计及需求响应和深度结构多任务学习的电力系统短期负荷预测

摘要

随着需求响应技术的快速发展,使得电力系统负荷数据呈现出规模庞大、结构复杂的非线性特征,基于深度机器学习和高效数据处理平台的负荷预测方法是当前的研究重点。为实现计及需求响应的电力系统短期负荷预测,建立了基于Spark平台和时钟频率驱动循环神经网络(CW-RNNs)的短期负荷预测方法。在Spark平台上设置不同工作组将全部数据分割为多个子数据模块,通过并行化计算提高数据处理效率,进而基于需求响应技术对负荷曲线做出调整,计算得到用户预期收益和用户舒适度影响指标值;采用离散小波变换将调整后的负荷曲线分解,得到一组高、低频信号;并采用偏最小二乘回归模型和CW-RNNs回归模型分别对低、高频信号进行训练学习;将训练好的PLS模型和CW-RNNs模型通过加权平均得到最终组合预测模型(Spark-CW-RNNs)。通过实例计算验证算法的准确性和有效性,结果表明:Spark-CW-RNNs模型比其他单一模型的预测误差更小、预测精度更高,模型具有有效性和可行性。