本文的研究工作主要包括以下三个方面：(1) 针对用户短期负荷预测的低延迟、低能耗需求，本文建立了基于深度学习的负荷预测架构。该架构分别从数据传输层、数据处理层和任务控制层来详细阐述。此外，在此架构中提出了基于 QoS 感知的 DRL 任务调度策略。该策略一方面根据任务计算量的大小，将预测任务分配去云端或边缘执行。该算法分两部：在线的基于 RL 的任务调度以及线下的基于深度学习的 Q-值训练。仿真结果表明，该策略实现了负荷预测系统的任务负载均衡，提高了短期负荷预测效率。(2) 针对用户短期负荷预测模型的参数维度过高的问题，提出了基于 DL 的日时分步负荷预测方法。该方法先使用高维度特征进行用户的日总负荷预测，再根据日总负荷以及选取的低维度特征进行每时的负荷预测。在该方法中，为用户的日总负荷和每时的负荷分别建立深度神经网络模型。仿真结果表明，该方法能够简化负荷预测模型的同时提高负荷预测精度。
......
第一章 绪论
目前在短期负荷预测领域已经进行了许多的研究工作。Cao 等人用自回归移动平均模型(ARIMA)和日期相似的方法进行日内负荷预测[29]。他们基于日期类似方法的机制是将目标日与历史数据集中气象相似的日子进行分组，然后根据当日的平均需求进行负荷预测。实际上在普通的日子里，ARIMA 的表现较为优异，而在特殊的日期，基于日子分类的算法会更优。基于径向基(RBF)的神经网络模型同样可以用于短期负荷预测。Yun 等人结合 RBF 神经网络和自适应神经模糊推理系统(ANFIS)考虑了电价的影响下的负荷预测[30]。文献[31]通过结合反向传播(BP)和 RBF 神经网络的电网方法解决了短期负荷预测。电网的方法与基于类似日的方法类似，但不是根据测量出的气象数据对天进行分组。而是根据负荷所处的位置，性质和大小来对负荷进行分组。对于每个组，他们训练了 BP 和 RBF 相结合的神经网络来预测当日的负荷需求。Pang 等人也提出了基于神经网络的超短期负荷预测方法。在该模型中，仅将当前和往前时间步的负荷值作为输入来预测下一个时刻的负荷[32]。Zhang 等人使用极端学习机(ELM)的集合来训练并预测澳大利亚国家能源市场的总负荷[33]。该方法不仅使用最好 ELM 进行高效的自适应学习，而且还使用集合的方式来减少预测的不稳定性。最近，K-最近邻算也被成功地用与负荷预测，该算法的优势在于提高了负荷预测的效率。
......
第二章 基于深度学习的负荷预测框架
2.1引言
因此，本章在智能电网负荷预测架构中引入了边缘计算架构，来解决现有的电力负荷环境中存在的高能耗和网络拥塞问题。该架构包含数据传输层、数据处理层以及任务控制层。简言之，数据传输层主要是将部署在智能电网边缘的各种各样的传感器和智能电表设备所搜集来的数据汇聚并传输到子站层或者是更高的主站层。数据处理层主要是在边缘设备中或者是在 CDC 执行负荷预测任务。任务控制层在 CDC 部署相应的智能决策算法，根据当前的网络状态对负荷预测任务进行调度。基于此架构，本章提出了基于 QoS 感知的深度强化学习任务调度策略，综合考虑了当前的负荷预测网络的延迟和能耗参数，最终实现负荷预测任务的负载均衡。
2.2架构设计
本节对智能电网感知架构中进行短期负荷预测的网络模型进行详细阐述。具体的网络模型框架如图 2.1 所示。负荷预测模型分为电力基础设施层、智能电表与智能配电子站层云数据中心层三层。在电力基础设施层主要涉及近用户侧的感知数据及负荷数据的收集传输。这些感知设备往往通过低功耗局域网方式进行组网，通过 NB-IoT 等低功耗传输技术将数据汇集到智能电表上。智能电表与智能子站构成了智能电网的边缘网络。在该网络中除了汇集集中处理感知数据之外，也承担了部分负荷预测任务。由于存在大量的计算任务，本章采用DRL 控制器来对计算任务进行调度，从而提高计算的效率。
......
第三章 基于深度学习的日时分步负荷预测 .. 22
3.1引言..................................................... 22
3.2算法设计............................................. 23
第四章 基于深度学习的用户聚类负荷预测 .. 33
4.1引言..................................................... 33
4.2算法阐述............................................. 33
4.3实验验证............................................. 39
第五章 总结与展望.......................................... 45
5.1总结..................................................... 45
5.2展望..................................................... 45
......
第四章 基于深度学习的用户聚类负荷预测
4.1引言
为了进一步提高短期家庭电力负荷预测方法，许多学者提出了组合预测模型。一种做法是根据不同的用户负荷曲线进行聚类。然而，无论是在一周的不同日期还是在一周的给定日期，家庭的每日24小时负荷曲线中表现出很大的变化。负荷曲线是家庭能源消耗的24小时记录。虽然消费者行为表明设备使用模式，但设备使用的确切时间可能，从而导致不同形状的负载曲线。为了按行为对家庭进行适当分类，分类方案必须及时考虑这些变化，并关注设备使用的基本结构。这种结构可以被认为是家庭能源使用的基础。动态时间规整[101](Dynamic Time Warping , DTW)比较家庭负荷曲线并对其进行分类。在此度量下，时间轴被拉伸或收缩以找到两个负载曲线之间的最佳匹配，并找到规范“形状”以表示一组负载曲线。两个分类为相似的载荷曲线在每个时间点不一定具有相似的值，但在 DTW 测量下具有相似的形状。基于此，本章提出了基于 DTW-LSTM 的短期负荷预测方法。该方法将所有具有相似用电行为的用户聚为一类，通过对同类用户池化的方法解决了过拟合问题。仿真结果表明，该方法能够在减少任务量的同时，提高了负荷预测精度。
4.2算法阐述
本算法的基本思路是在根据用户的 DTW 距离进行分类之后，对每个大类的用户数据进行匿名池化操作，即将同一类型的负荷数据整合为一个大的数据集。然后再根据这个大的数据集进行模型训练。这样做有两大优势：一、单独的一个用户的历史数据规模太小，无法体现深度学习的学习能力，池化之后可以防止模型出现过拟合。二、对每个用户分别进行模型预训练会产生巨大的任务流，现有的计算架构无法满足如此庞大的任务数量。通过先进行聚类可以大大减少需要训练的模型数量，因而在用户规模庞大的国内电力系统中，此算法都会有出色的效率，其步骤如图 4.1 所示。
............
参考文献
[1] Gu L, Zeng D Z, Li P, and Guo S. Cost Minimization for Big Data Processing in Geo-distributed DataCenters[J]. IEEE Transactions on Emerging Topics in Computing, 2014, 2(3):314-323.
[2] Wang K,Zhou Q H,Guo S, and Luo J. Cluster Frameworks for Efficient Scheduling and Resource Allocationin Data Center Networks: A Survey[J]. IEEE Communications Surveys and Tutorials, 2018,20(4):3560-3580.
[3] Xu C H , Wang K, Sun Y F, et al. Redundancy Avoidance for Big Data in Data Centers: A Conventional NeuralNetwork Approach[J]. IEEE Transactions on Network Science and Engineering, 2018:1-1.
[4] Brewka L, Skoldström P, Nelis J, Wessing H, and Develder C. Automatic Provisioning of End-to-End QoSinto the Home[J]. IEEE Transactions on Consumer Electronics,11, 57(4):1670–1678.
[5] Zhu M, Li D, Wang F, et al. CCDN: Content-Centric Data Center Networks[J]. IEEE/ACM Transactions onNetworking, 2016, 24(6):3537-3550.
[6] 李啸骢, 李春涛, 从兰美, 等. 基于动态权值相似日选取算法的短期负荷预测[J]. 电力系统保护与控制, 2017, 45(6):1-8.
[7] 苏学能, 刘天琪, 曹鸿谦, 等. 基于Hadoop架构的多重分布式BP神经网络的短期负荷预测方法[J]. 中国电机工程学报, 2017, 37(17):4966-4973.
[8] Xu Z , Wang Y , Tang J , et al. A deep reinforcement learning based framework www.zhonghualw.com For power-efficient resourceallocation in cloud RANs[C]. IEEE International Conference on Communications, 2017:6201-6207.
[9] Li L , Ota K , Dong M . When Weather Matters: IoT-Based Electrical Load Forecasting for Smart Grid[J].IEEE Communications Magazine, 2017, 55(10):46-51.
[10]Teeraratkul T , O Neill D , Lall S . Shape-Based Approach to Household Electric Load Curve Clustering and Prediction[J]. IEEE Transactions on Smart Grid, 2017,9(5):5196-5206.
...........
...........
