基于 CNN-BiLSTM 的中短期电力负荷预测.docxVIP

封面为后期添加，原作品没有此页。 封面为后期添加，原作品没有此页。 优 秀 作 品 第十届“泰迪杯” 数据挖掘挑战赛 作品名称： 电力系统负荷预测分析 荣获奖项： 特等奖并获泰迪杯 作品单位： 暨南大学 作品成员： 庄依洁 李盈 刘景豪 基于 CNN-BiLSTM 的中短期电力负荷预测 摘要 随着配电网的不断发展， 电力负荷数据量不断增加，且由于受到各种因素影 响而具有较强的随机性。为了电力系统的规划和运行的稳定、经济的发展、人民 的生活， 准确地进行电力负荷预测显得十分重要。 本文尝试运用深度学习， 建立 中短期的电力负荷预测模型，以期为电网合理调度和平稳运行的提供决策依据。 针对问题一，首先基于历史数据， 建立了基于 Bi-LSTM 的单变量短期电力负 荷预测模型； 接着， 考虑到气候、节假日等因素的影响较大且大多为非线性影响 因素，基于 copula 函数量化了各个影响因素与电力负荷的相关性，再根据各个 因素重要性程度， 挑选对电力负荷影响较大的 9 个因素作为特征。为了更好地提 取特征信息，建立了基于 CNN-BiLSTM 的多变量短期负荷预测模型；然后，对所 建立模型进行超参数调优并训练， 得到训练集 RMSE 为 5385.38，MAPE 为 0.0153， 测试集 RMSE 为 3258.19，MAPE 为 0.0108；最后，为了衡量该模型对于未来短期 负荷的预测能力，在调试好的机器模型基础上， 选取数据集中的最后 10 天将负 荷抹去再进行预测，得到预测误差RMSE 为4038.7，MAE 为 3184.9，MAPE 为 0.015。 同样，对数据集最后 30 天的分时负荷进行预测， 得到每天的最大负荷及最小负 荷， 并与真实日负荷最大、最小值进行对比， 得到预测误差分别为： 最大值 RMSE 为 7038.71，MAE 为 5184.86，MAPE 为 0.0288；最小值 RMSE 为 5307.26，MAE 为 4392.19，MAPE 为 0.0217。 针对问题二， 首先定义电力负荷数据存在三种突变点： 均值突变、方差突变、 趋势突变，再针对各类行业， 采用 Pettitt、Mann-Kendall 检测法对均值类突变进 行识别， PELT、SegNeigh 检测法对方差类突变进行识别，滑动 T 检验法对趋势类 突变进行识别，并计算各突变点的突变量级。通过突变时间和突变量级，我们分析 得到各个行业的均值、方差突变主要受疫情和政策影响，趋势突变主要受春节影响； 然后， 考虑到不同类型行业的日负荷最值随机性较大、数据量小且突变点较多，分 别对各类行业建立基于 Prophet 时间序列分解方法的日负荷最值预测模型，并以数 据集最后 30 天为例进行日负荷最值预测， 得到各行业日负荷极值预测误差分别为： 大工业日负荷最大、最小值 MAPE 分别为 0.087、0.142，普通工业为 0.112、0.175， 非普工业为 0.077、0.12，商业为 0.161、0.108。 本文分别运用深度学习算法、 时间序列分解模型对电力负荷中短期、中期进行 预测，通过准确度评估验证了模型的有效性及预测的准确性，所提融合模型能有效 地应用于实际的电力系统负荷预测中。 关键词： 电力系统；Bi-LSTM；Copula 函数； CNN-BiLSTM；Prophet 模型 目录 1 绪论 1 1.1 研究背景 1 1.2 问题重述 1 1.3 主要工作 2 1.4 研究意义 2 2 LSTM 相关理论 3 3 数据预处理 4 3.1 缺失值及重复值处理 4 3.1.1 缺失值分析及处理 4 3.1.2 重复值分析及处理 6 3.2 异常值分析与处理 6 3.3 数据分布分析及处理 10 3.4 特征构造及处理 11 3.4.1 负荷数据特征 11 3.4.2 气候数据特征 12 4 数据分析 13 4.1 地区负荷数据分析 13 4.1.1 负荷数据整体分析 13 4.1.2 影响因素分析 14 4.1.2.1 年份 14 4.1.2.2 季度 15 4.1.2.3 月份 15 4.1.2.4 时刻 16 4.1.2.5 星期类型 16 4.1.2.6 节假日类型 18 4.1.3 负荷极值分析 19 4.1.3.1 负荷极值变化情况 19 4.1.3.2 到达极值时间分析 20 4.2 行业负荷数据分析 21 4.3 气候数据分析 24 4.3.1 温度 24 4.3.2 天气状况 25 4.3.2 风向 26 4.3.3 风力 27 4.4 历史数据分析 27 5