基于迁移学习的短期负荷预测模型训练:降低计算成本并保持精度的新方法

《Journal of Modern Power Systems and Clean Energy》:Transfer Learning-Based Model Training for Short-Term Load Forecasting

【字体: 大 中 小 】 时间:2026年04月07日 来源:Journal of Modern Power Systems and Clean Energy 6.1

编辑推荐:

  为解决配变及以下层级场景众多导致短期负荷预测模型训练计算成本高昂的问题,研究人员开展了一项基于迁移学习的模型训练方法研究。该方法通过提取关键峰谷点、结合时域与分布相似性对负荷序列进行分层聚类,并应用改进的Bagging方法进行微调。实证表明,所提方法在保持预测性能的同时,可降低至少92.23%的计算成本,为智能电网中高效、精准的负荷预测提供了可行方案。

  
随着全球电力市场逐步放松管制,竞争日益加剧,负荷服务实体(LSEs)需要在日前市场中进行负荷管理和需求响应。精准的短期负荷预测(STLF)技术成为提升其竞争力的有效手段。近年来,基于人工智能神经网络(ANN)的短期负荷预测模型(SLFM),如循环神经网络及其变体,在捕捉多特征非线性关系方面展现出优越性能,特别是在配电网及以下层级。然而,智能电网基础设施记录了海量的实时用电数据,例如在中国贵阳这样的城市,约有38万台配电变压器服务于居民小区。若为每一个预测场景(如每个变压器)单独训练和维护ANN模型,将给LSEs带来难以承受的计算成本负担。此外,配变及以下层级的负荷需求具有局部聚集性,由于地理临近、气候相似和居民生活习惯趋同,许多场景的负荷序列表现出明显的相似性。这为复用模型参数、降低计算成本提供了可能。迁移学习(TL)作为一种重用从一个任务中获得的知识来提升相关任务性能的技术,在自然语言处理等领域已取得巨大成功。将其应用于STLF场景,即复用已训练模型参数到相似场景,潜力巨大。已有研究提出了适用于STLF的TL框架,但仍有改进空间:需综合考虑负荷序列的时域相似性和分布相似性;需开发高效方法评估长序列相似性并衡量分布差异;需改进微调过程以防止过拟合、降低泛化误差。为此,本项研究旨在应对上述挑战,提出一种基于TL的模型训练方法,在保持SLFM准确性能的同时,显著降低其计算成本。该研究成果发表在《Journal of Modern Power Systems and Clean Energy》上。
为开展此项研究,作者采用了几个关键的技术方法。首先,提出了一种基于峰宽和峰突显的关键峰谷点提取方法,以简化负荷序列相似性评估,并使用基于密度的噪声应用空间聚类(DBSCAN)对这些关键点进行聚类以确保时间轴对齐。其次,引入了时域相似性和分布相似性度量,为迁移的SLFM提供性能保证,并使用时域相似性量化序列间距离、分布相似性优化聚类数选择,进行分层聚类。接着,在迁移的SLFM微调过程中,提出并应用了一种改进的Bagging方法,以最小化泛化误差并进一步降低计算成本。研究使用的数据集来自中国贵州电网公司电力科学研究院和国家气象信息中心提供的贵阳地区220台配电变压器的负荷数据及相关气候特征数据。
研究结果:
A. 数据集描述
实验基于私有数据集进行。负荷数据包含贵阳6个区220台专供居民用户的配电变压器从2021年1月9日至11月21日的5分钟监测数据,经日平均处理后使用。候选特征包括每日气候数据和时间戳。数据经z-score标准化,划分为训练集和测试集,并采用3折交叉验证进行超参数优化。使用整体特征选择方法选取最优特征子集,并以均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)评估模型性能。
B. 容量分类
将贵阳数据集中额定容量为160 kVA、200 kVA、250 kVA、315 kVA、400 kVA和500 kVA的配电变压器负荷曲线按容量分类可视化。以315 kVA为例,提取特定时间段(如第30至40天)的负荷序列,观察到序列间先下降后上升的相似趋势,以及在特定日期(如第81、238、271天)附近峰值或谷值特征的相似性。这表明配电变压器负荷行为存在相似性,可能受文化交流和地理邻近等因素影响。
C. 关键峰谷点提取与可视化
以额定容量315 kVA的配电变压器为例,展示了峰点和谷点的提取过程。通过直接提取、结合峰宽与峰突显条件提取、再结合DBSCAN提取关键点,并将关键点绘制回原负荷曲线。结果表明,所提方法能有效地将关键峰谷点与时间轴对齐,揭示了用户相似的用电模式;尽管关键点的数值存在差异,但其出现时间具有显著相似性,表明不同区域间负荷行为存在广泛一致性。
D. 分层聚类过程
使用时域相似性(基于关键点的欧氏距离)和分布相似性(基于核密度估计(KDE)和KL散度)对负荷序列进行分层聚类。通过遍历不同聚类数计算分布相似性指标Sdis,并根据肘部法则选择最佳聚类数。对于315 kVA的变压器,Sdis曲线呈肘形,最佳聚类数确定为9。可视化仅包含关键峰谷点的负荷序列,发现不同配电变压器的负荷波动具有显著相似性,支持了地理邻近可能导致因共享生活方式而产生的同步能耗模式的分析。
E. 性能比较
在贵阳数据集上比较了不同SLFMs的性能,包括全连接网络、卷积神经网络、长短时记忆网络、双向长短时记忆网络和动态时序依赖模型(DTDM),同时对比了线性回归模型和不同核函数的支持向量回归模型。此外,还比较了所提方法(经过聚类)与未经聚类直接迁移的方法。结果显示:DTDM保持了相对于其他SLFMs的准确性能;与直接训练相比,所提方法提升了DTDM模型的训练效率,训练时间成本至少降低92.23%;经过聚类后的模型迁移其预测性能优于未经聚类的方法。这些发现证实,时域相似性和分布相似性能为后续模型迁移提供有价值的先验信息,确保更好的性能。
F. 方法推广讨论
该方法可推广至可再生能源发电预测。可再生能源电站通常位于环境因素短期一致的区域,发电模式表现出强相似性。例如,在光伏功率预测中,相邻光伏单元的输出因辐照和云层运动的连续变化而相关。利用这种时空相关性,所提方法可聚类历史发电曲线,为每个聚类训练预测模型,然后通过Bagging和TL应用于同聚类内的其他发电单元,从而在降低计算开销的同时提高预测精度。
研究结论与讨论:
本文提出了一种基于迁移学习的短期负荷预测模型训练方法,旨在降低配变及以下层级大量SLFM训练的计算成本。该方法基于迁移学习原理,并结合了该层级负荷序列的独特特征。具体包括:提取关键峰谷点以简化负荷序列相似性评估;综合考虑时域和分布相似性以确保迁移SLFM的预测精度;通过分层聚类对高相似性负荷序列进行分组;并采用改进的Bagging技术进行高效微调。在贵阳数据集上对各种SLFM的评估表明,所提方法在保持准确预测性能的同时,显著降低了计算成本,为解决智能电网中海量场景下的高效、精准负荷预测提供了切实可行的解决方案。研究还讨论了将该方法推广至可再生能源发电预测等领域的潜力,进一步凸显了其广泛的应用价值。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号