数据匮乏场景下采用生成对抗网络的空间负荷预测方法

作者：肖白; 黄钰茹; 姜卓; 施永刚; 焦明曦; 王徭

来源：中国电机工程学报, 2020, 40(24): 7990-8236.

DOI：10.13334/j.0258-8013.pcsee.191534

• 空间负荷预测(SLF)
• 电力系统规划
• 生成式对抗网络(GAN)
• 卷积神经网络
• 长短时记忆神经网络(LSTM)

针对在历史负荷数据匮乏场景下,现有空间负荷预测方法预测结果精度较低甚至失效的问题,提出一种基于生成式对抗网络(generativeadversarialnetworks, GAN)和RCGAN的空间负荷预测方法。该方法首先建立电力地理信息系统,并生成I类元胞和Ⅱ类元胞?然后构建基于原始GAN的数据生成模型,根据十分有限的历史负荷数据生成数量充足且兼顾负荷时空分布规律的"Ⅱ类元胞历史负荷数据",达到数据增强的目的。其次构建基于RCGAN的空间负荷预测模型。最后利用生成的"Ⅱ类元胞历史负荷数据"和确定参数的RCGAN模型实现空间负荷预测。工程实例表明该方法是正确、有效的。

• 单位
  国网吉林省电力有限公司; 东北电力大学; 北华大学