没有合适的资源?快使用搜索试试~ 我知道了~
基于改进Bagging算法与模糊MP-LSTM融合的短期负荷预测模型.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 17 浏览量
2022-12-15
14:24:05
上传
评论
收藏 465KB DOCX 举报
温馨提示
试读
12页
基于改进Bagging算法与模糊MP-LSTM融合的短期负荷预测模型.docx
资源推荐
资源详情
资源评论
1 引言
负荷预测是保持电力系统稳定运行的重要基础,特别是市场化改革后,电力
供需将通过实时交易实现平衡,短期负荷预测的精度也越来越重要
[1]
。短期负荷
预测主要决定未来的发电计划,且精确的短期负荷预测对电力系统的经济调度、
最优潮流与调度部门机组的最优组合都有着十分重要的作用。
影响短期负荷预测精度的因素很多,包括预测模型、天气情况、历史数据
等
[2]
。人工神经网络(Artificial neural network, ANN)因网络所需设置的参数相
对简单,且收敛速度较快,得到了广泛的应 用
[3]
。目前常用的人工神经网络有深
度 神 经 网 络 (Deep neural networks, DNN)、 循 环 神 经 网 络 (Recurrent neural
network, RNN)等。但 DNN 需要人工选择时序特征,破坏了负荷的时序性
[4]
;RNN
虽然可以保持时间序列数据中的依赖关系,但由于其迭代性,往往难以长期保存
信 息 , 存 在 梯 度 消 失 和 梯 度 爆 炸 等 问 题
[5]
。 长 短 期 记 忆 (Long-short time
memory, LSTM)神经网络通过结构更为复杂的隐藏单元(遗忘门、输入门、输
出门)有选择地对网络信息进行添加和减少,解决了长期依赖问题
[6]
。LSTM 在短
期负荷预测方面已得到广泛应用,但 LSTM 也存在着训练速度较慢的问题。因
此本文采用了一种全新的最小窥视孔长短期记忆模型,该模型仅保留一个门控
单元(唯一门),能够大幅减少网络参数,提高训练速度
[7]
。
而模糊系统能够有效解决气象因素这些神经网络难以处理的非线性、不确
定性的问题
[8]
。且所有影响用电负荷的气象因素中,温度起着最为关键的作用
[9]
。
因此本文将模糊系统与神经网络相结合,通过隶属函数对温度进行了模糊化处
理,加强模型对非线性、不确定性因素的处理能力,进而提高预测精度。
在训练历史数据的过程中由于数据的复杂性,单一神经网络进行负荷预测
时预测精度往往有限,而集成学习可以将多个基学习器进行组合,得到一个学习
能力较强的学习器,将集成学习与神经网络结合可以有效提高模型的预测精度
[10]
。Bagging 算法虽然结构较为简单,但是其性能优越,可以通过抽取不同子集
分别训练多个基学习器,最终通过组合策略得到强学习器来提高模型的学习能
力
[11]
。而使用传统 Bagging 算法随机抽样,当抽样到大量与预测日负荷数据气
象特征值相差较大的负荷数据时,会降低模型的预测精度。
针对上述问题本文提出了一种由改进 Bagging 算法与模糊 MP-LSTM 融合
的短期负荷预测模型。该模型使用灰色关联投影法对原始数据进行筛选,通过
改进 PSO 算法优化多个输入端温度经模糊化处理的基学习器(MP-LSTM),最终
按平均值法将多个基学习器预测结果进行组合获得最终的预测结果。对某地区
实际负荷系统进行算例仿真,仿真结果表明本文提出的模型能够有效提高负荷
预测精度。
2 基于改进 PSO 算法优化的模糊 MP-LSTM 模型
2.1 模糊 MP-LSTM 模型
模糊 MP-LSTM 模型如图 1 所示,该模型包括模糊化层与 MP-LSTM 层。
图 1
图 1 模糊 MP-LSTM 模型
(1) 模糊化层。由于温度分布往往呈现较强的非线性关系,使得捕捉其对电
力负荷数据的影响变得更加困难
[12]
。为提高模型预测的精度与泛化性
[13]
,本文对
日最高温度、日最低温度采用三角隶属函数进行模糊化处理,将处理后的温度
分 成 3 个 子 空 间 , 包 括 高 温 区 (20~40 ℃ ) 、 中 温 区 (5~25 ℃ ) 和 低 温 区 (-
10~10 ℃)3 种,即用 3 个隶属度函数来代替原来的温度。
本文使用的隶属函数如式(1)所示
f1=⎧⎩⎨⎪⎪010−T201T>10−10≤T≤10T<−10f2=⎧⎩⎨⎪⎪⎪⎪0T−51025−T10
T<5T>255≤T≤1515<T≤25f3=⎧⎩⎨⎪⎪0T−20201T<2020≤T≤40T>40f1={0T
>1010−T20−10≤T≤101T<−10f2={0T<5T>25T−5105≤T≤1525−T1015<T≤25f3={0T
<20T−202020≤T≤401T>40
(1)
式中,f1f1 为低温隶属度函数;f2f2 为中温隶属度函数;f3f3 为高温隶属度函
数;T 为温度。
(2) MP-LSTM 层。LSTM 神经网络是循环神经网络(RNN)的一种改进模型,
它将 RNN 本来比较简单的细胞结构用三个特殊的门控单元:遗忘门、输入门、
输出门进行替代。这种模型不仅可以解决 RNN 容易出现的梯度消失与梯度爆
炸等问题,还能捕获跨越较长时间间隔的依存关系
[14]
。
但是 LSTM 也存在着收敛速度较慢的问题,因此本文采用了一种能加快收
敛速度的 MP-LSTM 模型。MP-LSTM 模型是 LSTM 的一种变体。与 LSTM 模
型不同,MP-LSTM 在输入端加入了上一时刻的记忆细胞状态值,且只有 2 个网
络层(1 个 sigmoid 层、1 个 tanh 层)以及 1 个门控单元(即唯一门)。MP-LSTM
模型将遗忘门、输入门和输出门用唯一门来代替
[15]
。
该网络前向公式如下
ut=σ(Wu[ht−1,Ct−1,xt]+bu)ut=σ(Wu[ht−1,Ct−1,xt]+bu)
(2)
式中,u
t
为唯一门;W
u
为唯一门权重矩阵;b
u
为唯一门偏置矩阵;C
t-1
为上一时
刻记忆细胞状态值。
C~t=tanh(Wc[ht−1,xt]+bc)C~t=tanh(Wc[ht−1,xt]+bc)
(3)
Ct=ut⊙Ct−1+(1−ut)⊙C~tCt=ut⊙Ct−1+(1−ut)⊙C~t
(4)
ht=ut⊙tanh(Ct)ht=ut⊙tanh(Ct)
(5)
式 中 ,C~tC~t 为 输 入 细 胞 状 态 值 ;C
t
为 细 胞 状 态 值 ;⨀ 表 示 Hadmard 积 运
算;W
c
为输入细胞权重矩阵;b
c
为输入细胞偏置矩阵。
剩余11页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3538
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功