深度学习在电力系统预测中的应用

摘要: 电力系统预测主要包括负荷预测、出力预测以及健康状态预测等。通过负荷预测，可以优化电力生产规划，从而更好地实现电能的精细化分配；通过出力预测，可以有效提升新能源电力消纳能力，实现电能的充分及合理利用；通过电力设备健康状态预测，可以及时发现设备运行隐患，从而进一步保障电力系统平稳安全运行。深度学习凭借其卓越的特征分析和预测能力，被广泛应用于电力系统运行及维护。本文首先归纳介绍了电力系统预测深度学习模型的特点、适用场景；其次，梳理了深度学习在面向民用及工业场景负荷预测、光伏及风电出力预测、机械及非机械设备健康状态预测中的应用前沿；最后，对深度学习在电力系统预测中所面临的关键问题、发展趋势进行了总结和展望。

http://115.25.60.6/article/doi/10.13374/j.issn2095-9389.2021.12.21.006

现代电力系统结构日益复杂，规模不断扩大， 若仅仅依靠传统的物理建模方法，难以充分应对 运行分析需求[1] . 结合多源数据，深度学习已广泛 应用于电力系统预测. 通过采集运维数据、设备 数据等电力系统各环节基础数据，结合深度学习 技术，可以较好地拟合影响电力系统后续运行状 态各因素之间的非线性关系[2] ，建立预测模型，实 现电力系统预测，如负荷预测[3] 和出力预测[4] 等. 本文着重对目前研究较多的几种预测，包括电力 系统负荷预测、新能源出力预测和电力设备健康 状态预测的应用情况进行归纳和梳理. 针对不同 的应用场景，电力系统负荷预测分为面向民用场 景的负荷预测和面向工业场景的负荷预测；针对 不同的预测对象，出力预测分为光伏出力预测和 风电出力预测；针对不同的设备种类，健康状态预 测分为机械类设备健康状态预测和非机械设备健 康状态预测.

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“DPSP” 就可以获取《深度学习在电力系统预测中的应用》专知下载链接