基于深度学习的能源系统需求响应短期负荷预测

黄远明，黄志生，周睿，向德军

（广东电力交易中心，广东广州 510000）

可再生能源以其自身的安全可靠、利用率高以及环境友好等特点，有效促进了能源的消纳和利用[1-3]。能源系统电力预测可实现能源的有效规划，同时也是保障能源系统可靠运行的基础[4]。需求响应（Demand Response，DR）是指在有效确保能源系统平稳可靠运行的基础上，通过提升能源系统收益，使用户在电价调整信号的作用下，改变原有用电习惯的短期行为。通过需求响应技术，可以在一定程度上提高负荷侧相关数据的挖掘效率，在一定程度上延缓电力需求的紧张状况[5]。

由于能源系统短期负荷预测过程中存在复杂度高、不确定性强的特点，因此，准确的能源系统负荷分析和高精准预测模型的建立是能源系统负荷预测的关键之处[6]。传统的短期负荷预测方法虽然可以测得负荷变化，但是难以精准地描述负荷变化情况，而深度学习为一种全新的机器学习算法[7]，具备优秀的数据处理能力。为此，文中提出一种栈式自编码神经网络（SAE-NN），在充分考虑能源系统需求响应的基础上，实现能源系统短期负荷预测。

1 能源系统需求响应短期负荷预测

1.1 SAE-NN深度学习模型的构建

由于在短期电力负荷预测过程中需要分析的环境数据和其他外部因素比较复杂，尤其是天气因素、日期和时间类型等，容易影响预测结果的准确性[8]。而深度学习算法是一种能够模拟出人脑神经结构的机器学习方法，突破了传统神经网络对分层节点数目的限制[9]。……