欢迎进入电+! 消息
首页 新闻资讯 技术资讯 资讯详情

LSTM神经网络助力电力现货市场用电侧负荷预测

来自:电+网 时间:2019-11-14 17:14:27 1680 未收藏

北京交易中心近日发布,首批电力现货八个试点省份探索不间断结算试运行,其他省份(西藏除外)年底前上报现货市场建设方案。


电力现货交易正在中国电力市场化改革的背景下加速推进,电力现货交易较之于现行交易机制设计更加复杂,技术性更强。从交易标的改变来看,将电量交易改变成为负荷曲线交易。现行中长期分别以月为单位开展年度交易和以周为单位开展月度增量交易,交易总量是以日为单位进行合计,其中需要用到的负荷预测属于中长期预测。而现货交易是以每15分钟为间隔,每天96个点的负荷曲线交易模式。加之用电侧需在日前完成运行日的报量策略制定工作,因此短期和超短期负荷预测成为了电力现货交易的必备技术。


目前,电力现货交易各试点省份虽未进入正式运行,但借助国外成熟市场的经验和数据,对电力现货市场下开展短期负荷预测进行提前布局和如何提高短期和超短期的负荷预测精度已成为参与现货交易技术应用的重要课题。


由于电力市场的负荷数据都具有非线性,周期性等特征,故使用传统的方法如时间序列法、多元线性法等,预测误差较大,难以满足现货交易的要求。近年来,机器学习算法能够深度挖掘历史数据中的规律信息的特点得到了越来越多的应用与发展,因此我们将LSTM神经网络应用到现货交易决策中来,作为短期和超短期负荷预测的技术和方法。


整个预测模型主要分为三个部分:数据集预处理、模型搭建与训练、预测数据的可视化分析。现我们就整个模型的核心部分做一个详细的介绍。


首先,数据集的探索性分析(EDA),客观上来说,我们在面对大数据的时候,各种杂乱的“脏数据”,往往不知所措,这时我们通过特定的假设、变量之间的关系、数据的分布情况等来确定用哪些数据、哪一类算法进行预测。比如简单的线性数据则采用线性回归的方法;接着就是任何数据集在训练模型之前都要进行数据的预处理,对于时序数据来说,缺失值最好使用同期数据进行插补,异常值采用3σ原则进行处理。


接下来就是我们的算法模型,这里我们使用keras实现的LSTM模型。那什么是LSTM模型呢。为了便于理解我们可以引用一LSTM结构图,来做介绍。


微信图片_20191114085450.jpg


从图上看,首先是最上面的那条线,它(cell states)是整个LSTM网络的“记忆体”,也就是预测负荷时候,网络会考虑这个记忆体中所存储的记忆来更好地完成预测;接下来,我们就会想如果“记忆体”中的数据越来越多,“记忆体”不太能记住小时候的事情,而小时候的事情对于当下的预测却又十分重要,这时应该怎么办?答案当然是忘掉部分不重要数据啦!所以,LSTM网络引入了遗忘门这个概念,此部分是专门用来对一些不必要的数据进行遗忘处理,这样会使我们的预测结果更加准确。


模型训练之后,要进行性能评估和分析,我们的计算采用均方根误差(RMSE)的方式来评估模型的性能和准确性。RMSE是用来衡量观测值与真实值之间的偏差,简单地说,就是用“真实值-预测值然后平方之后求和平均再开个根号“。为了让评估分析更加直观,我们采用可视化工具进行图表和误差分布的展示。如下图:




以上,我们简单介绍了LSTM神经网络算法在电力现货交易背景下针对短期和超短期负荷预测工作中技术应用的实现过程,希望在电力现货交易正式运行时用电侧的主体们有充分的技术准备和储备,更加从容的面对电力现货交易带来的全新挑战!





文章来源:硕电汇

原标题:LSTM神经网络助力电力现货市场用电侧负荷预测

欢迎投稿电力相关原创文章,和我们分享您的观点&见解。

投稿邮箱:support@ieforever.com 

电+微信公众号


aaa



京ICP备10054994号-6

京公网安备 11010102001882号