微电网负荷预测是什么层

一种基于gru神经网络的微电网短期负荷预测方法

技术领域

1.本发明涉及微电网负荷技术领域，特别涉及一种基于gru神经网络的微电网短期负荷预测方法。

背景技术：

2.微电网是一组由分布式电源、负荷、储能系统和控制装置构成的微型系统。对于大电网来说，它表现为一个单一可控的单元，可实现能源多种形式(电能、热能等)的高可靠供给负荷。微电网中的电源多为小容量的分布式电源，主要有光伏电池、小型风力发电机、微型燃气轮机、燃料电池以及蓄电池等储能装置，具有成本低、电压低及污染低等特点。

3.负荷预测是微电网能量管理系统的重要组成部分，是对分布式电源，如风电、光伏、微燃气轮机、柴油机及渗型储能等可控微源进行优化调度的基础，预测结果将直接影响微电网运行策略与电能交易。相对于大搜蚂电网世喊埋环境，微电网进行短期负荷预测的难度更高，这主要是由于负荷的随机性强，历史负荷曲线相似度低，再加上用户容量有限，各用户间负荷特征相互平滑作用较小，负荷总体波动较大。

4.为了提高负荷预测精度，许多学者进行了大量研究，提出了一系列预测方法，如bp-nn预测方法，常规gru神经网络预测方法。但这些方法仍然存在预测精度不够高的问题。其中，gru神经网络的权值为待定参数，并且这些权值参数的选择并无成熟的理论依据，且这些权值参数的选择对于gru神经网络模型的预测性能影响很大，这是目前gru神经网络应用于微电网短期负荷预测的难点。

蒙特卡洛： 大量随机抽样下的比对，最后结果就是在当前抽样数量下筛选出的一定是最想要的那个结果。举例：假如篮子里有1000个苹果(你定的测试集)，让你 每次闭着眼睛找一个最大的，可以不限制挑选次数；于是，你可以闭着眼随机拿了一个，然后再随机拿一个与第一个比，留下大的；再随机拿一个，与前次留下的比较，又 可以留下大的；循环往复这样：拿的次数越多，挑出最大苹果的可能性也就越大!但除非你把1000个苹果都挑一遍，否则你无法肯定最终挑出来的就是最大的一个。如果有 10000个苹果的话，继续如此说不定就能找到更大的！

模拟退火 ：“渐渐”清楚自己的目标是什么！并不断朝“越发”明确的目标迈进，“越来越”不被诱惑干扰。举例：为了找出地球上最高的山，一只兔子在开始并没有 合适的策略，它随机地跳了很长时间！在这期间，它可能走向高处，也可能踏入平地或沟壑世姿含。但册枯是，随着时间的流逝，它“渐渐清醒”! 并“直直地”朝着最高的方向跳去， 最后就到达了珠穆朗玛峰。

粒子群 ：信息的社会共享，以一个团队的形式来搜索！团队里成员信息共享，共同进步；避免一个人工作时出现目光短浅，没有全局意识。举例：就像下围棋，只 专注于搜笑一个角落的战斗不一定能获取最终的胜利，只有放眼全局，把所有己方的棋子都盘活，相互间彼此帮助，才能获得最后胜利。

蚁群 ：和粒子群算法有些相似，都是靠团队的力量共同去找目标！蚁群算法中特殊的是它的"信息素"挥发! 这个效果是其他算法中没有的！

以上所有的最优化算法都很难做到极高的精度，这是必然的： 一是 因为全局搜索已经耗费了大量的时间和资源，再过分强调精度有些不经济； 二是 因为全局搜索得到的最值可以理解为一精确最值的一个准确范围！即进入这个范围再进行精确的搜索一定可以找到精确最值；但是，全局最优的核心是随机/概率，当进入一个准确范围时，这个范围肯定是很小的，如果之后精确搜索还用全局搜索的概率参数(此时来说波动范围太大了)，很可能又会跳出这个好不容易找到的精确区域！

因此： 全局最优算法与局部最优算法是要相结合的 ！全局最优算法负责划定最值所在的一个精确的、较小的范围内，即告诉局部最优算法在这个范围内继续找一定可以找到精确解；局部最优算法按照较小的步长、较高的精度继续搜索精确最值。

常用全局最优算法：蒙特卡洛(MC)、模拟退火(SA)、粒子群(PSO)、蚁群(AG)；

常用局部最优算法：梯度下降法、牛顿法、阻尼牛顿法、共轭梯度法；

推荐搭配1：蒙特卡洛

推荐搭配2：粒子群 + 梯度下降

推荐搭配3：蚁群 + 梯度下降 + 重检机制

以上提到算法的 “程序 + 详细使用说明” 参考以下地址：

优化算法

---