基于LSTM组合模型的住宅负荷短期预测方法研究.pdf

湘潭大学硕士学位论文

摘要

负荷预测作为智能电网中的一个重要模块，为电网、电源规划建设提供信息

支撑，为电网调度和电力消费者的用电决策制定提供数据依据，是保障电力系统

安全运作，节能减排，提高效益的重要工作之一。随着智能电网功能的进一步开

发，负荷预测的对象不断细分，加上电网通讯系统的完善和信息采集设备的普及，

预测对象从系统级负荷向住宅级负荷延伸。相对于系统级负荷，住宅级负荷具有

更高的非线性，加之配电网中时变负荷需求的增加，使得原本复杂的住宅级负荷

数据变得更加难以预测。如何提高住宅级负荷预测的精确度成为了众多学者研究

的重点。

随着计算机计算能力的增长，一些原本很难实现的数据处理方式得以应用于

负荷预测当中。近年来，深度学习的兴起为负荷预测提供了更多的方法，其强大

的非线性处理能力使其逐渐取代传统的负荷预测模型，成为主流。本文针对住宅

级负难预测的问题，提出了基于长短期记忆(Long-ShortTermMemory,LSTM)

网络的多目标优化组合模型。该模型以LSTM为基础，构建深度学习模型，辅之

以多特征输入来提高网络的精度。使用基于分解的多目标优化算法(Multi-objecti

veEvolutionaryAlgorithmBasedonDecomposition,MOEA/D)对LSTM网络参

数进行优化，得到多个优质的子模型。使用基于深度信念网络(DeepBeliefNetw

ork,DBN)的结合策略，对多个子模型的输出进行集成学习，形成组合预测，以

提高预测模型的泛化能力。具体工作内容如下：

(1)总结住宅级负荷的特性。以澳大利亚智能电网智能城市(SmartGridSmart

City,SGSC)项目提供的住宅用户负荷数据为基础，将住宅级负荷与系统级负荷

进行对比，突显出住宅级负荷的特性，探索预测模型的重点优化方向。

(2)构建基于多特征输入的数据预处理框架。由于对住宅级负荷波动产生影

响的因素较多，为了使预测模型充分挖掘数据中潜在的相关性，本文使用电能消

耗分量、时间分量、周分量以及节假日分量组成多特征输入。希望通过增加输入

数据的特征维度，来增加预测模型可以学习到的隐藏知识，以提高模型的预测精

度。依托SGSC提供的数据，将多特征输入框架与LSTM网络相结合进行实验，

与传统预测模型、深度学习模型进行比较，证明多特征输入框架能提高预测模型

的整体精度。

(3)提出基于MOEA/D的子模型生成策略。为了提高网络的整体性能，使用

MOEA/D算法对网络的参数进行优化。以LSTM网络的精确度和差异为目标空

间，以LSTM网络的超参数为决策空间，对网络进行优化。以这种自适应的方

I

湘潭大学硕士学位论文

式，使得网络超参数自动适应负荷数据，避免了人为设置参数或者设置固定参数

所造成的误差。同时，为了使MOEA/D算法与深度学习框架更加契合，本文对

MOEA/D算法进行改进，并通过对比试验说明了改进的有效性。

(4)提出基于DBN的结合策略。使用DBN网络，将多个子模型的预测结果

组合成最终预测结果，通过这种类似于集成学习的方法克服单个网络进行预测时

的不稳定因素，以达到缓解数据过拟合的效果，提升模型的泛化能力。本文将基

于长短期记忆网络的多目标优化组合预测模型与现有的多种智能预测模型进行

实验对比，说明了本文提出模型的先进性。

关键词：用户侧负荷预测；多特征输入；多目标优化算法；长短期记忆网络；组

合模型

II

湘潭大学硕士学位论文

Abstract

Asanimportantpartofsmartgrid,loadforecastingprovidesinformationsupport

forpowergridandpowersupplyconstructionplanning,an