基于深度学习的电力负荷管理与分析研究.pdf

摘要

电力负荷管理与分析能及时准确地反映电力市场的需求状况。提供客户用电

负荷曲线，帮助电力系统对客户用电负荷曲线优化分析、企业生产用电成本分析，

为客户提供合理使用电能，提高用电效率。然而，随着电网的不断发展，电网的

复杂性和不确定性程度日益加深，对电力负荷管理与分析方法提出了新的挑战。

提高电力负荷预测精度和相似性搜索效率可以减少不必要的发电，提高能源利用

效率，进而降低电网运行成本，具有巨大的经济效益。因此本文对电力负荷管理

与分析方法展开研究，旨在探索提高电力系统效率的新方法。

（1）依据电力负荷预测的影响因素，对统计学模型和深度学习算法在负荷

预测中存在的不足进行分析，提出时序卷积和多注意力（TC-MA）联合增强的电

力负荷预测方法。用于有效获取负荷序列间的相关性和序列内的时序依赖关系。

变量注意力用于捕获序列间的依赖关系，即协变量对负荷的影响；时序卷积用于

提取协变量和负荷的时序依赖，时序注意力为每个时间步分配不同的权重值。使

用三个真实数据集验证所提出方法的有效性，根据评价指标平均绝对误差、均方

R2

根误差和的结果表明，与基线模型相比，所提出的模型提高了预测精度。

（2）针对现有电力负荷相似性搜索方法中电力负荷序列摘要的不准确性和

性能滞后，提出了一种基于Transformer的电力负荷嵌入技术：TransNet,它可以

用来弥补现有电力负荷表示的不准确性。Transnet将Transformer编码器中的自

注意模块替代为卷积自注意力，从而有效地降低时间和空间开销。在相似性搜索

阶段，原有的上下界计算方式不再适用于嵌入序列。为此本文改进原有的iSAX+

和DSTree索引的上下界计算方式。简单来说，使用嵌入序列计算上下界,并对

TransNet生成的嵌入序列建立索引和响应查询任务。在3个不同的真实数据集上

进行全面验证。结果显示：与其他最先进的嵌入序列解决方案相比，基于TransNet

的嵌入序列提供了高质量的电力负荷摘要和高效的查询效率。同时改进的上下界

计算方式提高了修剪率和查询响应的速度。

关键词：数据管理,电力负荷预测,相似性搜索,时序卷积网络,负荷序列嵌入

Abstract

Electricityloadmanagementandanalysiscantimelyandaccuratelyreflectthe

statusofelectricitymarketdemand.Providecustomerelectricityloadcurve,helpthe

powersystemtooptimizetheanalysisofcustomerelectricityloadcurve,enterprise

productionandelectricitycostanalysis.Itprovidescustomerswithrationaluseof

electricityandimprovestheefficiencyofelectricityconsumption.However,withthe

continuousdevelopmentoftheelectricitygrid,thedegreeofcomplexityand

uncertaintyofthegridisdeepening,whichposesachallengetotheelectricityload

managementandanalysismethods.Therefore,improvingelectricityloadforecasting

accuracyandsimilaritysearchefficiencycanreduceunnecessarypowergeneration,

improveenergyutilizationefficiency,andthusreducegridoperationcost,whichhas

greateconomicbenefits.In