基于神经网络的配电网负荷预测方法

李彦生

(大理供电局，云南 大理 671000)

0 引 言

配电网调度的主要依据为配电网短期负荷预测结果，因此预测精度对配电网运行的可靠性及安全性具有重要意义[1]。配电网分布广、网络复杂、随机性高；同时气候等环境因素对光伏出力影响较大，配电网中分布式光伏的接入，可削减部分负荷，加大配电网净负荷预测难度及波动性[2]。

时间序列法、统计法及人工智能法等常被用于光伏出力预测及配电网负荷预测。杨文佳等[3]基于负荷预测误差特性，对统计法进行研究，综合预测误差统计分布规律及预测结果，获得概率性负荷预测结果。连立军等[4]通过时间序列法，综合考虑季节因子光伏出力，建立差分整合移动平均回归模型，该模型误差稳定且精度较高。Mellit等[5]基于聚类法对光伏出力特征数据进行筛选，通过GA-BP神经网络预测光伏出力，该预测精度较高，效果理想。时间序列法及统计法作为传统方式，根据光伏出力、历史负荷等数据的内在规律进行预测，该方法计算效率较高，模型简单，但忽略了外部因素对光伏出力及配电网负荷的影响。人工智能法通过机器学习，抽象并表示相关数据、历史数据内在线性及非线性关系，并综合分析影响光伏出力及负荷因素，预测精度较高，且适应性强。但传统智能算法为浅层结构，数据间非线性复杂结构难以表示，且输入特征对预测模型精度影响较大，无法获得最优预测特征集合[6]。

长短期记忆(LSTM)为深度学习方法，较传统人工智能法具有时序数据深挖分析优势，可深挖数据潜在关联性，适用于高维度复杂模型构建[7]。……