王潔

（貴州電子信息職業(yè)技術(shù)學院 貴州凱里 556000）

0 前言

建筑能耗節(jié)約一直是這幾年研究的重點，是目前改善大氣環(huán)境、實現(xiàn)國民經(jīng)濟可持續(xù)發(fā)展的重要途經(jīng)。對于建筑節(jié)能的本質(zhì)而言是提高建筑物的能源利用率。如果能做到能耗及時預測并根據(jù)預測數(shù)據(jù)規(guī)劃電網(wǎng)能源運行中心的使用，那么就能降低建筑能耗的使用。

國內(nèi)外不少學者都通過對建筑物電力負荷進行預測分析建模，提出了相關的模型和算法來保障電力負荷預測的精確度和預測系統(tǒng)的魯棒性[1]。其中常見的算法有SVR基于支持向量回歸的短時預測模型，和基于集合經(jīng)驗的模態(tài)分解及粒子群優(yōu)化等超短期預測方法[2]。另外還有小波函數(shù)協(xié)方差等卡爾曼濾波算法、線性回歸等傳統(tǒng)依靠人工經(jīng)驗的的算法模型。隨著IOT及智能電網(wǎng)的迅速發(fā)展，可以通過IOT設備對電網(wǎng)數(shù)據(jù)進行實時采集，從而實現(xiàn)基于IOT的深度學習自動抓取電網(wǎng)中數(shù)據(jù)特征的低維-高維的算法也應運而生如文獻[3]中，該算法主要是利用單個小的數(shù)據(jù)對建筑物用電模式、時間進行對比分析，抓取數(shù)據(jù)特征轉(zhuǎn)化為高維模型，進行預測。

本文根據(jù)上述的文獻當中的研究成果，根據(jù)實際建筑物用電負荷歷史數(shù)據(jù)進行預處理，使數(shù)據(jù)統(tǒng)一化、對異常值分析處理等為后期數(shù)據(jù)規(guī)范輸入提供保障。使用向量學習機對電力負荷數(shù)據(jù)的淺層特征進行數(shù)學建模，并根據(jù)短時記憶網(wǎng)絡提取學習模型，最終通過相關的線性回歸方程進行整合，并同傳統(tǒng)預測方法進行對比，獲得精確的預測模型。

1 傳統(tǒng)預測模型與深度學習預測模型理論分析

1.1 傳統(tǒng)預測模型理論分析

1.1.1 趨勢推測法

趨勢推測法主要是基于電力負荷相關的數(shù)學模型同時間變化的關系，來計算未來負荷的發(fā)展趨勢，該方法的計算一般是線性關系。

1.1.2 時間序列測定法

時間序列測定法指對電力負荷的歷史收集數(shù)據(jù)進行分析，通過專業(yè)人員的先驗經(jīng)驗找出電力負荷數(shù)據(jù)變化過程中的變化規(guī)律和基本特種，并對未來數(shù)據(jù)進行預判的方法。但存在系統(tǒng)魯棒性隨著時間推移變長而不穩(wěn)定的特點，同時對專業(yè)人員的經(jīng)驗和采集的歷史數(shù)據(jù)的精度有較高的要求。

1.1.3 回歸分析法

該方法來自于運籌學，建立相關線性分析模型；分析電力負荷樣本同相關環(huán)境參數(shù)之間的關系，實現(xiàn)負荷的預測。建立的模型一般是多元線性方程組進行分析。

1.2 深度學習預測模型理論分析

除了上文中提到的傳統(tǒng)預測方法以外，目前隨著人工智能發(fā)展，其理論研究持續(xù)深入；特別是人工神經(jīng)網(wǎng)絡、小波變換等這些由信號分析領域的預測方法也能夠應用于短時電力負荷的預測。

1.2.1 人工神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡是模仿人類大腦系統(tǒng)的算法，具有自主學習、推理、優(yōu)化等能力。目前，運用最廣泛的是RBF神經(jīng)網(wǎng)絡（基于徑向基函數(shù)）和BP神經(jīng)網(wǎng)絡（誤差反向傳播）。一般來說人工神經(jīng)網(wǎng)絡包含輸出層、隱層、輸入層，將準備采集數(shù)據(jù)→預處理數(shù)據(jù)→樣本訓練→輸出數(shù)據(jù)。

1.2.2 小波變換算法

小波變換是一種時域-頻域得變化算法，主要根據(jù)現(xiàn)場測定數(shù)據(jù)選取適合得小波函數(shù)，按照信號頻率自動調(diào)節(jié)，可以根據(jù)需求提取局部采樣信息；在信號分析、時頻分析等領域具有較強的適應性。

2 基于深度學習的短時用電負荷預測實驗設計

2.1 電力負荷預測現(xiàn)場模型描述

根據(jù)實際工況下某地電力負荷采集建筑物的用電負荷需求，其中有功功率主要是針對電力照明類設置，而無功功率主要為建筑物類設備的正常運轉(zhuǎn)所使用，如電力驅(qū)動的提水水泵、冷暖空調(diào)設備等。另外根據(jù)采集的數(shù)據(jù)分析，其中在用電負荷方面存在相關的異常情況，如某年某月某日的的氣溫異?；蛘咴O備停機檢修等，都需要在考慮進模型當中。從前期采集的數(shù)據(jù)來看電力負荷會出現(xiàn)周期性的漲跌，雖然上述的因素可以作為數(shù)據(jù)采集當中的特征描述，但是不能作為主要用電類型的相互依存關系關鍵判別。

2.2 電力負荷預測算法模型分析

根據(jù)電力負荷預測現(xiàn)場模型前述情況來看，眾多因素都同電力負荷預測存在關聯(lián)，同時存在高度非線性關系。因此前期數(shù)據(jù)預處理對相關特征的抽取極為重要。但目前深度學習的淺層神經(jīng)網(wǎng)絡不能對數(shù)據(jù)特征進行很好的提取，需要重新采用更加深層的神經(jīng)網(wǎng)絡，因此選用SAE為代表的神經(jīng)網(wǎng)絡更好的對數(shù)據(jù)特征提取，同時使用自編碼網(wǎng)絡同極限學習機相融合的方式提取電力負荷中時間序列數(shù)據(jù)，最后使用多元線性方程進行回歸分析，確定預測的準確性。

2.3 集成模型融合步驟

根據(jù)集成模型即AE自編碼器網(wǎng)絡及學習機方法對電力負荷時間序列進行數(shù)據(jù)特征提取、分析和預測。

其步驟為：

（1）通過貪婪分層訓練法對數(shù)據(jù)進行每一層的預訓練，獲得高階特征。為后續(xù)數(shù)據(jù)特征分析提供支撐。包含兩層及更多層的訓練模組。

（2）創(chuàng)建并訓練第一個隱含層 AE1，獲得初始特性給 g（1-n）n-1，然后將數(shù)據(jù)持續(xù)提供給下一個隱藏層AE2進行數(shù)據(jù)梳理，最終獲得第三層AE3的數(shù)據(jù)。

（3）根據(jù)AE3獲得的數(shù)據(jù)，進行查看編輯為新的訓練數(shù)據(jù)集，同時針對訓練數(shù)據(jù)集輸入到SVR中，構(gòu)造出對應的ELM，最終生成輸出數(shù)據(jù)。

2.4 融合算法模型優(yōu)化調(diào)整

根據(jù)實際情況經(jīng)過反復計算確定融合算法模型最優(yōu)結(jié)構(gòu)，其中隱含層神經(jīng)元個數(shù)為主要研究參考。在實驗中隱含層層數(shù)設置為2～5層，神經(jīng)元個數(shù)為：150～800。根據(jù)實際工況情況進行了14個測試，優(yōu)化神經(jīng)元個數(shù)并對建筑物已采集的數(shù)據(jù)進行整理歸類，獲得建筑物8年的電力負荷參數(shù)2009-2017年，實驗建筑物電力負荷數(shù)據(jù)集見表1。

表1 實驗建筑物電力負荷數(shù)據(jù)集

根據(jù)調(diào)試結(jié)果最終將融合模型中的神經(jīng)數(shù)量設置為97。其中訓練層進行源碼編程，平臺為Python。

之后根據(jù)預測數(shù)據(jù)，同傳統(tǒng)預測和淺層神經(jīng)網(wǎng)絡分析情況進行對照，準確性提高30%，達到預測要求，優(yōu)化完成。

2.5 實驗結(jié)果分析比對

通過融合模型同經(jīng)驗公式分析的對比之后，選取在建筑物進行5d內(nèi)短時用電負荷預測，根據(jù)實際工況僅做了5d的短時電力預測分析。根據(jù)實驗數(shù)據(jù)5d對比情況看與預測結(jié)果吻合。

3 總結(jié)與展望

本研究將深度學習神經(jīng)網(wǎng)絡進行重構(gòu)，提出一種新的融合算法，避免目前淺層神經(jīng)算法出現(xiàn)的數(shù)據(jù)特征提取不足的問題，同時使用線性回歸進行比較綜合分析預測結(jié)果的準確性。并將所研究的融合算法應用于實際的建筑物電力負荷預測中，進行詳細的實驗以驗證模型的優(yōu)越性，實驗結(jié)果顯示在短期電力負荷預測中，該融合算法的準確性較一般的神經(jīng)網(wǎng)絡學習要高，展示出該融合算法的優(yōu)越性。

但是該算法仍有許多不足，首先為對電力負荷同電網(wǎng)盈利性進行分析比較，并建立最佳經(jīng)濟性使用模型，其次采用的是線性分析未對非線性算法進行對照，這些問題將在今后的研究中持續(xù)進行，進一步完善融合算法模型適當引入非線性算法進一步提高當前算法模型的預測精度。