基于深度学习的农业大棚园区用电负荷离线与在线预测研究.pdfVIP

基于深度学习的农业大棚园区用电负荷离线与在线预测研究

摘要

随着我国农业大棚智能化持续推广，对农业大棚园区用电负荷的精准短期

预测是优化电力系统运行、保障农业生产稳定性的重要基础。本文以大棚未来

用电量为研究目标，基于深度学习方法对其用电负荷离线与在线预测进行研究，

为优化大棚园区能源配置提供决策支持，保证农业大棚用电的安全性和可靠性。

主要研究内容概括如下：

采用统计检验和斯皮尔曼相关系数等方法，分析农业大棚园区用电负荷的

特性，确定负荷数据的影响因素。首先，根据统计检验方法分析大棚负荷数据

的平稳性、非线性以及周期性；其次，将负荷数据进行异常值、缺失值和归一

化处理；最后，将处理后的负荷数据及其潜在影响因素进行斯皮尔曼相关系数

分析，为后续模型构建和预测提供基础和指导。

在用电负荷离线预测方面，针对大棚负荷数据具有强波动性、高非线性等

问题，提出了基于深度学习的大棚短期负荷预测方法。首先利用变分模态分解

(Variationalmodedecomposition,VMD)将原始负荷序列分解为多组模态分量作为

预测模型的输入；其次，采用卷积神经网络(ConvolutionalNeuralNetworks,CNN)

提取大棚负荷相关的空间特征，采用长短期记忆网络(LongShort-TermMemory

network,LSTM)提取大棚负荷的时序特征；最后，将多组分量的预测结果重构，

得到负荷预测模型。对比实验结果表明，相较于其它神经网络模型，本文构建

的VMD-CNN-LSTM离线预测模型具有较高的预测精度，MAPE低至2.101%。

在用电负荷在线预测方面，针对用电负荷实时性需求问题，在离线预测模

型基础上构建了一种基于概念漂移检测和增量学习的在线预测模型。首先，采

用基于算法性能的概念漂移检测方法，得到概念漂移准确的时间节点；其次，

采用经验重放的滑动窗口方法，避免灾难性遗忘现象；最后，采用改进霜冰优

化算法实现模型再次训练时的自适应更新权重以及其它参数，加强其全局寻优

的能力。实验结果表明，在线负荷预测模型有效地解决了离线负荷预测的实时

性问题，利用实时数据生成负荷预测结果，确保大棚用电的准确性和可靠性。

关键词：农业大棚；深度学习；负荷预测；长短期记忆网络；概念漂移

I

RESEARCHONOFFLINEANDONLINEPREDICTIONOF

ELECTRICALLOADINAGRICULTURALGREENHOUSE

PARKSBASEDONDEEPLEARNING

ABSTRACT

Asthecontinuouspromotionofintelligentagriculturalgreenhousesinour

countryprogresses,theaccurateshort-termpredictionofelectricalloadinagricultural

greenhouseparksisacrucialfoundationforoptimizingtheoperationofthepower

systemandensuringthestabilityofagriculturalproduction.Thispaperfocusesonthe

futureelectricityconsumptionofgreenhousesastheresearchobjectiveand

investigatestheofflineandonlinepredictionoftheirelectricalloadbasedondeep

learningmethods.Thisresearchaimstoprovidedecisionsupportforoptimizing

energyallocationingreenhouseparks,