潘迪涵

摘要：隨著電力系統(tǒng)的發(fā)展，對(duì)電力系統(tǒng)負(fù)荷預(yù)測提出了更高的要求。針對(duì)傳統(tǒng)負(fù)荷預(yù)測方法在非線性擬合方面的不足，本文引入了時(shí)下流行的開源機(jī)器學(xué)習(xí)平臺(tái)TensorFlow對(duì)長短時(shí)記憶網(wǎng)絡(luò)（Long Short Term Memory Networks， LSTM）進(jìn)行建模，分析了不同網(wǎng)絡(luò)結(jié)構(gòu)對(duì)實(shí)驗(yàn)結(jié)果的影響。結(jié)果表明，LSTM網(wǎng)絡(luò)對(duì)非線性問題有著較強(qiáng)的擬合能力，在負(fù)荷預(yù)測方面有著較高的準(zhǔn)確度。

關(guān)鍵詞：TensorFlow;LSTM;短期負(fù)荷預(yù)測;機(jī)器學(xué)習(xí)

中圖分類號(hào)：TM743 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2019）09-0098-03

0 引言

電力系統(tǒng)負(fù)荷預(yù)測理論起始于上個(gè)世紀(jì)80年代，經(jīng)過近40年的發(fā)展，電力系統(tǒng)負(fù)荷預(yù)測已經(jīng)成為電力系統(tǒng)規(guī)劃的重要組成部分。隨著電網(wǎng)規(guī)模不斷擴(kuò)大，設(shè)備不斷增多，信息化程度不斷提高，智能電網(wǎng)調(diào)度系統(tǒng)對(duì)負(fù)荷的采集頻率和數(shù)據(jù)準(zhǔn)確性的要求也不斷提升，為負(fù)荷特性分析和負(fù)荷預(yù)測提供了高質(zhì)量、海量化的數(shù)據(jù)集，為負(fù)荷預(yù)測提供了數(shù)據(jù)基礎(chǔ)。常見的負(fù)荷預(yù)測方法有：趨勢外推法，回歸分析法，時(shí)間序列法，人工神經(jīng)網(wǎng)絡(luò)法等[1]。

多層神經(jīng)網(wǎng)絡(luò)由于具有良好的非線性映射能力，結(jié)合神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自適應(yīng)的能力，可以很好地處理負(fù)荷預(yù)測中的非線性問題。其中LSTM網(wǎng)絡(luò)又稱為長短時(shí)記憶網(wǎng)絡(luò)，是循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）的一種改進(jìn)型，正如其名字一樣，不僅能對(duì)短期的數(shù)據(jù)進(jìn)行記憶和預(yù)測，也可以對(duì)距離較遠(yuǎn)的內(nèi)容進(jìn)行存儲(chǔ)和記憶?？梢暂^好的識(shí)別時(shí)間序列數(shù)據(jù)中的相關(guān)性特征。

文獻(xiàn)[2]中作者利用LSTM網(wǎng)絡(luò)的優(yōu)點(diǎn)提出了區(qū)域級(jí)負(fù)荷的深度長短時(shí)記憶網(wǎng)絡(luò)預(yù)測方法。文獻(xiàn)[3]中作者則結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）與LSTM網(wǎng)絡(luò)的優(yōu)勢，提出了基于卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)的混合模型。文獻(xiàn)[4]中作者將短期負(fù)荷預(yù)測與新能源結(jié)合起來，提出了一個(gè)基于能源互聯(lián)網(wǎng)的非線性模型，文獻(xiàn)[5]中提出使用人工神經(jīng)網(wǎng)絡(luò)對(duì)配電網(wǎng)負(fù)荷進(jìn)行預(yù)測。

TensorFlow是一個(gè)采用數(shù)據(jù)流圖進(jìn)行數(shù)值計(jì)算的開源軟件庫。由Google公司開發(fā)和維護(hù)，用于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方面的研究。它靈活的架構(gòu)適用于在多種平臺(tái)上運(yùn)行[5]。

本文主要在TensorFlow平臺(tái)下對(duì)LSTM網(wǎng)絡(luò)進(jìn)行建模，并且對(duì)不同結(jié)構(gòu)的LSTM網(wǎng)絡(luò)模型的預(yù)測效果進(jìn)行對(duì)比分析。

1 LSTM網(wǎng)絡(luò)預(yù)測流程

1.1 數(shù)據(jù)預(yù)處理

將數(shù)據(jù)輸入至神經(jīng)網(wǎng)絡(luò)之前需要進(jìn)行數(shù)據(jù)預(yù)處理，主要包括兩方面：

（1）異常數(shù)據(jù)處理：負(fù)荷數(shù)據(jù)在采集，傳輸，儲(chǔ)存時(shí)均可能由于種種因素產(chǎn)生異常，為了提高預(yù)測的準(zhǔn)確性，需要篩選并修正樣本中的異常數(shù)據(jù)，并補(bǔ)足意外缺失的數(shù)據(jù)[6]。

（2）劃分訓(xùn)練集和測試集：在機(jī)器學(xué)習(xí)中，通常將全部樣本分為3個(gè)互不重合的部分：訓(xùn)練集，驗(yàn)證集和測試集。其中訓(xùn)練集用來訓(xùn)練模型，驗(yàn)證集用來最終確定網(wǎng)絡(luò)結(jié)構(gòu)以及變量的參數(shù)是否符合要求，測試集用來檢驗(yàn)最終確定模型的預(yù)測效果。由于本文負(fù)荷預(yù)測中數(shù)據(jù)量較少，因此僅將樣本劃分為訓(xùn)練集和測試集兩個(gè)部分。

1.2 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

LSTM網(wǎng)絡(luò)的基本單元中包含遺忘門、輸入門和輸出門三個(gè)部分，LSTM網(wǎng)絡(luò)單元如圖1所示。遺忘門中輸入Xt與狀態(tài)記憶單元St-1、中間輸出ht-1共同決定狀態(tài)記憶單元遺忘部分。輸入門中的Xt分別經(jīng)過Sigmoid和tanh函數(shù)變化后共同決定狀態(tài)記憶單元中保留向量。中間輸出ht由更新后的St與輸出Ot共同決定，計(jì)算公式如式（1）—式（8）所示[3]。

1.3 LSTM網(wǎng)絡(luò)預(yù)測流程圖

LSTM網(wǎng)絡(luò)預(yù)測流程圖如圖2所示。

1.4 評(píng)價(jià)指標(biāo)

為了評(píng)估預(yù)測的準(zhǔn)確程度，選用均方根誤差（Root Mean Squared Error，RMSE）、平均誤差（Mean Absolute Percentage Error， MAPE）作為評(píng)價(jià)預(yù)測效果的依據(jù)[2]。

其中f（x（i））表示預(yù)測值，y（i）表示真實(shí)值。

2 結(jié)果與分析

LSTM網(wǎng)絡(luò)以Python語言編寫，基于TensorFlow1.13.1，硬件配置為Intel i7-6700HQ，16GB內(nèi)存。

本文使用數(shù)據(jù)為澳大利亞某地2008年至2010年，30分鐘一次采樣的負(fù)荷、濕度、溫度數(shù)據(jù)以及當(dāng)前時(shí)刻的電價(jià)信息。經(jīng)篩選處理為4200個(gè)數(shù)據(jù)點(diǎn)，其中訓(xùn)練集為占比為前80%，測試集占比為后20%，經(jīng)標(biāo)準(zhǔn)化處理后輸入LSTM網(wǎng)絡(luò)。網(wǎng)絡(luò)超參數(shù)的設(shè)定如表1所示。實(shí)驗(yàn)結(jié)果如表2所示。

由2表可見增加隱藏層數(shù)和增加每層節(jié)點(diǎn)個(gè)數(shù)均可降低訓(xùn)練損失，但是訓(xùn)練損失降低并不代表預(yù)測能力更強(qiáng)，由表2可見該數(shù)據(jù)集對(duì)應(yīng)LSTM網(wǎng)絡(luò)的最佳結(jié)構(gòu)在3隱藏層，排列為20-10-10附近。復(fù)雜模型的預(yù)測能力有可能比簡單模型更弱，難以收斂，也就是機(jī)器學(xué)習(xí)中常見的過擬合問題，實(shí)踐中可以通過添加正則化函數(shù)對(duì)過擬合現(xiàn)象進(jìn)行抑制。

3 結(jié)語

本文主要使用TensorFlow工具搭建LSTM網(wǎng)絡(luò)對(duì)電力系統(tǒng)短期負(fù)荷進(jìn)行預(yù)測，結(jié)果表明LSTM網(wǎng)絡(luò)對(duì)負(fù)荷預(yù)測有著較高的預(yù)測精度，達(dá)到了預(yù)期的效果。隨著智能電網(wǎng)的發(fā)展，機(jī)器學(xué)習(xí)在海量數(shù)據(jù)分析上的優(yōu)勢逐漸凸顯，未來將得到更大的發(fā)展和應(yīng)用。

參考文獻(xiàn)

[1] 林麒麟.基于神經(jīng)網(wǎng)絡(luò)智能算法的電力系統(tǒng)短期負(fù)荷預(yù)測研究[D].蘭州理工大學(xué)，2017.

[2] 張宇帆，艾芊.基于深度長短時(shí)記憶網(wǎng)絡(luò)的區(qū)域級(jí)超短期負(fù)荷預(yù)測方法[J].電網(wǎng)技術(shù)，2019，35（19）：20-22.

[3] 陸繼翔，張琪培.基于CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型的短期負(fù)荷預(yù)測方法[J].電力系統(tǒng)自動(dòng)化，2019，43（08）：131-137.

[4] Judith Foster，Xueqin Liu，Seán McLoone. Load forecasting techniques for power systems with high levels of unmetered renewable generation： A comparative study[J].IFAC PapersOnLine，2018，51（10）：89-92.

[5] 李松嶺.基于TensorFlow的LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測[J].上海節(jié)能，2018，38（12）：74-77.

[6] 馬安安.基于PMU量測的電力系統(tǒng)動(dòng)態(tài)狀態(tài)估計(jì)研究[D].浙江大學(xué)，2018.

Abstract：With the development of power systems， higher requirements are imposed on power system load forecasting. Introduced the popular open source machine learning platform TensorFlow to model Long Short Term Memory Networks （LSTM） and analyzed the impact of different network structures on experimental results. The results show that the LSTM network has a strong ability to fit nonlinear problems and has a high prediction accuracy in load forecasting.

Key words：TensorFlow;LSTM;Short-term load forecasting;Machine learning