基于深度学习融合卷积与门控循环单元神经网络架构的短期电力负荷预测
《Sustainable Computing: Informatics and Systems》:Deep learning-based short-term electrical load forecasting with hybrid convolutional and Gated Recurrent Unit neural network architectures
【字体:
大
中
小
】
时间:2026年09月23日
来源:Sustainable Computing: Informatics and Systems 3.8
编辑推荐:
•开发了一种混合CNN-GRU模型,用于基于历史负荷、气象和日历变量的短时电力负荷预测。•所提出的框架在春、夏、秋、冬四季进行评估,以分析电力需求的季节性变化。•CNN-GRU模型与LSTM、GRU、CNN-LSTM、统计方法、基于注意力机制和基于Transformer的预测
•开发了一种混合CNN-GRU模型,用于基于历史负荷、气象和日历变量的短时电力负荷预测。•所提出的框架在春、夏、秋、冬四季进行评估,以分析电力需求的季节性变化。•CNN-GRU模型与LSTM、GRU、CNN-LSTM、统计方法、基于注意力机制和基于Transformer的预测方法进行了基准对比,使用RMSE、MAE和MAPE进行评估。•采用按时间顺序的五折滚动验证和五种随机种子的重复实验,以评估模型的鲁棒性和可重复性。•所提出的框架展现了准确且计算高效的负荷预测能力,支持可靠的需求管理和可持续的 smart grid运行。引言负荷预测对于电网管理至关重要,因为它使专家能够探索影响消费者用电量的因素。它使采取必要措施以维持稳定可靠的电网成为可能。对于控制中心执行计划、调度、负荷频率控制和经济运行等功能,短时负荷预测是必不可少的。随着电力需求的增长,预测用电量变得更加关键[15]。负荷变化的原因有很多,包括区域差异、各种社会经济活动、天气变化和价格波动。处理这些因素可以帮助提高负荷预测的准确性,并协助电网高效运行。这种复杂性给系统操作员带来了显著挑战,需要维持供需平衡并最小化运营成本[16]。研究了机器学习方法用于电网功率预测和不确定性分析,突出了它们增强预测可靠性的能力[17]。混合深度学习框架也已开发,通过结合不同神经网络架构的优势来提高预测性能[18]。此外,循环神经网络,包括基于池化的RNN和LSTM模型,在学习电力需求数据的复杂时间模式方面展现了强大的能力[19]、[20]。卷积神经网络架构的进步,如空间金字塔池化和门控融合机制,进一步加强了特征提取和表示学习,使预测模型更加准确[21]。表1中总结的研究证明了各种统计、机器学习和深度学习方法在负荷预测方面的有效性。然而,许多现有方法要么主要关注特征提取,要么关注时间依赖学习,这可能限制了它们完全捕获电力负荷数据复杂特征的能力。此外,一些模型需要大量的计算资源或大型训练数据集。基于这些局限性,本研究提出了一种混合CNN-GRU框架,将卷积特征提取与循环时间学习相结合,同时纳入与天气相关的变量,以提高预测准确性和鲁棒性。最近的研究表明,基于Transformer的架构通过有效建模长程时间依赖关系和复杂的多变量关系,显著改善了短时负荷预测。TimesNet-Crossformer-LSTM、iTransformer和QR-PatchTS等模型通过增强的特征提取和注意力机制取得了令人满意的预测性能[22]、[23]、[24]。尽管这些模型提供了较高的预测准确性,但它们通常需要比传统循环神经网络模型更多的计算资源和更大的训练数据集。智能高效的资源管理在复杂基础设施中已成为近期研究的前沿。使用强化学习的边缘服务器放置已被用于优化智能车联网环境中的负载平衡、能量和延迟[25]。同样,针对物联网应用云数据中心的资源自适应分配已被探索,并被认为是至关重要的,特别是当工作负载随时间快速变化时[26]。为了提高预测性能同时保持计算效率,结合卷积和循环神经网络的混合深度学习架构引起了广泛关注。CNN-LSTM[11]、[12]等模型使用卷积层提取局部特征,循环层捕获时间依赖关系,从而提高预测准确性和收敛性。此外,最近的研究探索了用于智能负荷预测的轻量级和可持续深度学习框架,增强了模型的可扩展性和实用性。尽管短时负荷预测取得了重大进展,但仍有一些瓶颈尚未解决。首先,电力需求高度非平稳和非线性,由于天气条件、消费者行为、节假日、经济活动和新兴消费模式的快速变化。这些因素使得基于历史数据训练的预测模型在变化的运行条件下难以保持一致的性能。此外,缺失观测、测量噪声、异常值和异质气象变量可能 adversely 影响模型的鲁棒性。最近的综述已将非平稳性、数据质量、高维输入和计算需求确定为STLF中持续存在的挑战。其次,现有的预测方法在捕获多种时间依赖关系、量化预测不确定性和适应可再生能源丰富的电力系统方面仍面临挑战。传统的确定性模型通常只提供点预测,而不明确表示预测不确定性,而深度学习和基于Transformer的模型可能需要大量的计算资源和仔细的超参数调优。此外,可变可再生能源渗透率的增加给净负荷曲线引入了额外的变异性,并增加了对能够支持灵活发电、储能和需求侧运行的预测方法的需求。因此,当前的STLF研究需要模型同时提供准确的非线性和时间表示、在变化条件下的鲁棒性能、高效的计算需求和现代可持续电力系统的实用性。尽管在短时电力负荷预测方面取得了巨大进展,但仍有许多问题尚未解决。传统的统计和单个深度学习模型难以揭示电力需求复杂的非线性、非平稳性和季节性特征。气象条件、日历效应、意外的需求波动和峰值负荷事件也可能对预测准确性产生重大影响。此外,如果数据划分不当,可能会导致时间信息泄露,并产生过于乐观的性能估计。虽然基于注意力机制和Transformer的模型可以处理长程依赖关系,但由于模型的复杂性,它们可能需要更多的资源,这可能限制其在实际应用中的使用。另一个主要限制是预测模型的季节性、运行条件和电力系统特定性质。因此,一个好的短时负荷预测系统必须具备准确预测、强时间建模能力、完美的峰值负荷估计、抗泄露能力和低计算复杂度的特点。这些挑战推动了所提出的CNN-GRU框架的设计及其使用历史负荷、气象和日历数据的全面测试。受这些发展的启发,本研究提出了一种用于短时电力负荷预测的混合CNN-GRU框架。与[10]、[27]中报道的基于GRU的方法不同,后者专注于电力生产和光伏功率预测,所提出的模型将基于CNN的特征提取与基于GRU的时间学习相结合,以捕获电力负荷数据的空间和时间特征。该框架纳入了历史负荷需求以及与温度、湿度等气象变量,以更好地表征负荷动态。所提出的模型使用来自巴拿马电力系统的大规模真实世界数据集进行验证,并与统计、循环神经网络、基于注意力机制和基于Transformer的预测模型进行全面评估。实验结果表明,所提出的CNN-GRU框架为实际的电力系统规划、运行和可持续电网管理提供了准确、可靠且计算高效的短时电力负荷预测。本研究的主要目标如下:•设计一种混合CNN-GRU模型,为智能电网提供有效的短时负荷预测。•评估季节效应对预测准确性的影响。•将所提出模型的性能与现有的基于深度学习的预测方法进行基准对比。结果表明,所提出的CNN–GRU方法在不同季节数据集上实现了卓越的预测准确性和泛化能力,凸显了其在实时能源管理和智能电网应用中的潜力。本文的贡献如下:•所提出的混合模型,整合了卷积神经网络(CNN)和门控循环单元(GRU),用于短时电力负荷预测。CNN层从输入数据中提取相关的空间和时间局部特征,而GRU层有效捕获序列依赖关系。这种集成架构增强了预测准确性并提高了模型的整体稳定性。•所提出的模型将在秋、春、夏和冬四个季节进行测试,以获得负荷行为的季节性差异。这使得框架能够更有效地处理各种时间和环境模式。•CNN-GRU模型与标准的深度学习模型(如LSTM、GRU、CNN-LSTM等)进行了对比。所提出的技术在大多数季节中表现出更好的RMSE、MAE和MAPE性能,证明了其泛化能力、鲁棒性和性能。•通过集成GRU而非LSTM,所提出的方法在不损害准确性的情况下减少了训练时间和计算复杂度,使其适用于实时和大规模能源预测应用。•所提出的轻量级CNN–GRU模型支持智能电网环境中的高效能源管理和需求预测,为可持续和智能电力系统运行做出贡献。本文讨论了一种新的负荷预测方法,通过自动化关键特征选择、同时处理序列和位置数据,并在广泛的场景中取得可靠的结果,解决了旧方法的缺点。利用本文中的信息,公用事业公司可以提高其预测短期能源需求的能力。本文的其余部分组织如下。第2节介绍了本研究中考虑的神经网络模型的数学基础。第3节描述了所提出的CNN-GRU方法和预测框架。第4节讨论了仿真结果和性能评估。最后,第5节总结了主要发现并概述了未来研究方向。第2节:神经网络模型介绍本节为所提出的方法奠定了数学基础,简要介绍了CNN、GRU和GRU-CNN架构。第3节:数据集描述和预处理我们从[28]获取了巴拿马三个主要城市过去48,048小时(从2015年1月3日到2020年6月27日)的统计数据和数据。它作为训练和评估机器学习预测模型以及将结果与每周预调度报告中给出的预测进行匹配的有用来源。为了比较预测结果与每周预调度预测,应考虑以下方面:•周的预测总是从星期六开始,星期五作为预测期结束实验我们进行了实验,并使用巴拿马电网运营商(CND)的负荷数据将CNN-GRU模型的预测性能与GRU、LSTM和CNN-LSTM模型进行了比较。从2015年3月到2020年6月的总时间序列负荷数据包含48,048个数据点(每小时间隔)。这些数据被分成35,016个样本,每个样本包含16个特征和10个时间步长。使用了四种变体(CNN-GRU、GRU、LSTM和CNN-LSTM)来预测负荷需求。我们比较了预测结果,并发现结论本研究提出了一种用于短时电力负荷预测的混合CNN-GRU框架,使用来自巴拿马电力系统的历史负荷需求、气象和日历变量。该框架将基于CNN的局部特征提取与基于GRU的时间建模相结合,以捕获非线性负荷模式和时间依赖关系。使用来自国家调度中心(CND)的数据,所提出的方法被评估与统计模型(ARIMA、SARIMA和Prophet)、深CRediT作者贡献声明Anil Kumar Maddali:撰写-原稿、软件、方法论、概念化。Ch Venkaiah:撰写-审阅与编辑、验证、监督。利益冲突声明作者声明他们没有已知的竞争经济利益或个人关系,这些关系可能已经影响本文所述的工作。Anil Kumar Maddali|Ch Venkaiah
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号