论文部分内容阅读
伴随着科技与经济的快速发展,各种用电设备不断地涌现,电力需求逐年增加,电力部门需要通过动态增容来提高电力传输能力。在动态增容过程中如果高压输电线路弧垂过小,容易影响线路机械安全;弧度过大,容易产生放电危害。因此精准的高压输电线路弧垂预测成为电力输送安全中至关重要的一环。高压输电线路弧垂的预测是在历史数据的基础下,根据弧垂数据的相关变化规律、属性间关联以及电力需求波动来探索高压输电线路弧垂的变化趋势。由于传统的高压输电线路弧垂预测模型中难以同时解决弧垂数据的非线性和时间相关性问题,且常见的深度学习模型在解决此问题上时间序列依赖性强、并行化运算困难、结构相对较浅。因此,本文提出了一种基于多时间序列深度堆叠单向和双向结合的简单循环单元网络(Simple Recurrent Unit,SRU)的高压输电线路弧垂预测模型。本文主要工作如下:(1)针对高压输电线路弧垂数据的特征,提出了一种基于多时间序列深度堆叠单向和双向结合的SRU循环神经网络的高压输电线路弧垂预测模型。(2)为了改善数据质量,利用箱线图分析进行异常检测,并使用均值进行替换。同时利用masking掩蔽机制进行缺失值处理。(3)针对传统数学方法和机器学习方法在预测中难以同时解决时间相关性和非线性问题,采用SRU循环神经网络进行预测,通过自循环权重使细胞核彼此通过残差连接,可以动态改变时间尺度,使其具有长短期记忆功能,采用sigmoid激活函数控制时间序列非线性输出。(4)针对多数研究只考虑前向依赖容易过滤掉部分信息、结构较浅和精度不够高的问题,提出一种深度双向堆叠的体系结构来进行特征学习,减少信息的丢失。同时选取了Nadam优化方式,减少训练和测试时的内存占用,并能为不同参数计算不同的学习率。基于真实弧垂数据的实验结果表明,本文所提出的基于多时间序列深度堆叠单向和双向结合的SRU循环神经网络的高压输电线路弧垂预测模型是可行的和有效的,其性能优于逻辑回归(LR)模型、人工神经网络(ANN)模型、反向传播神经网络(BPNN)模型以及深度堆叠单向和双向结合的Simple RNN循环神经网络模型、单向和双向结合的GRU循环神经网络模型、单向和双向结合的LSTM循环神经网络模型和单向的SRU循环神经网络模型。