基于CNN集成和非均匀量化的家庭负荷预测.pdf
《基于CNN集成和非均匀量化的家庭负荷预测.pdf》由会员分享,可在线阅读,更多相关《基于CNN集成和非均匀量化的家庭负荷预测.pdf(13页珍藏版)》请在咨信网上搜索。
1、第 卷 第期湘潭大学学报(自然科学版)V o l N o 年月J o u r n a l o fX i a n g t a nU n i v e r s i t y(N a t u r a l S c i e n c eE d i t i o n)F e b D O I:/j i s s n X 引用格式:徐虎,刘新润,周宣,等基于C NN集成和非均匀量化的家庭负荷预测J湘潭大学学报(自然科学版),():C i t a t i o n:X U H u,L I UX i n r u n,Z HOUX u a n,e t a l H o u s e h o l d l o a df o r e c
2、 a s t i n gb a s e do nC NNe n s e m b l ea n dn o n u n i f o r mq u a n t i z a t i o nJJ o u r n a l o fX i a n g t a nU n i v e r s i t y(N a t u r a lS c i e n c eE d i t i o n),():基于C N N集成和非均匀量化的家庭负荷预测徐虎,刘新润,周宣,薛雷,苏永新(威胜集团有限公司,湖南 长沙 ;湘潭大学 自动化与电子信息学院,湖南 湘潭 )摘要:负荷的多源不确定性和大小功率分布不均衡是制约家庭负荷短期预测精度
3、的重要因素为此,该文提出用非均匀量化消解功率偏态分布引起的量化误差大、高功率近似于“异常”样本等问题,融合卷积神经网络(C NN)和集成学习应对负荷多源不确定性导致的负荷规律复杂的问题首先给出了家庭负荷短期预测框架;然后给出了基于律将负荷数据二次量化的方法,使负荷数据近似正态分布,同时将负荷及其相关数据交织成灰度图,便于提取特征数据间隐含的深层非线性关系;接着,面向家庭负荷短期预测,详细设计了C NN基础学习器、A d a b o o s t协调多个C NN的集成学习算法对不同温区的实际家庭提前h的负荷预测测试表明,该文方法的平分绝对百分比误差(MA P E)、均方程差(M S E)、均方根误
4、差(RM S E)、平均绝对误差(MA E)等指标优于已有的先进预测方法该方法可为公用部门和家庭用户的调度管理、优化控制提供高精度的短期能耗数据关键词:家庭负荷短期预测;卷积神经网络;集成学习;非均匀量化中图分类号:TM 文献标志码:A文章编号:X()H o u s e h o l d l o a df o r e c a s t i n gb a s e do nC N Ne n s e m b l ea n dn o n u n i f o r mq u a n t i z a t i o nXUH u,L I UX i n r u n,ZHO UX u a n,XU EL e i,S U
5、Y o n g x i n(W a s i o nG r o u pC o,L t d,C h a n g s h a ,C h i n a;S c h o o l o fA u t o m a t i o na n dE l e c t r o n i c I n f o r m a t i o n,X i a n g t a nU n i v e r s i t y,X i a n g t a n ,C h i n a)A b s t r a c t:M u l t i s o u r c eu n c e r t a i n t ya n du n b a l a n c e dp o
6、w e rd i s t r i b u t i o no f l o a da r et h e i m p o r t a n t f a c t o r sr e s t r i c t i n gt h ea c c u r a c yo fh o u s e h o l dl o a ds h o r t t e r mf o r e c a s t i n g T h i sp a p e rp r o p o s e dt ou s en o n u n i f o r mq u a n t i z a t i o nt os o l v e t h ep r o b l e m
7、o f l a r g eq u a n t i z a t i o ne r r o r sc a u s e db ys k e w e dp o w e rd i s t r i b u t i o na n dt h ep r o b l e mo f h i g h p o w e r a p p r o x i m a t i o n t o a n o m a l o u s s a m p l e s;a n dp r o p o s e dac o m b i n a t i o no f c o n v o l u t i o n a ln e u r a ln e t w
8、 o r k(C NN)a n de n s e m b l e l e a r n i n gt ot a c k l e t h ec o m p l e x l o a dp a t t e r n s r e s u l t i n gf r o mt h eu n c e r t a i n t yo fm u l t i p l es o u r c e s,a n dp r o p o s e dac o m b i n a t i o no fC NNa n de n s e m b l e l e a r n i n gt o t a c k l e t h e c o m
9、p l e xl o a dp a t t e r n sr e s u l t i n gf r o mt h eu n c e r t a i n t yo fm u l t i p l es o u r c e s F i r s t l y,t h ef r a m e w o r ko fh o u s e h o l dl o a ds h o r t t e r mf o r e c a s t i n gw a sg i v e n S u b s e q u e n t l y,a l a wi sg i v e nt oc o n v e r t t h er a wl o
10、 a dt oa p p r o x i m a t e l y收稿日期:基金项目:国家重点研发计划重点专项(S Q Y F B )通信作者:徐虎(),男,湖南长沙人,工程师 E m a i l:x u h u w a s i o n c o mn o r m a l l yd i s t r i b u t e d,a n dm u l t i p l ed a t aa f f e c t i n gt h el o a da r ei n t e r w o v e ni n t og r a y s c a l e i m a g e si no r d e rt oe x t r a
11、 c t t h ed e e pn o n l i n e a r r e l a t i o n s h i p s i m p l i e db e t w e e n t h e f e a t u r ed a t a T h e n,f o r s h o r t t e r mp r e d i c t i o no fh o u s e h o l dl o a d,C NNb a s i c l e a r n e r a n de n s e m b l e l e a r n i n ga l g o r i t h mo fA d a b o o s t c o o r
12、 d i n a t e dm u l t i p l eC NN sw e r ed e s i g n e d i nd e t a i l T h e l o a df o r e c a s t i n gt e s t so na c t u a l h o u s e h o l d s i nd i f f e r e n t t e m p e r a t u r e z o n e sw i t hh o u ra d v a n c es h o wt h a t t h e i n d e x e so fMA P E,M S E,RM S Ea n dMA Eo f t
13、 h em e t h o di nt h i sp a p e ra r eb e t t e r t h a nt h ee x i s t i n ga d v a n c e df o r e c a s t i n gm e t h o d s T h i sm e t h o dc a np r o v i d eh i g h p r e c i s i o ns h o r t t e r me n e r g yc o n s u m p t i o nd a t a f o r t h es c h e d u l i n gm a n a g e m e n t a n
14、do p t i m i z a t i o nc o n t r o l o fu t i l i t ya n du s e r s,s t e p sa r ea s f o l l o w s K e yw o r d s:h o u s e h o l dl o a ds h o r t t e r mf o r e c a s t i n g;C NN;e n s e m b l e l e a r n i n g;n o n u n i f o r mq u a n t i z a t i o n引言家庭电力消耗占社会总能耗的 以上,随着智能电网的发展和节能减排政策的推行,家庭负
15、荷参与电力市场和需求响应备受关注通过家庭负荷短期预测(HL S T F)获取未来几分钟到几小时的单个家庭的用电负荷,是家庭参与电力市场和需求响应的重要信息基础准确的家庭负荷预测,能使用户更好地了解自己的能源使用情况,从而减少电能浪费,提高能源使用效率同时,HL S T F对电力系统经济调度、电力系统安全维护和控制等方面具有重要价值家庭负荷是电网供需平衡中需求侧的重要成分,家庭负荷短期预测能帮助电力系统提升电网应对风险的能力、降低电能生成成本及减少环境污染家庭负荷具有如下特性:)受多种因素影响,具有多源不确定性家庭电力消耗受气象、居民心理、节假日等因素的影响,负荷的特征与规律复杂单个家庭负荷缺乏
16、空间上的统计和平滑作用,功率曲线不平滑、不平稳,不确定性强)大小功率分布不均衡,功率落差大家庭中电灯、电视、传感器等中小功率电器运行时间长,而热水器、厨具、洗衣机、烘烤机等高功率设备运行时间短上述特点决定了HL S T F具有较高的难度,已有的预测方法主要是统计方法和人工智能方法统计方法主要包括贝叶斯模型、线性回归、自回归综合移动平均等这类方法使用数学分析和统计工具来找出负荷的规律面对复杂规律和多源不确定性,负荷规律的挖掘、表达、定参都面临着挑战,统计方法在HL S T F方面精度受限早期的人工智能方法包括前馈神经网络(F F NN)、B P神经网络及支持向量机回归(S V R)等方法,其预测
17、精确性,显著优于统计方法但由于经典神经网络的层数有限、支持向量回归强调用少量的参数表达数据规律,这些方法在抽取和描述复杂特征、规律方面存在原理性制约,制约了HL S T F精度近年来,深度学习飞速发展,主流网络包括递归神经网络(R NN)和卷积神经网络(C NN)HL S T F可视为时间序列预测问题,R NN类网络在HL S T F中最常用,R NN、长短期记忆(L S TM)网络、门控循环单元网络 等已广泛用于HL S T F 一些研究者注意到,家庭负荷受多种因素影响,但R NN侧重于时序间的规律,在提取多种因素的组合特征方面并不擅长,而C NN的最大优势在于特征提取,于是提出了C NN与
18、R NN组合的方法 但这类方法普遍将C NN和R NN割裂开,将C NN某些层的输出作为R NN的输入,特征缺乏指向性,导致预测结果可能受伪特征、无关特征的影响,从而影响预测精度全连接网络具有很强的可塑性,能实现时序预测、特征融合等方面的功能,C NN与全连接网络能实现一体化学习,有望实现高质量的预测如B i n k o w s k i等 用C NN与全连接网络组合对电力和金融进第期徐虎,等基于C NN集成和非均匀量化的家庭负荷预测行预测,K o p r i n s k a等 应用C NN和全连接网络组合预测第二天的电力负荷和光伏太阳能,均取得优秀的预测成果但家庭负荷影响因素众多,用单一C N
19、N整体实现HL S T F,要求C NN具有较大规模,超参数的优化较为困难集成学习利用不同的基础学习器处理不同难度、不同特性的问题,然后对其进行有机组合,形成强学习器,能获得优异的效果,尤其是其中的B o o s t i n g方法效果得到了普遍验证 家庭负荷的多源不确定性,可视为不同难度、不同特性的不确定问题的组合,与集成学习在模式上匹配,有望借助集成学习实现高精度预测因此,本文将研究C NN与全连接网络构成多个学习器,通过B o o s t i n g集成,形成HL S T F模型C NN十分擅长处理图像,I m a n i 通过构建负荷图、负荷温度关系图,基于C NN实现家庭负荷关系的提
20、取与表征,提升了HL S T F精度但家庭与温度、湿度、风速等气象因素、是否节假日等有关,这些因素应与负荷组织成合适的形式,便于C NN从中提取规律与特征由于家庭负荷大小功率分布不均衡,且功率落差大传统的负荷预测方案通常对家庭负荷进行均匀量化,造成中低功率段编码分辨率不足,高功率段占用的码元使用率不高,全局综合量化误差较大;高功率数据量少且其大小远离平均值,成为“异常”数据,这两方面均严重影响HL S T F精度非均匀量化是解决这一问题的重要思路,S h e p e r o等 将原始负荷数据转化为其自然对数后对家庭负荷进行概率预测,取得了较好的效果但自然对数会将较低功率映射为极大的数值,不适用
21、于机器学习律非均匀量化能综合优化数据均匀性与数据范围,已被大量用于通信、信号处理领域 用律非均匀量化来改善HL S T F精度值得深入研究综上,为提高HL S T F精度,本文提出了一种基于C NN集成学习和非均匀量化的家庭负荷短期预测方法本文贡献总结如下:第一,对家庭负荷数据进行律非均匀量化,缓解大小功率分布不平衡、功率落差大的问题;第二,将负荷数据、气象数据和节假日信息重塑为特征关系灰度图,便于C NN处理;第三,基于B o o s t i n g集成学习方法,集成多个C NN,适配家庭负荷的多源不确定性,实现高精度的HL S T F 该方法能为供电系统的用电管理部门和电力营销部门提供服务
22、,制定更为灵活、动态的节能计划和营销策略,提高能源利用率,减少电力资源浪费此外,还可以改善需求响应,并辅助家庭能源管理系统1.数据处理原始数据2.集成学习数据二次量化相关性分析数据交织与图形化3.结果整定基础学习器CNN1基础学习器CNN2基础学习器CNNn去灰度变换反律变换合成预测结果预测结果灰度预测值初始样本权重更新样本权重更新样本权重图家庭负荷短期预测框架F i g H o u s e h o l d l o a ds h o r t t e r mf o r e c a s t i n gf r a m e w o r kL S T F框架设计本文以C NN集成学习为核心,设 计HL
23、S T F框架如图所示各模块的功能及其关联如下:)数据处理模块该模块的核心功能是通过相关性分析找出对负荷影响较大的因素,之后对家庭负荷非均匀量化,并将HL S T F相关的数据转化为与C NN机制匹配的图像,为高精度预测提供信息基础现代家庭一般具有数字化仪表,通过对信号的均匀量化,得到各种原始数据如“引言”湘潭大学学报(自然科学版)年所述,家庭负荷具有大小功率分布不均衡且功率落差大的特点,将严重影响HL S T F精度因此要对原始数据进行二次量化,其目的在于根据原始数据的分布,对数据分布密集区,增加其分辨率,而数据分布稀疏区,降低其分辨率,并降低高低功率映射的数值落差,适配后续C NN学习的需
24、要C NN处理图像的基本原理可视为,卷积核在待处理的张量上进行小步长、多步数的移动,每移动一次便计算卷积核与它所覆盖的张量之间的卷积值,通过监督学习机制,调整卷积核,实现指定的处理目标不难看出,待处理图像自身的质量、规律,对C NN达成任务的质量、难度、计算量均有重要影响家庭负荷与风速、温度、湿度、节假日等要素均有个体关系,同时又存在群体关系,因此,需要将功率数据与这些数据进行交织,然后再灰度图化,使C NN卷积核每次移动都能提取到与负荷相关的特征或规律,以提升预测精度、降低预测的计算量)集成学习模块该模块的核心功能是对二次量化后的负荷进行预测其基本方案是基于B o o s t i n g的C
25、 NN集成学习该模块采用的基本原理是,首先基于C NN构建复杂程度低的基础学习器,各基础学习器通过B o o s t i n g方法协同,每个后置的基础学习器重点学习其前置学习器未能有效处理的样本,然后再将多个学习器的处理结果进行有机组合,形成预测结果由于家庭负荷受多种不确定源及其耦合关系的影响,每种不确定源规律的提取、表达难度不同,这种集成学习的方式,本质上是前置学习器发现更简单的规律,而后置学习器和前置学习器一道发现更复杂的规律,用于HL S T F时,有望有效避免过拟合,为实现高精度预测提供学习模型基础)预测结果整定模块该模块的核心功能是将“集成学习”模块输出的灰度化等效负荷预测值,经过
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 CNN 集成 均匀 量化 家庭 负荷 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。