基于CNN集成和非均匀量化的家庭负荷预测

摘要

负荷的多源不确定性和大小功率分布不均衡是制约家庭负荷短期预测精度的重要因素.为此，该文提出用非均匀量化消解功率偏态分布引起的量化误差大、高功率近似于“异常”样本等问题，融合卷积神经网络(CNN)和集成学习应对负荷多源不确定性导致的负荷规律复杂的问题.首先给出了家庭负荷短期预测框架；然后给出了基于μ律将负荷数据二次量化的方法，使负荷数据近似正态分布，同时将负荷及其相关数据交织成灰度图，便于提取特征数据间隐含的深层非线性关系；接着，面向家庭负荷短期预测，详细设计了CNN基础学习器、Adaboost协调多个CNN的集成学习算法.对不同温区的实际家庭提前1 h的负荷预测测试表明，该文方法的平分绝对百分比误差(MAPE)、均方程差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)等指标优于已有的先进预测方法.该方法可为公用部门和家庭用户的调度管理、优化控制提供高精度的短期能耗数据.

关键词

家庭负荷短期预测 / 卷积神经网络 / 集成学习 / 非均匀量化