基于Shaping-DDPG模型的变压器负荷预测技术研究

为了协调电力系统供需平衡,降低运维风险和成本,引入Shaping技术改进了深度确定性策略梯度(DDPG)算法,得到Shaping-DDPG预测模型。加入经验回放技术和目标网络技术以消除数据间的关联性;设计变压器网络评估函数来评价变压器网络的优劣状态;通过数据处理模块和卷积模块提取原始数据特征,提高变压器系统的感知能力和学习效率。研究表明:与其他算法预测效果相比,Shaping-DDPG模型的RMSE误差平均值(93 MW)最低,比DDPG模型、RNN模型和SVM模型分别降低了42 MW、93 MW和145 MW。相较于非线性变压器负荷系统,Shaping-DDPG模型具有强大的反馈记忆功能,能准确获取负荷序列潜在的变化趋势,在变压器负荷曲线呈现波动时依然能够保证良好的预测能力。该研究为降低电网公司资源浪费和运维成本、协调电网公司与变压器系统之间的供需平衡提供了思路,提高了运作效益。