深度学习方法在负荷预测中的应用综述(论文阅读) |
您所在的位置:网站首页 › lstm 图像分类 › 深度学习方法在负荷预测中的应用综述(论文阅读) |
前言 本篇论文主要介绍了当下用于智能电网电力负荷预测的多种DL方法,并对它们的效果进行了比较。对于RMSE的降低效果上,集成DBN和SVM的方法RMSE降低显著,达到了21.2%。此外,PDRNN方法与ARIMA方法相比有很大的降低,达到了19.2%。而使用带有k-means的CNN相比于只使用CNN,下降百分比也达到了12.3%。 负荷预测相关代码: 深入理解PyTorch中LSTM的输入和输出(从input输入到Linear输出)PyTorch搭建LSTM实现时间序列预测(负荷预测)PyTorch中利用LSTMCell搭建多层LSTM实现时间序列预测PyTorch搭建LSTM实现多变量时间序列预测(负荷预测)PyTorch搭建双向LSTM实现时间序列预测(负荷预测)PyTorch搭建LSTM实现多变量多步长时间序列预测(一):直接多输出PyTorch搭建LSTM实现多变量多步长时间序列预测(二):单步滚动预测PyTorch搭建LSTM实现多变量多步长时间序列预测(三):多模型单步预测PyTorch搭建LSTM实现多变量多步长时间序列预测(四):多模型滚动预测PyTorch搭建LSTM实现多变量多步长时间序列预测(五):seq2seqPyTorch中实现LSTM多步长时间序列预测的几种方法总结(负荷预测)PyTorch-LSTM时间序列预测中如何预测真正的未来值PyTorch搭建LSTM实现多变量输入多变量输出时间序列预测(多任务学习)PyTorch搭建ANN实现时间序列预测(风速预测)PyTorch搭建CNN实现时间序列预测(风速预测)PyTorch搭建CNN-LSTM混合模型实现多变量多步长时间序列预测(负荷预测)PyTorch搭建Transformer实现多变量多步长时间序列预测(负荷预测)PyTorch时间序列预测系列文章总结(代码使用方法)TensorFlow搭建LSTM实现时间序列预测(负荷预测)TensorFlow搭建LSTM实现多变量时间序列预测(负荷预测)TensorFlow搭建双向LSTM实现时间序列预测(负荷预测)TensorFlow搭建LSTM实现多变量多步长时间序列预测(一):直接多输出TensorFlow搭建LSTM实现多变量多步长时间序列预测(二):单步滚动预测TensorFlow搭建LSTM实现多变量多步长时间序列预测(三):多模型单步预测TensorFlow搭建LSTM实现多变量多步长时间序列预测(四):多模型滚动预测TensorFlow搭建LSTM实现多变量多步长时间序列预测(五):seq2seqTensorFlow搭建LSTM实现多变量输入多变量输出时间序列预测(多任务学习)TensorFlow搭建ANN实现时间序列预测(风速预测)TensorFlow搭建CNN实现时间序列预测(风速预测)TensorFlow搭建CNN-LSTM混合模型实现多变量多步长时间序列预测(负荷预测)PyG搭建图神经网络实现多变量输入多变量输出时间序列预测PyTorch搭建GNN-LSTM和LSTM-GNN模型实现多变量输入多变量输出时间序列预测PyG Temporal搭建STGCN实现多变量输入多变量输出时间序列预测 目录 AbstractKeywordsI. INTRODUCTIONII. Different Deep Learning MethodsA. AutoencoderB. Recurrent Neural NetworkC. LSTMD. CNNE. Restricted Boltzman Machine (RBM)F. Deep Belief Network (DBN)G. Deep Boltzman Machine (DBM) III. REVIEW ON LOAD FORECASTINGIV . CONCLUSION Abstract
人工神经网络(ANN), 预测,学习(人工智能),机器学习,智能电网。 引申: DL入门(1):卷积神经网络(CNN)机器学习之K_means(附简单手写代码) I. INTRODUCTION
这部分主要介绍了用于智能电网负荷预测的常用DL方法及其计算图,我们一个一个来看。 A. Autoencoder 自动编码器是一种无监督的数据维度压缩和数据特征表达方法。在大部分提到自动编码器的场合,压缩和解压缩的函数是通过神经网络实现的。 一个简单的自编码器结构如图1所示:
如上所说,RNN会由于梯度消失而失效,LSTM(长短期记忆网络)的提出正好解决这个问题。LSTM相比于RNN,引入了输入门i、遗忘门f、输出门o以及内部记忆单元c,图2展示了LSTM的一般结构:
这一节将简要概述SG中最新负荷预测问题的相关DL架构。 自动编码器被用于电价的STLF,该作者提出用于短期预测的堆叠去噪自编码器,预测方法针对两种模型进行了在线预测和提前一天预测。结果发现,去噪自编码器有着较好的预测效果,特别是针对前一天的预测。同时,该论文将结果与经典神经网络(NN)、支持向量机(SVM)、多元自适应回归样条(MARS)和最小绝对收缩与选择算子(Lasso)等最新预测方法进行了比较。 另有一项研究将自动编码器和LSTM结合起来进行预测,并将结果与人工神经网络、LSTM和DBN等最先进的方法进行比较。将该方法应用于21个太阳能电站,其训练和测试结果的均方根误差均值(RMSE)均有所下降。 对自编码器+LSTM的方法的研究表明,该方法的RMSE为0.0713,其次是DBN的0.0714。 总结:去噪自编码器被用于短期的电价预测,针对前一天的预测有着很好的效果;另外,自编码器与LSTM结合比之一般的DL方法,RMSE也有所下降。 在大多数论文中,我们使用RMSE和平均绝对误差(MAE)来评价所提方法的性能,并将其与其他文献中的方法进行比较。其表达式如下: 在电力负荷预测中,LSTM使用也比较广泛,通常使用的有标准的LSTM算法以及基于LSTM的Seq2Seq算法。一项研究表明,标准LSTM在1小时的分辨率下成功,1分钟下却失败了;相比之下基于LSTM的Seq2Seq在两种情况下表现均不错。此外另有一项针对居民电力负荷短期预测的研究中,对于单个负荷的预测,研究人员表示LSTM优于最新的居民用电负荷预测方法。 总结:与标准LSTM相比,基于LSTM的Seq2Seq算法在更短期的预测中有着更好的预测性能。 CNN与k均值聚类的结合算是一个很好的尝试,研究人员将其用于短期预测上。K-means算法用于在一个大型的数据集上创建用于训练CNN的聚类。此研究选取的是2014年8月的夏季数据和2014年12月的冬季数据。本研究的对比结果表明,在夏季实验k-means为0.2194,冬季实验k-means为0.2399时,CNN的RMSE有很大的提高,其夏冬季的RMSE分别为0.2379和0.2839;若仅仅只是简单使用CNN,夏冬季的RMSE分别为0.2502和0.2614。此项研究表明:在聚类技术的帮助下,CNN优于其他方法。 总结:CNN和k-means结合可以显著改善预测性能。 在一项研究中,RBM在用户电力负荷预测中也有较好的表现。通过使用启发式方法来确定隐藏神经元的数量,有4个隐藏层和150个隐藏神经元。预测结果与文献中已知的黄化神经网络(SNN)、DSHW和自回归综合移动平均(ARIMA)等预测方法进行比较。与SSN相比,该方法减少了(MAPE)和(RRMS) 17%和22%,与DSHW相比,减少了9%和29%。 总结:通过启发式策略确定RBM的隐藏神经元数量,在4个隐藏层150个隐藏神经元的条件下,其预测性能相比SSN和DSHW均有所提高。
本文综述了应用于SG负荷预测的著名深度学习方法。这些学习算法中的大多数已经成功地进行了预测分析。但同时也有一些问题有待解决,比如预测很受负载类型、时间、天气、季节、客户行为和假期的影响。 原文链接:A Review of Deep Learning Methods Applied on Load Forecasting |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |