基于深度残差网络的短期电力负荷预测研究.pdf

摘要

大规模新能源并网发电、大量移动储能装置如电动汽车的普及以及用电个体

积极参与电力市场等因素给电网带来了与日俱增的波动性和不确定性，也给电力

系统的运行与控制带来了极大的挑战。精准的负荷预测技术可以指导电力运营商

制定发电计划，降低运行成本，实现电力系统供需平衡。本文主要基于深度残差网

络对当前短期电力负荷预测技术中存在的精确度、可靠性和计算效率等问题展开

深入研究。

(1)引入冗余Haar小波变换RHWT对非平稳的原始负荷序列进行分解，得到

相对平稳的多元时间序列。在此基础上提出一种改进的深度残差网络iResNet，残

差连接解决了深度模型训练过程中的梯度消失和模型退化等问题，并引入Prelu激

活函数和高斯噪声提高预测模型的泛化能力和鲁棒性。搭建了基于RHWT-iResNet

的短期电力负荷点预测模型。

(2)针对负荷的不确定性，提出两种概率预测方案：i)基于QS的分位数回归

策略。该策略引入批量训练、早停策略、学习率衰减等训练机制，并以QS为指标

监测iResNet的参数迭代过程，有效的降低了训练成本，并构建了相比于传统分位

数回归更可靠的预测区间；ii)基于复合核函数的概率密度估计策略。在RHWT-

iResNet模型的基础上，设计了一种具有复合核函数的稀疏高斯过程拟合预测值与

实际值之间的残差。该策略进一步提高了负荷预测模型的点预测精度，并量化了预

测的不确定性。

(3)针对负荷预测任务中有限训练样本的问题，提出一种具有迁移学习特征的

小样本负荷预测模型。该模型基于iResNet在源域用户学习相关负荷序列变化特征

并嵌入成一系列参数模型。然后在目标用户有限的训练样本下，利用贝叶斯加权概

率平均法对迁移模型进行自适应性组合以寻求适应于目标用户最优的小样本预测

模型，并提供概率密度估计。与此同时，提出的预训练-自适应组合策略也为迁移

学习在回归任务中的应用提供了新的思路。

(4)实例验证阶段，基于低压侧和用户侧的真实公开数据集，设计对比实验进

行验证。制定了多个评价指标，从多个场景下证实了所提方法的有效性。

关键词：短期电力负荷预测，冗余Haar小波变换，深度残差网络，分位数回归，

稀疏高斯过程，迁移学习

ABSTRACT

Withthehighlypenetratedflexibleloadsindistributedlevel,thediversifiedand

stochasticenergyconsumptionpatternsbroughtahugeuncertaintyandrisksofsystem

operation,whichposesanadditionalchallengetotheShort-TermLoadForecasting

(STLF).AccurateSTLFcandirectpoweroperatorstodevelopgenerationplans,reduce

operatingcostsandachieveasupply-demandbalance.Toaddresstheproblemsof

accuracy,reliabilityandcomputationalefficiencythatareinherentintraditionalSTLF

techniques,thesisfocusesonSTLFtechniquesforseveralscenariosbasedondeep

residualnetworks.

(1)Arelativelysmoothmultivariatetimeseriesisobtainedbydecomposingthe

nonstationaryoriginalloadseriesbasedontheRedundantHaarWaveletTransform