ArtificialNeuralNetwork,ANN)模型刘建华,等基于EMD-SLSTM的家庭短期负荷预测-41-进行预测.
近年来随着相关负荷数据的增加和大规模并行计算能力的提升,利用大数据进行负荷预测成为研究的热点[15-16].
在海量数据和并行计算性能大幅增长的背景下,深度学习(DeepLearning,DL)在语音识别、图像分类等部分领域逼近甚至超越人类[17].
文献[18]将DL应用于短期风电预测,取得了更高的精度.
文献[19]利用EMD分解负荷数据,在更具平稳性的分量负荷数据中获得了更高的精度.
ANN不具备在时间轴上的传播计算能力,循环神经网络(RecurrentNeuralNetwork,RNN)的输出值Ot会受之前输入值[It,It1,It2,,Itn]的影响,在许多负荷预测问题中,预测的负荷序列具有长时间的依赖性,其长度可能随时间而变化或隐藏未知.
与其他线性预测模型相比,RNN可以学习任意复杂的函数以及变量之间隐藏的非线性交互,在具有时序特征的负荷预测中有着明显优势.
RNN虽然解决了时间依赖的问题,但在反向传播的链式求导计算中,会带来梯度消失或爆炸的问题[20].
长短期记忆(LongShort-termMemory,LSTM)网络[20]由5个不同的非线性组件组成,以一种特定的方式相互作用.
LSTM的内部状态只通过线性相互作用而改变,这使得信息可以在整个时间轴内平滑地进行反向传播,从而提高了时序信息的存储容量.
本文提出一种EMD-SLSTM组合的短期负荷预测算法,利用EMD算法将非平稳负荷分解成更具平稳的分量负荷,设计了3+1层SLSTM网络及其参数,分别对分量负荷和原始负荷数据进行预测建模及其重构,最后采用实际生活中的家庭负荷数据进行实验仿真,实验结果表明EMD分解算法能够极大地提高模型的预测性能,在两种情景下,通过与SVR、ANN、GBR等模型进行对比,SLSTM网络具有更高的泛化性能.
1堆栈式长短期记忆网络1.
1长短期记忆网络LSTM通过3个门来保护和控制存储单元中的信息,这些信息由激活函数的点乘⊙来实现,通过梯度下降训练一系列参数来控制每个门的状态.
LSTM中的每一个门都有一个特定且独特的功能.
遗忘门f从先前的状态1th中决定丢弃哪些信息.
输入tx和1th经过更新门u运算后,与修正过的遗忘门f一块决定更新状态ht应该用候选状态th多少权重.
为了生成输出ty,首先使用非线性的g2函数过滤它的当前状态,然后与输出门o运算后一块输出ty,其中返回部分状态ty作为下次输入1ty.
每一个门都依赖于当前的外部输入xt和之前的输出1ty.
图1详细描绘了LSTM的结构原理,LSTM的更新状态方程如式(1)所示.
图1LSTM结构图Fig.
1StructureofLSTM1111112forgetgate:andidatestate:updatestate:cellstate:outputgate:output:tftftfthththtutututtttttotototttfxybchgxybuxybhuhfhoxybyoghWRWRWRWR(1)式中:xt为t时刻的输入向量;fW、hW、uW和oW是与输入单元相关的权重矩阵;fR、hR、uR和oR为隐藏层连接的权重矩阵;而fb、hb、ub和ob为偏置向量;激活函数σ为sigmoid或者tanh;1g和2g为非线性激活函数;⊙为点乘.
1.
2堆栈式长短期记忆网络训练方法SLSTM的架构如图2所示.
由n个LSTM层+1个全连接层组成,为降低模型维度,第n层LSTM输出一维向量.
1)向前计算SLSTM向前计算跟ANN类似,式(2)表示SLSTM的向前计算.
12ttttYfXfXfXVUWUWU(2)式中:U为输入X的权重矩阵;W为上一次的ht1作为这一次的输入的权重矩阵;f为激活函数;V为输出层的权重矩阵.
2)反向传播SLSTM采用通过时间反向传播(BackPropagationThroughTime,BPTT)算法[21],将-42-电力系统保护与控制SLSTM展开后使用误差反向传播(BackPropagation,BP)算法对网络进行训练.
计算实际输出与真实值之间的误差,按最小误差的方法调整权值矩阵,求出权值梯度并进行迭代更新.
图2SLSTM架构Fig.
2ArchitectureofSLSTM2EMD-SLSTM组合预测模型2.
1EMD原理EMD[19]方法能够将非平稳非线性数据转为平稳线性数据,这对负荷预测模型充分挖掘其隐藏的时序关系具有极大的辅助作用,EMD步骤如下.
首先由时序数据x(t)的局部极大极小值确定其上包络线s()Ut和下包络线s()Vt,求出均值包络线1m,如式(3).
然后用x(t)减去1m得到1c,1c为第一个固有模态函数(InherentModalFunction,IMF),如式(4)所示.
残差1()rt为x(t)和1m的差值,见式(5).
最后将残差1()rt重复上述步骤,得到符合条件的一系列IMF分量ic和一个残差nr,见式(6).
ss1()()2UtVtm(3)11()()cxtmt(4)11rtxtct(5)1()+ninixtcr(6)2.
2EMD-SLSTM组合算法通过EMD算法将短期负荷分解为若干个IMF分量和一个残差分量R,然后分别将分量负荷数据转化为三维输入矩阵,利用SLSTM网络分别对分量数据进行建模预测,最后将各个分量预测结果进行重构,得出短期负荷预测结果,EMD-SLSTM组合预测流程如图3所示.
图3EMD-SLSTM组合预测流程图Fig.
3FlowchartofEMD-SLSTMofcombinedforecasting3家庭短期负荷预测模型设计本文所有数据分析的软硬件平台如表1所示.
表1软硬件实验平台Table1Platformofhardwareandsoftware工具版本工具参数Python发行版Anaconda5.
1内存RAM4.
00GB深度学习框架Keras2.
0处理器CPUi5-5200U操作系统Windows10CPU频率2.
20GHz3.
1实验数据预处理实验负荷数据集来源于UCI数据库(individualhouseholdelectricpowerconsumption).
负荷数据集的采集频率是每隔1min记录一次,数据采集的时间为47个月,共计2075259个,其中缺失值记为'',约占1.
25%.
1)数据转换对原数据进行重采样处理,频率为每小时采集一次,采集数量为n(n=34587)个,具体步骤如下:先将数据集按小时分辨率取整,接着将负荷列向量转化为二维矩阵,每行表示一小时采集的m(m=60)个数据,如式(7)所示;然后依次对每行60个负荷数据求和,得到每小时的负荷数据值,如式(8)所示.
2)缺失值处理由于数据集的缺失值存在连续超过一小时的现象,无法按缺失值附近的均值或者插值进行处理,所以对每列的缺失值按该列的均值填充,如式(9)所示.
1111211221222212mmnmnnnmnxxxxXxxxxXxxxxX(7)刘建华,等基于EMD-SLSTM的家庭短期负荷预测-43-121mnniiXXXx(8)1nimimxxn(9)式中:x为每分钟的负荷;X为每小时的负荷数据.
3.
2EMD负荷分解EMD将预处理后的34587个样本数据分解成23个IMF分量和1个残差分量R,组成(34587,24)维向量数据,相比原负荷,分解后的IMF分量依次变得更平稳,实验仿真见图4(R计入IMF分量中).
图4家庭短期负荷EMD分解曲线图Fig.
4Short-termloadofEMDdecompositioncurve由于部分分量负荷数据波动幅度依然很大,将分量数据按min-max标准化进行归一化处理,见式(10).
数据归一化既可减少训练时间也可以防止网络的激活函数处于过饱和状态.
minmaxminiiXXXXX(10)式中,iX、iX、maxX、minX依次为归一化值、样本值、最大值、最小值.
3.
3网络架构及其参数设计原家庭负荷数据和各分量数据划分如表2所示.
时间步长timestep选为12,网络采用小批量(mini-batch)输入,每次输入样本数量为mini-batch=128.
网络训练采用20次epochs迭代训练计算,lose函数采用均方误差MSE.
表2训练与测试数据集Table2Datasetoftrainingandtest数据集数据数量timestep变量维度mini-batch训练(原)80%121128测试(原)20%121128训练(Pi)80%121128测试(Pi)20%121128训练(Pr)80%121128测试(Pr)20%121128实验采用的SLSTM网络架构及其参数如图5所示.
网络架构采用3+1结构(3层LSTM和1层全连接层),多层架构能够对数据进行更深层次的表达.
cell为每层神经元的个数,输入输出表示网络数据的向量维数.
以第一层输入为例,(none,12,1)分别表示(样本数,时间步长,变量维数).
图5SLSTM网络架构及其参数Fig.
5ArchitectureandparametersofSLSTM3.
4预测分量重构将各个预测的IMF(Pi)和残差分量数据Pr进行叠加重构,如式(11)所示,P为重构的预测数据,最终将P与真实负荷值进行对比.
1niriPPP(11)4算例分析实验采用的性能度量为RMSE、MAPE和MAE,其定义如式(12)—式(14).
211()NiiiRMSEypN(12)11100%NiiiiypMAPENy(13)11NiiiMAEypN(14)式中,N、iy、ip分别表示样本个数、实际值和预测值.
实验使用统计机器学习SVR(径项基核函数)、集成学习梯度提升回归GBR(决策树n=50)、人工神经网络ANN、深度神经网络DNN(5层网络)和SLSTM进行对比.
图6、图7分别为24个分量预测的MAE和RMSE(详细数据见表3),其中前23个为IMF分量,最后1个为残差分量R,由于分量样本含有0值,-44-电力系统保护与控制用MAE取代MAPE.
从图6、图7可看出SLSTM的MAE和RSME在多个预测分量中位于最低,总体误差曲线位于最下方.
但是有几个IMF分量,ANN和DNN性能表现更好,这可能与SLSTM网络固定timestep为12有关,尽管简化了建模过程和工作量,但也造成了SLSTM的超参数未能达到最优.
表3分量预测的MAE和RSMETable3MAEandRSMEofcomponentpredictionMAERSMEIMF分量SVRGBRANNDNNSLSTMSVRGBRANNDNNSLSTM12.
221.
060.
940.
730.
583.
983.
092.
511.
451.
3921.
950.
950.
560.
640.
223.
722.
341.
261.
360.
3731.
831.
100.
610.
930.
353.
272.
551.
542.
280.
7641.
791.
350.
900.
931.
043.
503.
462.
922.
673.
0851.
440.
510.
210.
520.
542.
751.
220.
450.
971.
1062.
051.
350.
940.
981.
044.
463.
462.
472.
873.
4071.
550.
850.
900.
931.
133.
122.
272.
522.
513.
4981.
810.
980.
680.
790.
533.
492.
421.
762.
031.
2592.
191.
380.
950.
990.
694.
303.
542.
923.
341.
92102.
021.
280.
780.
940.
963.
863.
192.
142.
572.
50112.
891.
741.
501.
371.
216.
664.
714.
543.
953.
76121.
800.
860.
530.
660.
743.
812.
661.
501.
621.
78132.
461.
991.
561.
341.
265.
186.
155.
334.
504.
83141.
770.
540.
900.
660.
673.
261.
872.
601.
591.
92153.
612.
902.
582.
192.
428.
959.
388.
377.
168.
22162.
721.
130.
801.
100.
995.
793.
382.
453.
323.
05172.
642.
200.
771.
001.
045.
276.
802.
552.
472.
95181.
710.
770.
470.
490.
493.
062.
071.
220.
951.
15192.
241.
430.
540.
600.
324.
803.
781.
621.
310.
75201.
640.
770.
670.
880.
873.
021.
831.
752.
072.
35211.
810.
660.
250.
460.
343.
461.
400.
750.
870.
71222.
111.
321.
130.
880.
885.
044.
774.
103.
083.
60232.
081.
791.
481.
091.
024.
354.
394.
092.
972.
8624(R)1.
330.
770.
500.
660.
382.
401.
901.
131.
950.
86将24个分量预测数据进行重构,记为EMD组合预测,并跟直接预测的数据进行性能比较.
直接预测和EMD组合预测两种情景的实验测试结果如表4所示,选取两天48h的仿真见图8和图9.
从表4可明显看出,EMD组合预测的性能要明显优于直接预测,各个模型有着50%以上的性能提升,其中SVR的MAPE和SLSTM的RSME降低了一半以上.
SLSTM网络在两种情景中的预测性能都是最高的,这得益于其复杂的记忆网络模型,但在未用GPU硬件加速的情况下,训练时间要远远超出其他模型.
在图9中,EMD-SLSTM模型在负荷急剧上升的情形中,预测效果良好,最接近真实值,但负荷在平谷小幅波动情形中,和其他组合模型一样,预测趋势较差,造成了较大的相对误差,这可能与过多的预测分量所形成的累计误差有关.
而在图8的平谷小幅波动中,预测趋势较好,尤其是SLSTM预测效果要明显优于其他模型,使得SLSTM的MAPE也要小于其他模型.
表4测试性能对比Table4Comparisonoftrainingandtestperformance直接预测EMD组合预测模型单个分量训练时间/sMAPERMSEMAPERMSE3964.
5830.
6331.
1020.
602.
345.
5729.
1531.
2918.
15SVRGBRANN2246.
9129.
7329.
7115.
993049.
3929.
4426.
9116.
15DNNSLSTM76039.
6429.
6525.
7314.
54SVR在数万级别和剧烈波动的数据面前,性能要明显低于其他模型,训练时间也处于劣势,这验证了SVR适合小样本学习.
基于决策树的集成学习刘建华,等基于EMD-SLSTM的家庭短期负荷预测-45-GBR相比其他模型,训练时间很低,直接预测精度较高,比较适合大量的波动数据,但在预测更具平稳的分量数据时,性能不及神经网络模型.
值得注意的是,在直接预测过程中,加深网络层数的DNN模型在性能方面要稍低于ANN模型,但在组合预测过程中,DNN的综合性能要稍微优于ANN;尽管加深网络层数能够更深层次地对数据进行抽象表达,但选用的tanh/sigmoid激活函数也可能带来梯度消失的问题.
图6各个IMF分量的MAEFig.
6MAEofIMFs图7各个IMF分量的RSMEFig.
7RSMEofIMFs图8测试对比图(直接预测)Fig.
8Testcontrastdiagram(singleprediction)图9测试对比图(EMD组合预测)Fig.
9Testcontrastdiagram(EMDcombinatorialprediction)此外,从图8可以看出直接预测的效果较差,各个模型预测明显具有滞后一个时刻的趋势,这源于原始负荷的时序相关性较低,相比之下,经过EMD分解的分量数据具有很高的相关性,使用时刻t之前12个时刻的时序特征,能够较好地预测未来的走势.
原始负荷时序的Pearson相关系数(PearsonCorrelationCoefficient,PCC)[22]见图10,选取第10个IMF分量的时序PCC见图11,其中时间窗口为14天,在336(1424=336)个时刻中选择最大的12个时刻与当前时刻t之间的PCC.
图10原始负荷的Pearson相关系数矩阵Fig.
10Pearsoncorrelationcoefficientoftheoriginalload从图10可以看出,负荷序列具有较弱的周期性(小周期为一天,大周期为一周),除了t1时刻的PCC取值为0.
5~0.
8,具有较强的相关性,其他时刻的PCC取值为0.
3~0.
5,处于较弱的相关性程度,造成了预测的滞后性和较差的性能.
而在图11中,时刻t的前5个时刻的PCC高达0.
99以上,具有极强的相关性,即便是时刻t12的PCC也位于0.
9以上,处于强相关性程度,所以能够预测未来趋势,而且预测性能较好.
-46-电力系统保护与控制图11第10个IMF分量的Pearson相关系数矩阵Fig.
11PearsoncorrelationcoefficientofthetenthIMF5结论与展望1)分析了EMD和SLSTM算法的原理,提出了EMD-SLSTM组合算法应用到家庭短期负荷预测.
2)对预处理后的家庭负荷进行EMD分解,实验设计了3+1层SLSTM架构及其参数,分别对分量负荷和原始负荷两种情景进行训练和重构预测.
3)实验结果表明EMD分解算法能够极大地提高模型的预测性能,在两种情景下,通过与SVR、ANN、DNN、GBR等模型进行对比,SLSTM网络具有更高的泛化性能,但其在训练时间上远远超出其他模型.
SLSTM网络的复杂性让参数训练变得更加困难,训练出更优参数可以进一步提高预测的精度.
同时在平稳线性的负荷分量中,诸多简单预测模型也有很好的泛化能力,在负荷分量中进行不同模型的组合,既能提高模型的精度,又可以大幅度减少模型的训练时间.
参考文献[1]舒印彪,张智刚,郭剑波,等.
新能源消纳关键因素分析及解决措施研究[J].
中国电机工程学报,2017,37(1):1-8.
SHUYinbiao,ZHANGZhigang,GUOJianbo,etal.
Studyonkeyfactorsandsolutionofrenewableenergyaccommodation[J].
ProceedingsoftheCSEE,2017,37(1):1-8.
[2]KAZMERSKIL.
Renewableandsustainableenergyreviews[J].
Renewable&SustainableEnergyReviews,2013,38:834-847.
[3]王守相,孙智卿,刘喆.
面向智能用电的家庭能量协同调度策略[J].
电力系统自动化,2015,39(17):108-113.
WANGShouxiang,SUNZhiqing,LIUZhe.
Householdenergycollaborativeschedulingstrategyforsmartpowerutilization[J].
AutomationofElectricPowerSystems,2015,39(17):108-113.
[4]孙国强,李逸驰,卫志农,等.
智能用电互动体系构架探讨[J].
电力系统自动化,2015,39(17):68-74.
SUNGuoqiang,LIYichi,WEIZhinong,etal.
Discussiononthearchitectureofsmartpoweruseinteractionsystem[J].
AutomationofElectricPowerSystems,2015,39(17):68-74.
[5]刘孝杰,苏小林,阎晓霞,等.
面向主动响应和售电市场的主动配电系统负荷预测[J].
电力系统及其自动化学报,2017,29(2):121-128.
LIUXiaojie,SUXiaolin,YANXiaoxia,etal.
Loadforecastingofactivedistributionsystemforactiveresponseandsellingelectricitymarket[J].
ProceedingsoftheCSU-EPSA,2017,29(2):121-128.
[6]RYUS,NOHJ,KIMH.
Deepneuralnetworkbaseddemandsideshorttermloadforecasting[C]//2016IEEEInternationalConferenceonSmartGridCommunications(SmartGridComm),November6-9,2016,Sydney,Australia:308-313.
[7]廖旎焕,胡智宏,马莹莹,等.
电力系统短期负荷预测方法综述[J].
电力系统保护与控制,2011,39(1):147-152.
LIAONihuan,HUZhihong,MAYingying,etal.
Reviewoftheshort-termloadforecastingmethodsofelectricpowersystem[J].
PowerSystemProtectionandControl,2011,39(1):147-152.
[8]麦鸿坤,肖坚红,吴熙辰,等.
基于R语言的负荷预测ARIMA模型并行化研究[J].
电网技术,2015,39(11):3216-3220.
MAIHongkun,XIAOJianhong,WUXichen,etal.
ResearchonloadforecastingARIMAmodelparallelizationbasedonRlanguage[J].
PowerSystemTechnology,2015,39(11):3216-3220.
[9]熊军华,牛珂,张春歌,等.
基于小波变异果蝇优化支持向量机短期负荷预测方法研究[J].
电力系统保护与控制,2017,45(13):71-77.
XIONGJunhua,NIUKe,ZHANGChunge,etal.
LSSVMinshort-termloadforecastingbasedonwavelettransformandmutantfruitflyoptimizationalgorithm[J].
PowerSystemProtectionandControl,2017,45(13):71-77.
[10]吴潇雨,和敬涵,张沛,等.
基于灰色投影改进随机森林算法的电力系统短期负荷预测[J].
电力系统自动化,2015,39(12):50-55.
WUXiaoyu,HEJinghan,ZHANGPei,etal.
Power刘建华,等基于EMD-SLSTM的家庭短期负荷预测-47-systemshort-termloadforecastingbasedonimprovedrandomforestwithgreyrelationprojection[J].
AutomationofElectricPowerSystems,2015,39(12):50-55.
[11]CANDANEDOLM,FELDHEIMV,DERAMAIXD.
Datadrivenpredictionmodelsofenergyuseofappliancesinalow-energyhouse[J].
Energy&Buildings,2017,140:81-97.
[12]LIZ,YEL,ZHAOY,etal.
Short-termwindpowerpredictionbasedonextremelearningmachinewitherrorcorrection[J].
ProtectionandControlofModernPowerSystems,2016,1(1):9-16.
DOI:10.
1186/s41601-016-0016-y.
[13]杨杰,霍志红,何永生,等.
基于小波与最小资源分配网络的超短期风电功率预测研究[J].
电力系统保护与控制,2018,46(9):55-61.
YANGJie,HUOZhihong,HEYongsheng,etal.
Ultra-short-termwindpowerpredictionbasedonwaveletandminimumresourceallocationnetwork[J].
PowerSystemProtectionandControl,2018,46(9):55-61.
[14]杨秋霞,刘同心,高辰,等.
计及光伏电站功率预测的电力系统优化分析[J].
电力系统保护与控制,2018,46(2):117-123.
YANGQiuxia,LIUTongxin,GAOChen,etal.
PowersystemoptimizationanalysisconsideringpowerpredictionofPVpowerstation[J].
PowerSystemProtectionandControl,2018,46(2):117-123.
[15]雷正新,韩蓓,聂萌,等.
配电网大数据环境下的多点负荷预测算法与应用研究[J].
电力系统保护与控制,2016,44(23):68-78.
LEIZhengxin,HANBei,NIEMeng,etal.
Researchandapplicationofmulti-nodeloadforecastingalgorithmundertheenvironmentofdistributionnetwork'sbigdata[J].
PowerSystemProtectionandControl,2016,44(23):68-78.
[16]王德文,孙志伟.
电力用户侧大数据分析与并行负荷预测[J].
中国电机工程学报,2015,35(3):527-537.
WANGDewen,SUNZhiwei.
Bigdataanalysisandparallelloadforecastingofelectricpoweruserside[J].
ProceedingsoftheCSEE,2015,35(3):527-537.
[17]LECUNY,BENGIOY,HINTONG.
Deeplearning[J].
Nature,2015,521(7553):436-444.
[18]朱乔木,李弘毅,王子琪,等.
基于长短期记忆网络的风电场发电功率超短期预测[J].
电网技术,2017,41(12):3797-3802.
ZHUQiaomu,LIHongyi,WANGZiqi,etal.
Short-termwindpowerforecastingbasedonLSTM[J].
PowerSystemTechnology,2017,41(12):3797-3802.
[19]郑连清,郑艳秋.
基于经验模式分解与人工神经网络的短期电力负荷预测[J].
电力系统保护与控制,2009,37(23):66-69.
ZHENGLianqing,ZHENGYanqiu.
Short-termpowerloadforecastingbasedonempiricalmodedecompositionandANN[J].
PowerSystemProtectionandControl,2009,37(23):66-69.
[20]HOCHREITERS,SCHMIDHUBERJ.
Longshort-termmemory[J].
NeuralComputation,1997,9(8):1735-1780.
[21]BENGIOY,SIMARDP,FRASCONIP.
Learninglong-termdependencieswithgradientdescentisdifficult[J].
IEEETransactionsonNeuralNetworks,2002,5(2):157-166.
[22]唐伟斌,李涛,邹品晶,等.
基于皮尔逊相关系数的电网夏季空调负荷预测研究[J].
电力需求侧管理,2017,19(6):7-13.
TANGWeibin,LITao,ZHOUPinjing,etal.
SummerloadforecastingofpowergridbasedonPearsoncorrelationcoefficient[J].
PowerDemandSideManagement,2017,19(6):7-13.
收稿日期:2018-04-02;修回日期:2018-06-05作者简介:刘建华(1973—),男,博士,副教授,研究方向为智能变配电网安全与保护;E-mail:13382679966@163.
com李锦程(1992—),男,通信作者,硕士研究生,研究方向为机器学习在智能配用电中的应用;E-mail:lijincheng718@foxmail.
com杨龙月(1988—),男,博士,讲师,研究方向为智能配电网与电力电子技术.
E-mail:644653327@qq.
com(编辑许威)