基于GAN的负荷数据修复及其在EV短期负荷预测中的应用

• 作者: 赵厚翔 沈晓东 吕林 兰鹏 刘俊勇 刘代勇
• 来源期刊: 电力系统自动化
• 关键词: 电动汽车(EV) 短期负荷预测 数据插补 生成对抗网络(GAN) 门控循环单元神经网络 长短期记忆网络(LSTM网络)
• 年，卷（期）: 2021,（16）
• 所属期刊栏目: 学术研究|Basic Research
• 页码范围: 143-151
• 页数: 9页
• 语种: 中文
• DOI: 10.7500/AEPS20210201007

摘要

随着电动汽车(EV)充电设施规模的不断扩大,EV充电数据可以更方便地获得.某些非人为因素会导致数据集中存在数据缺失和数据异常的问题,阻碍了EV负荷预测精度的提高.因此,文中在生成对抗网络(GAN)中采用用于插补的门控循环单元神经网络(GRUI)细胞来处理不完整负荷数据集中前后观测值间的不规则时滞关系,提出了基于GRUI-GAN的数据插补模型来实现EV负荷数据修复.然后,以带有Mogrifier门控机制的长短期记忆网络进行EV负荷预测.最后,实验结果表明了所提方法可以生成精度较高的新数据对缺失值进行插补,并且经所提方法修复之后的数据有效提高了EV负荷预测精度.