本文是一篇电气工程管理论文，本文在充分研究和总结国内外短期电力负荷预测领域的基础上，提出了一种结合卷积神经网络、双向门控循环单元、注意力机制以及改进麻雀搜索算法的组合预测方法，搭建了CNN-BiGRU-Attention预测模型和ISSA优化的CNN-BiGRU-Attention预测模型。
第一章 绪论
1.1 研究背景及意义
1.1.1 研究背景
电力行业自第二次工业革命诞生以来，在任何国家都有着举足轻重的作用：一方面电能是国家能源战略的重中之重，是能源领域的支柱行业；另一方面电能是现代工业、农业等行业安全生产的保障，控制着国民经济的命脉。进入新发展阶段，我国现代化发展进入新篇章，改革开放迈出新步伐，对电能供应提出新挑战。据国家统计局公布的数据，如图1.1所示，全国电力消费总量从2011年的47000.88亿千瓦时增加到2020年的77620.17亿千瓦时，用电量出现跨越式增长。如何在保障经济快速发展的同时保证持续、稳定、安全的电能供应成为电力部门的研究难点。目前，电力负荷预测是解决这一难题的有效方法，准确的电力负荷预测可以为电力系统规划调度、发电安排、负荷分配等决策提供科学依据，在保证电网经济运行、节能环保等方面也具有重要意义。
电气自动化论文怎么写
近些年，随着现代化进程的加快，人类正面临化石燃料逐渐枯竭，环境状况不断恶化等现状。为应对全球能源危机，世界各国都在主动开展新能源领域的研究，其中新能源发电技术成为了当前的研发热点。图1.2为我国2012~2021年这十年间全国电力装机结构的变化情况：火电机组的比重逐年下降，新能源发电量占比持续上升，水力、风力、光伏发电等已实现产业规模化，整体发电结构持续向清洁、低碳化方向发展[1]。新能源发电在节能减排，响应“双碳”目标，推进能源结构转型升级等方面具有重要意义，现已成为我国电力系统中的重要组成部分。
..............................
.2 国内外研究现状
负荷预测主要是通过研究电力负荷和其他相关因素历史数据进一步对未来的负荷变化进行估计，对于电力系统的规划和扩展有着极为重要的参考价值，其中短期负荷预测是负荷预测领域的研究热点[5]。20世纪50年代开始，国外学者就开始了对电力负荷预测问题的研究[6]。而我国对负荷预测的研究起步较晚，开始于20世纪70年代[7, 8]。目前电力负荷预测的常用方法主要包括两种：一是以数理统计为核心的传统预测法；二是以计算机算法为核心的机器学习法[9]。
1.2.1 传统预测方法
（一）回归分析法
回归分析法的核心思想是通过数理统计的方法，将影响预测目标的因素看作自变量，将随影响因素变化的预测目标看作因变量，分析二者之间的关系，建立回归方程实现对未来负荷变化趋势的预测[10]。按照自变量的不同，回归分析法分为一元回归法和多元回归法[11, 12]。文献[13]作者使用多元线性回归方法建立预测模型，取得了较好的效果。回归分析具有模型简单、计算方便、预测速度快等优势，但是该方法对数据样本的要求严格，当负荷影响因素较为复杂时，模型的稳定性较差，难以实现精准预测。文献[14]作者在对旱季、雨季进行负荷预测时，为解决模型对温度、湿度等信息敏感问题，采用单独建模的方式取得了较好的效果，但需要保证数据集中的信息准确。
（二）时间序列法
时间序列法以历史电力负荷数据为研究对象，建立数学模型分析时间与负荷数据之间的内在联系，从而对电力负荷未来的发展趋势进行预测[15]。该方法由美国学者在20世纪60年代提出，主要代表模型包括：自回归模型（Autore Rressive model, AR）、移动平均模型（Moving Average, MA）、自回归-移动平均模型（Auto Regression and Moving Average, ARMA）等[16]。时间序列法的优点是对原始数据集的依赖程度低，预测速度快，但是缺点同回归分析法类似，受外界影响因素的干扰较大，单独应用的情况下局限较大。目前时间序列法在短期负荷预测中有两种应用途径：一是将其和其它预测方法进行组合；二是对该方法进行改进[17]。文献[18]为预测企业的电力负荷，将AR同极限梯度法相结合，最后经过实验证明此模型达到了预期的效果。
.........................
第二章 短期电力负荷预测的基本理论
2.1 电力负荷预测的分类
电力负荷预测是对未来一定时间内的负荷需求做出合理的预估，按照其预测周期长短的不同，通常分为超短期负荷预测、短期负荷预测、中期负荷预测和长期负荷预测四类[41]，具体如表2-1所示。
电气自动化论文怎么写
不同类型的负荷预测对应着不同的预测意义，其区别如下：
（1）超短期负荷预测主要对未来一小时之内的负荷变化进行预测，由于其预测周期非常短暂，因此预测精度基本不受外界因素的干扰，但是对预测模型的运算速度具有极高的要求，当发生紧急事件时能快速做出合理方案。超短期电力负荷预测对于电力系统的安全监视，预防性控制以及经济调度等具有重要意义。
（2）短期电力负荷预测是对未来一日或者一星期左右的用电情况进行预测，其预测结果能够为日负荷率的确定提供重要的参考价值，对于电网的经济稳定运行、发电计划安排以及规划调度等具有十分重要的意义[42]。同时短期负荷预测一直是负荷预测领域中的研究热点。
（3）中期负荷预测的时间尺度通常以月为单位，其研究意义可以为月度发电计划和中大型机组的检修计划制定提供依据。
（4）长期负荷预测的预测周期最长，一般以年为时间跨度。这种程度的预测不仅能够为电网的升级改造和发电计划的制定提供有效依据，还可以帮助国家制定电力行业长远迭代发展计划，在宏观决策方面具有一定战略意义。
...........................
2.2 电力负荷概述
2.2.1 电力负荷分类
在电力系统中，某一时刻所有用电设备消耗电能的总和，称为电力负荷，其分类一直是电力部门进行错峰管理、分时电价、负荷预测的基础，好的负荷分类方法能为电力系统的规划调度、电力建设等提供正确的依据和指导[43]。根据电力系统的组合环节划分，可将负荷分为：发电负荷、厂用负荷、供电负荷、线路损失负荷以及综合用电负荷[44]。
本文是对电网层级的短期电力负荷预测进行研究，具体是以综合用电负荷为研究对象。由于综合用电负荷具有多种用电场景，不同的用电场景下负荷具有不同的变化规律。比如生活用电与居民的日常作息规律息息相关；工业用电受节假日影响较大，工作日负荷明显高于节假日或者周末。
电力系统的负荷特性一般以用电负荷随时间的变化规律反映，通过采集记录一天24个小时不同时刻消耗的用电功率来实现，日复一日累计的数据称为历史负荷数据，实质是典型的时间序列。时间序列是指一组按时间顺序排列，具有相等的时间间隔的数列[45]。到目前为止，人们也只能通过对历史电力负荷序列进行分析，归纳出负荷的普遍性特征以及潜在规律，帮助我们更好地对未来负荷变化趋势做出预测。通常短期电力负荷具有周期性、波动性、连续性、随机性的特点[46]。
............................
第三章 数据预处理及特征选择 ......................... 19
3.1 实验数据来源 ................................. 19
3.2 数据预处理 ........................................ 20
第四章 基于 CNN-BiGRU-Attention的短期电力负荷预测 ............... 29
4.1 CNN-BiGRU-Attention的基本原理 ......................... 29
4.1.1 卷积神经网络 .................................... 29
4.1.2 循环神经网络 .............................. 32
第五章 ISSA优化CNN-BiGRU-Attention短期电力负荷预测 .......... 48
5.1 麻雀搜索算法(SSA) ................................ 48
5.1.1 SSA基本规则 ................................. 48
5.1.2 SSA设计与流程 ................................... 49
第五章 ISSA优化CNN-BiGRU-Attention短期电力负荷预测
5.1 麻雀搜索算法（SSA）
电气自动化论文参考
基于深度学习的神经网络一般参数非常多，训练集比较大，寻找网络的全局最优解通常比较困难，因此如何解决复杂模型的参数优化问题一直是众多学者关注的热点。群智能优化算法是研究人员受到自然界中一些生物群体捕食、繁殖等自然行为特征的启发，提出的一系列新颖、高效的优化算法，如蚁群优化算法（ACO）、鲸鱼优化算法（WOA）、遗传优化算法（GA）、粒子群优化算法（PSO）等。
麻雀搜索算法（Sparrow Search Algorithm，SSA）是由东华大学的薛建凯等人从麻雀在自然界寻找食物和躲避天敌的行为中获得灵感，并于2020年提出的一种非常新颖的群智能优化算法[62]。文献[63]作者将SSA和2010年以后出现的WOA等其他5种较为常见的群智能优化算法，通过单模态、多模态等大量标准基准测试函数进行对比，综合实验结果，验证了麻雀搜索算法相比于其他优化算法收敛速度更加快速，全局搜索能力更为突出，整体性能最佳。
麻雀是一种群居性鸟类生物，它们在觅食期间采用发现者—跟随者模式，同时配备了侦查预警机制。群体中能够找到较好食物的个体作为发现者，其拥有较好的种群适应度值和广泛的食物搜寻范围，并引领种群移动。跟随者是种群中适应度值排名靠后的个体，一般通过跟随发现者寻找食物。另外种群中还会选取一部分个体负责侦查警戒，如果发现危险则发出叫声提醒同伴，其他麻雀接收到报警信息后要立即放弃食物，转移到安全区域继续觅食。
...........................
总结与展望
准确的电力负荷预测可以为电力系统规划调度、发电安排、负荷分配等决策提供科学依据，在节省能源、经济运行，保障电网的长期平稳安全运行等方面也具有重要意义。面对日益复杂庞大的电力系统，为满足电力部门对负荷预测精度的要求，本文在充分研究和总结国内外短期电力负荷预测领域的基础上，提出了一种结合卷积神经网络、双向门控循环单元、注意力机制以及改进麻雀搜索算法的组合预测方法，搭建了CNN-BiGRU-Attention预测模型和ISSA优化的CNN-BiGRU-Attention预测模型。以第9届全国电工数学建模竞赛提供的两个负荷数据集分别对两个预测模型进行了仿真实验，证明了所提模型的优越性。本文主要研究成果与结论如下：
（1）针对原始数据集中缺失项和异常值现象，采用平均值法对空缺项进行填充；采用标准差法对异常值进行检测，然后使用水平处理和垂直处理对异常值进行修正。为选取数据集中对负荷数据影响较大的气象因素，利用皮尔逊相关系数法进行特征选择，最终将日最高温度、日最低温度、平均温度、日期类型和历史负荷值作为负荷的影响因素。
（2）针对单一预测模型精度低，负荷数据影响因素复杂的问题，本文构建了CNN-BiGRU-Attention预测模型。以数据集A作为实验样本，同时搭建多种单一模型以及其他组合模型进行对比验证。实验表明，本文构建的CNN-BiGRU-Attention组合模型MAPE值为1.670%，RMSE值为143.172MW，MAE值为126.069MW，R2为0.993，四项评价指标均优于其他单一模型以及组合模型，验证了所提模型的优越性。另外基于特征选择的CNN-BiGRU-Attention模型经实验证明，在预测精度上得到了进一步提升，说明了采取特征选择的有效性。
（3）针对SSA在迭代后期容易陷入局部最优，收敛速度变慢的问题，提出引入非线性递减惯性权重和纵横交叉策略的改进方法。为增加族群多样性，以Cubic混沌映射初始化种群，然后采用非线性惯性权重提高收敛速度；再引入纵横交叉策略保持种群多样性，增强全局搜索能力以及局部开发能力。最后通过5个基准函数在不同维度进行测试，最终验证，ISSA拥有更快的收敛速度和更高的收敛精度。
参考文献（略）