孫朝輝 徐蕊 馮靖

摘 要：針對配電變壓器負荷非線性動態(tài)特性導致的負荷預測困難、預測精度低等問題，基于長短期記憶循環(huán)神經(jīng)網(wǎng)絡（LSTM-RNN）建立了配電變壓器負荷預測模型。根據(jù)無錫地區(qū)某配變臺區(qū)自2017年以來的最大負荷、最小負荷、日最高溫度、日最低溫度、天氣情況等參數(shù)，通過LSTM-RNN構(gòu)建該配變臺區(qū)的短期負荷預測模型，用于預報該配變臺區(qū)未來幾天的最大負荷。試驗結(jié)果表明，預測結(jié)果誤差均在10%以內(nèi)，表明LSTM-RNN應用于配電變壓器負荷預測建模是可行的。

關(guān)鍵詞：LSTM-RNN;配電變壓器;負荷預測;神經(jīng)網(wǎng)絡

0 引言

隨著電力改革的不斷深入以及營商環(huán)境工作要求的不斷優(yōu)化，售電市場競爭日益激烈，了解用戶負荷情況，對變壓器負荷進行有效預測，進而采取有針對性的措施，提供更合理的供電服務，使得電力設(shè)備效益最大化，成為了電力行業(yè)的重點發(fā)展工作。但是，配電變壓器短期負荷可快速變動，極易受溫濕度驟然變化所影響，呈動態(tài)化及非線性的時間序列，要實現(xiàn)精準預測較為困難。在以往的研究中，針對配電變壓器負荷預測的研究較少，一方面是由于以往配變數(shù)據(jù)較少，缺乏有效的數(shù)據(jù)獲取方法，另一方面沒有有效的預測方法。在實際工作中，對配變負荷的預測主要是以歷史數(shù)據(jù)為基礎(chǔ)，通過總結(jié)負荷與時間之間的變化規(guī)律，并將該規(guī)律予以參數(shù)化、模型化，利用時間序列或趨勢外推等基于“慣性原理”的模型算法。近年來，人工神經(jīng)網(wǎng)絡、隨機森林、小波分析等能夠進行實時學習的智能算法的推廣應用，為配變負荷預測提供了新的思路。

深度的神經(jīng)網(wǎng)絡（DNN）是基于大數(shù)據(jù)而構(gòu)建的一種分析法，可對數(shù)據(jù)內(nèi)部復雜特征進行有效學習，確立可靠的非線性關(guān)系基礎(chǔ)模型。深度學習層面，包含理解自然語言、識別視頻及語音、識別圖像等。長短時間區(qū)間記憶循環(huán)類型神經(jīng)網(wǎng)（LSTM-RNN）屬于DNN其中一種類型，對比其余DNN，LSTM-RNN基礎(chǔ)模型因其能憑借對于時間序列相關(guān)數(shù)據(jù)內(nèi)部長距離對信息依賴能力的有效利用，可實現(xiàn)在預測基礎(chǔ)模型內(nèi)的廣泛運用。LSTM-RNN基礎(chǔ)模型，現(xiàn)已被用以構(gòu)建海水表面實際溫度變化預測的一個基礎(chǔ)模型，此模型輸入若干海水溫度影響因素數(shù)據(jù)信息，便可對前段時間內(nèi)溫度數(shù)據(jù)及實時海水溫度的關(guān)系實現(xiàn)有效擬合，可較為準確地預報海水溫度情況。其在海水溫度預報中的有效應用給本研究提供了可能。

1 資料與方法

1.1? ? 數(shù)據(jù)來源

本研究使用數(shù)據(jù)來自無錫供電公司用電信息采集系統(tǒng)，為10 kV會西唐配變2017年10月13日—2019年11月11日的數(shù)據(jù)，溫度、天氣、風力、污染情況數(shù)據(jù)來自無錫氣象局網(wǎng)站數(shù)據(jù)。借助LSTM-RNN，構(gòu)建配變負荷及其余物理參數(shù)的關(guān)系研究基礎(chǔ)模型，以現(xiàn)階段所研究的配變物理各項參數(shù)為基礎(chǔ)模型輸入，預報未來數(shù)日的日最大負荷情況。

該配變?nèi)兆畲筘摵汕€如圖1所示。

電力負荷是多物理要素相互作用的結(jié)果。從圖1可以看出，該配變的負荷具有明顯的周期性特點，且負荷波動變化幅度較大。從實際影響運行的因素來看，溫度對負荷具有重要影響作用，特別對于配變臺區(qū)負荷，當溫度過高或過低時，用于制冷或取暖的負荷將急速攀升。同時，負荷的“記憶性”對負荷的影響也非常重要，即前一日甚至前幾日的負荷都會影響到當日的最大負荷。另外，由于空氣污染、節(jié)假日等因素影響，負荷也有不同程度的變化。

1.2? ? 原理闡述

RNN屬于現(xiàn)階段應用較為廣泛的一種人工神經(jīng)化網(wǎng)絡基礎(chǔ)模型，可實現(xiàn)對序列數(shù)據(jù)的有效處理。RNN架構(gòu)包括：輸入/出、隱藏三個部分，依照時間序列可展開如圖2所示的結(jié)構(gòu)。區(qū)別于傳統(tǒng)類型神經(jīng)網(wǎng)絡，該RNN記憶性強，隱藏內(nèi)含環(huán)路，可向后傳遞相關(guān)歷史信息，緊密連接這一時刻及歷史信息，憑借這一基本特性，該RNN可實現(xiàn)任意時刻所組成輸入序列的有效處理。RNN內(nèi)部神經(jīng)元可經(jīng)神經(jīng)元相互間權(quán)值U實現(xiàn)有效連接，環(huán)路就此形成，訓練特定長度序列的數(shù)據(jù)，實現(xiàn)預測輸出操作。區(qū)別于傳統(tǒng)類型神經(jīng)網(wǎng)絡，該RNN內(nèi)部各層均有V、U、W這幾個共享參數(shù)，促使網(wǎng)絡內(nèi)部所需學習參數(shù)顯著減少，僅是其每步輸入存在差異性。新數(shù)據(jù)輸入期間，會與源自t-1時刻數(shù)據(jù)信息一同經(jīng)計算分析后，形成當前這一時刻的網(wǎng)絡輸出，依據(jù)這一操作過程，可處理所有數(shù)據(jù)樣本。

RNN數(shù)學描述如式（1）、式（2）所示：

ht=φ（Wxt-1+Uht-1）（1）

yt=softmax（Vht）（2）

式中，V、U、W均表示權(quán)值的參數(shù);ht表示隱藏層內(nèi)第t步的實際狀態(tài)情況，屬于該網(wǎng)絡記憶的一個單元;yt表示第t步實際輸出;φ表示非線性激活函數(shù)，通常為tanh函數(shù)。

但受時間步迭代影響，歷史輸入值會影響到隱含層，促使它被削弱，最終消失。故而RNN實際運用存在一定難度。

Hochreiter等人于1997年首次提出LSTM-RNN，促使RNN迎來改進新浪潮。傳統(tǒng)RNN內(nèi)部隱藏層僅為一種h狀態(tài)，針對短期輸入敏感度高的情況，LSTM內(nèi)增c結(jié)構(gòu)，維持長期存儲狀態(tài)，屬于單元化狀態(tài)。同步增設(shè)3個門，實現(xiàn)c長期狀態(tài)控制，t時刻條件下LSTM內(nèi)部隱藏層主要結(jié)構(gòu)如圖3所示，均帶σ運算的tanh函數(shù)，其箭頭代表1個門。其中一個是ft遺忘門，對上個時刻ct-1單元狀態(tài)能夠被存儲至ct當前時刻的數(shù)量起到?jīng)Q定作用;it輸入門2，可對當前該時刻網(wǎng)絡實際輸入ht-1、xt可被存儲至ct單元狀態(tài)數(shù)量起決定性作用;ot輸入門3，可對ct單元狀態(tài)能夠有多少被傳輸至當前的LSTM內(nèi)部ht隱藏層起到有效控制作用。

對比BP式神經(jīng)網(wǎng)絡、普通模式RNN，該LSTM-RNN內(nèi)部增設(shè)c狀態(tài)單元1個、控制門3個，提升了模型特征能力及其記憶能力，可有效規(guī)避梯度消失、欠擬合等情況出現(xiàn)。該LSTM-RNN功能的發(fā)揮，主要是可發(fā)現(xiàn)數(shù)據(jù)信息內(nèi)所存在相關(guān)性以及在這一關(guān)系及其時間推移條件下的關(guān)系變化情況，以便于獲取精準度較高的結(jié)果數(shù)據(jù)。對于配電變壓器負荷這種具有周期性特點的數(shù)據(jù)預測具有更好的效果。

1.3? ? 預處理數(shù)據(jù)

配電變壓器的負荷歷史數(shù)據(jù)信息因系統(tǒng)存在不穩(wěn)定因素，需對部分已壞的數(shù)據(jù)實施預處理，包含壞數(shù)據(jù)的突變及數(shù)據(jù)的缺失。

數(shù)據(jù)缺失方面，采用均值填充方法進行增補;

針對突變數(shù)據(jù)信息，如果兩點之間負荷參數(shù)值可充分滿足式（3）其中一個，便證明有突變情況存在。

l（i）>（1+α1）×l（i-1）l（i）<（1+α2）×l（i-1）? ? ? ?i=2，3，…，764? （3）

式中，α1表示負荷的峰值閥值;α2表示負荷的谷值閥值。按照類型不同，負荷應當予以分別取值。針對其首端負荷應當借助右側(cè)級的數(shù)據(jù)實現(xiàn)有效修正處理，末端部分則需借助左側(cè)的數(shù)據(jù)實現(xiàn)有效修正處理，中間段部分需要取它前后負荷的加權(quán)平均參數(shù)值。

模型輸入數(shù)據(jù)如表1所示，Imax、Imin為配變負荷數(shù)據(jù)，Tmax、Tmin為日最高、最低溫度，Air、Wind、Weather為天氣情況，Workday、Holiday為工作日及節(jié)假日情況。為能消除數(shù)值大小對其產(chǎn)生不良影響，需要借助公式：

y=（4）

標準化的處理法把所有數(shù)據(jù)有效歸一化至（0，1）的范圍內(nèi)。

2 模型構(gòu)建及結(jié)果分析

2.1? ? 實驗數(shù)據(jù)和神經(jīng)網(wǎng)絡結(jié)構(gòu)

本研究使用Matlab構(gòu)建LSTM-RNN為基礎(chǔ)網(wǎng)絡模型負荷的預測模型，其結(jié)構(gòu)如圖4所示，內(nèi)含21單元、1個LSTM層和1個兩單元的Dense層。

實驗數(shù)據(jù)信息及其神經(jīng)網(wǎng)絡基礎(chǔ)模型的關(guān)鍵參數(shù)如表2所示。

神經(jīng)網(wǎng)絡基礎(chǔ)模型內(nèi)部，隱藏層的單元個數(shù)屬于關(guān)鍵參數(shù)，與模型輸入的單元個數(shù)存在關(guān)聯(lián)性，此次研究擇選輸入的單元即為（2n-1）=41，當成隱藏層的實際單元個數(shù)。

2.2? ? 實驗操作及其結(jié)果分析

訓練集主要被應用到訓練模型中，而驗證集則應用到模型評估中，以數(shù)據(jù)集內(nèi)部前610個數(shù)據(jù)為訓練集，后152個數(shù)據(jù)作為驗證集，在實驗過程中，模型的訓練集損失如圖5所示。

從訓練過程圖中可知，模型的訓練集均方誤差（RMSE）在前20次循環(huán)時快速下降，之后緩慢下降，可以說明模型已經(jīng)很好地擬合了數(shù)據(jù)，沒有出現(xiàn)欠擬合情況。得益于Adam算法，模型最終收斂到一個很小的值。實驗負荷預測曲線如圖6所示。

黑色曲線為實際負荷曲線，灰色曲線為預測曲線，預測曲線較好地反映了負荷曲線的變化規(guī)律。使用平均絕對誤差（MAE）、均方根誤差（RMSE）作為評價指標。從實驗結(jié)果（表3）看，MAE為13.22，百分比誤差為7.73%;RMSE為15.37，百分比誤差為8.99%，說明LSTM-RNN模型對配電變壓器的負荷預測效果較好。

3 結(jié)語

本研究將LSTM-RNN應用于配電變壓器負荷預測模型，使用前七日的配變最大/最小負荷、日最高/最低氣溫、天氣、空氣污染、風力、工作日、節(jié)假日等數(shù)據(jù)信息，借助LSTM-RNN，可確立配電變壓器具體負荷時間的序列變化基礎(chǔ)模型，實現(xiàn)對配電變壓器實際負荷預測，取得了較好的效果，證明使用LSTM-RNN建立配變負荷預測模型是可行的。

深度學習層面的科學技術(shù)快速發(fā)展，其在電網(wǎng)業(yè)務方面的應用前景較為樂觀。本研究是深度學習科學技術(shù)在配變負荷預測研究方面的一次有效運用，達到了90%的預測準確率，對于運行單位合理安排檢修計劃，營銷部門合理制定服務政策，規(guī)劃部門合理配置設(shè)備容量，具有十分重要的指導作用。但是由于影響負荷變化的因素有很多，模型所得結(jié)果與實際情況仍有一定差距，這也是預測模型今后需要繼續(xù)改進的方向。

[參考文獻]

[1] HOCHREITER S，SCHMIDHUBER J.Long short-term memory[J].Neural Computation，1997，9（8）：1735-1780.

[2] 李琛，郭文利，吳進，等.基于BP神經(jīng)網(wǎng)絡的北京夏季日最大電力負荷預測方法[J].氣候與環(huán)境研究，2019，1（24）：135-142.

[3] 朱貴重，胡松.基于LSTM-RNN的海水表面溫度模型研究[J].應用海洋學學報，2019，38（2）：191-197.

[4] 范竣翔，李琦，朱亞杰，等.基于RNN的空氣污染時空預報模型研究[J].測繪科學，2017，42（7）：76-83.

[5] 劉云，張杭，張愛民.需求側(cè)響應下基于負荷特性的改進短期負荷預測方法[J].電力系統(tǒng)保護與控制，2018，46（13）：126-133.

[6] 張志，杜延菱，崔慧軍，等.考慮關(guān)聯(lián)因素的智能化中長期電力負荷預測方法[J].電力系統(tǒng)保護與控制，2019，47（2）：24-30.

[7] 于惠鳴，張智晟，龔文杰，等.基于深度遞歸神經(jīng)網(wǎng)絡的電力系統(tǒng)短期負荷預測模型[J].電力系統(tǒng)及其自動化學報，2019，31（1）：112-116.

[8] 王海燕，鄧烽.基于臺區(qū)負荷平衡和優(yōu)化的電動汽車有序充電策略研究[J].電氣應用，2019，38（1）：66-70.

[9] 李香龍，張寶群，張宇，等.基于EEMD-BP神經(jīng)網(wǎng)絡的含電采暖的配電變壓器短期負荷預測[J].電測與儀表，2018，55（10）：101-107.

[10] 金士琛.基于模糊深度神經(jīng)網(wǎng)絡的電力系統(tǒng)短期負荷預測模型研究[D].青島：青島大學，2018.

[11] 沈沉，秦建，盛萬興，等.基于小波聚類的配變短期負荷預測方法研究[J].電網(wǎng)技術(shù)，2016，40（2）：521-526.

[12] 潘海燕.配電變壓器經(jīng)濟運行技術(shù)研究[D].濟南：山東理工大學，2013.

收稿日期：2019-12-20

作者簡介：孫朝輝（1985—），男，山東萊州人，工程師，研究方向：配電網(wǎng)調(diào)控運行。