摘要:精确的变电站级负荷预测是电网精益化运行决策的重要基础,但存在不同站间负荷特性差异大、微观关联因素多样性强等传统预测方法难以处理的问题。基于变电站历史负荷数据与其所在区域的外部环境数据,通过深度信念网络算法(deep belief network,DBN)强大的学习能力,避免了相似日等特征选取问题,并采用 Nadam 动量优化算法训练深度信念网络,得到 DBN 最佳参数,构成针对变电站负荷预测的学习框架,并基于 Keras 深度学习框架自动调整 DBN 结构,达到最优预测结果。以 20 个具有典型负荷特性的 220kV变电站实际负荷数据为样本集,在周、日和小时级 3 个预测时间尺度上,通过 2 种误差计算方式作实例对比证明,所提方法能够充分进行自适应深度学习,并进行高精度变电站级负荷预测。
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社