孫昀昀，王連成

（山東大學(xué)，山東 濟南 250061）

0 引言

準(zhǔn)確的母線負(fù)荷預(yù)測是制定電網(wǎng)合理運行方式和電力調(diào)度的數(shù)據(jù)基礎(chǔ)。母線負(fù)荷相對于系統(tǒng)負(fù)荷，量大面廣且易受多重因素影響，通常是供給有限范圍區(qū)域負(fù)荷的總和。母線負(fù)荷變化特點是速度快、趨勢不明顯，使母線負(fù)荷穩(wěn)定性通常較弱。當(dāng)光伏電源并網(wǎng)和鋼鐵沖擊性負(fù)荷容量達(dá)到一定規(guī)模時，其功率波動會破壞接入電網(wǎng)原有負(fù)荷特性曲線的固有形態(tài)，給統(tǒng)調(diào)負(fù)荷預(yù)測工作帶來困難，增加電力電量平衡的難度。

迄今為止已提出了多種各具特點的母線負(fù)荷預(yù)測方法，文獻(xiàn)［1］分析了母線負(fù)荷與氣象因素的關(guān)聯(lián)性，找出了影響其負(fù)荷特性的氣象因素，構(gòu)建出基于關(guān)聯(lián)性分析的母線負(fù)荷分類預(yù)測模型。文獻(xiàn)［2］小波分解算法，將母線負(fù)荷序列分解，分別分析各序列規(guī)律特征的不同，構(gòu)造出不同的支持向量機模型負(fù)荷預(yù)測，重構(gòu)后獲得預(yù)測值。母線負(fù)荷屬于短期負(fù)荷預(yù)測，傳統(tǒng)方法如時間序列法、回歸分析法已經(jīng)被廣泛應(yīng)用，但預(yù)測精度逐漸不再滿足現(xiàn)代需求。隨著人工智能和智能電網(wǎng)的發(fā)展，以深度學(xué)習(xí)為代表的人工智能方法在電力系統(tǒng)負(fù)荷預(yù)測領(lǐng)域取得了不錯的效果。深度學(xué)習(xí)模型通過多層非線性映射逐層學(xué)習(xí)海量負(fù)荷序列中蘊含的抽象特征。文獻(xiàn)［3］采用模糊C-聚類算法將不同行業(yè)劃分為不同的預(yù)測類型；分別建立基于深度信念網(wǎng)絡(luò)的負(fù)荷預(yù)測模型，負(fù)荷預(yù)測精度有所提升，但沒有充分利用負(fù)荷數(shù)據(jù)的時序特性。文獻(xiàn)［4］采用MATLAB中的BP神經(jīng)網(wǎng)絡(luò)建立以時間序列為模型的方法應(yīng)對鋼鐵廠用電復(fù)雜多變的特性，但作者指出由于BP網(wǎng)絡(luò)基于自身特點，采用非線性函數(shù)的梯度優(yōu)化算法，存在收斂速度慢、容易陷入局部最優(yōu)的缺點，有一定的局限性。

為了解決傳統(tǒng)方法中存在的問題，以含有大型鋼廠沖擊性負(fù)荷的地區(qū)母線負(fù)荷數(shù)據(jù)為基礎(chǔ)，利用深度學(xué)習(xí)長短期記憶 （Long Short-term Memory,LSTM）算法的優(yōu)勢充分挖掘與整合多維影響因素，根據(jù)母線負(fù)荷中所包含的光伏發(fā)電、鋼鐵負(fù)荷所占比例的大小，將母線分為三類進(jìn)行預(yù)測，提出鋼鐵工業(yè)地區(qū)的短期母線負(fù)荷預(yù)測模型。

1 基于深度學(xué)習(xí)的負(fù)荷預(yù)測方法

1.1 深度學(xué)習(xí)網(wǎng)絡(luò)模型

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）是一類具有短期記憶能力的神經(jīng)網(wǎng)絡(luò)，適合用于處理視頻、語音、文本等與時序相關(guān)的問題［5-6］。循環(huán)神經(jīng)網(wǎng)絡(luò)中神經(jīng)單元不僅可以接受其他神經(jīng)單元傳輸?shù)男畔ⅲ€可以處理本神經(jīng)單元的信息形成環(huán)路。根據(jù)時間展開后，循環(huán)神經(jīng)網(wǎng)絡(luò)神經(jīng)元如圖1所示。

圖1 展開的循環(huán)神經(jīng)網(wǎng)絡(luò)神經(jīng)元

時間為t時，網(wǎng)絡(luò)的輸入量為xt，不僅當(dāng)前時刻的隱狀態(tài) （即隱藏層神經(jīng)元活性值）ht與輸入xt有關(guān)，上一個時刻的隱狀態(tài)ht-1也與其相關(guān)，進(jìn)而與全部輸入序列 x=｛x1，x2，…，xt｝相關(guān)。 由圖 1 可知 RNN展開后由多個相同的單元連續(xù)連接，是一個自我不斷循環(huán)的結(jié)構(gòu)。表示為：

式中：zt為隱藏層的凈輸入；f（·）為非線性激活函數(shù)，一般是tanh函數(shù)或Sigmoid函數(shù)；U為狀態(tài)-狀態(tài)權(quán)重矩陣；W為狀態(tài)-輸入權(quán)重矩陣；b為偏置矩陣。

但RNN神經(jīng)網(wǎng)絡(luò)也有其局限性，隨著時間跨度增加，容易產(chǎn)生長期依賴激活函數(shù)和網(wǎng)絡(luò)參數(shù)的問題，失去從過去獲取更多信息的能力，產(chǎn)生梯度消失或梯度爆炸現(xiàn)象［7］。在這個基礎(chǔ)上，RNN的變體LSTM神經(jīng)網(wǎng)絡(luò)嶄露頭角。

1.2 LSTM神經(jīng)網(wǎng)絡(luò)

為了改善RNN的缺陷，LSTM神經(jīng)網(wǎng)絡(luò)由S.Hochreiter和 J.Schmidhuber于 1997年提出［8］。 與標(biāo)準(zhǔn) RNN結(jié)構(gòu)重復(fù)的神經(jīng)網(wǎng)絡(luò)模塊的鏈?zhǔn)叫问较啾龋琇STM在每個RNN的cell內(nèi)部加入了三個控制門單元（Gate），構(gòu)成一組稱之為記憶塊（Memory Blocks）的循環(huán)子網(wǎng)絡(luò)。用于選擇對關(guān)鍵節(jié)點信息的記憶或者遺忘，實現(xiàn)了長時間和短時間記憶的結(jié)合，有效改進(jìn)了RNN難以處理的人為延長時間任務(wù)的問題，更適用于處理和預(yù)測時間序列中間隔和延遲相對較長的重要事件，在語言模型、機器翻譯、語音識別［9］等領(lǐng)域應(yīng)用廣泛。圖2為LSTM神經(jīng)網(wǎng)絡(luò)典型結(jié)構(gòu)。

圖2 LSTM神經(jīng)網(wǎng)絡(luò)典型結(jié)構(gòu)

LSTM神經(jīng)網(wǎng)絡(luò)單元處理數(shù)據(jù)的流程是：把t時刻輸入數(shù)據(jù)與t-1時刻的輸出數(shù)據(jù)結(jié)合，經(jīng)過遺忘門選擇性保留長期記憶狀態(tài)變量。再通過輸入門將上一時刻長期狀態(tài)與當(dāng)前時刻狀態(tài)疊加，得到新記憶狀態(tài)變量。最終長期記憶狀態(tài)變量通過輸出門作用得到t時刻輸出。與RNN相比，LSTM得到新記憶狀態(tài)值是疊加的形式，可以大大改善狀態(tài)值逐漸接近0 的情況，即梯度消失現(xiàn)象［10］。

根據(jù)圖2所示，可以用式（3）—式（8）解釋 LSTM循環(huán)模型單個循環(huán)體的具體運算過程，其中xt為輸入，yt為輸出，it為輸入門的輸出，ft為遺忘門的輸出，ot為輸出門的輸出，W和b為參數(shù)矩陣。σ采用Sigmoid激活函數(shù)。

2 短期負(fù)荷預(yù)測流程

LSTM神經(jīng)網(wǎng)絡(luò)由于具有記憶結(jié)構(gòu)，可以很好地反映負(fù)荷數(shù)據(jù)在時間順序上的聯(lián)系。將深度學(xué)習(xí)LSTM神經(jīng)網(wǎng)絡(luò)應(yīng)用于短期負(fù)荷預(yù)測，重點在于對海量的歷史負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理以及解決由于網(wǎng)絡(luò)深、參數(shù)多帶來的訓(xùn)練困難問題。將數(shù)據(jù)庫按7∶3的比例分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，分別用于深度學(xué)習(xí)網(wǎng)絡(luò)模型的學(xué)習(xí)過程和對訓(xùn)練完成的深度學(xué)習(xí)網(wǎng)絡(luò)模型的性能測試。圖3為深度學(xué)習(xí)網(wǎng)絡(luò)模型構(gòu)建過程。

圖3 深度學(xué)習(xí)網(wǎng)絡(luò)模型構(gòu)建過程

模型構(gòu)建的詳細(xì)流程：

1）數(shù)據(jù)預(yù)處理，歷史負(fù)荷數(shù)據(jù)采集系統(tǒng)會存在數(shù)據(jù)缺失或者數(shù)據(jù)異常的情況［11］。若不加處理輸入模型將會導(dǎo)致很大的誤差。因此，數(shù)據(jù)預(yù)處理需要對缺失的數(shù)據(jù)進(jìn)行填補，并對異常數(shù)據(jù)進(jìn)行識別和修正［12］。

2）確定模型的輸入輸出變量，將預(yù)處理后的數(shù)據(jù)集劃分成為訓(xùn)練集、測試集2個部分。按是否有標(biāo)簽將訓(xùn)練集數(shù)據(jù)分為無標(biāo)簽數(shù)據(jù)和有標(biāo)簽數(shù)據(jù)，訓(xùn)練集數(shù)據(jù)用于模型訓(xùn)練，測試集用于測試模型對新數(shù)據(jù)預(yù)測性能的優(yōu)劣。

3）由于神經(jīng)網(wǎng)絡(luò)具有激活函數(shù)特性，對［-1，1］內(nèi)的數(shù)據(jù)更加敏感［13］。針對數(shù)據(jù)庫進(jìn)行歸一化處理，采用歸一化公式（9）將數(shù)據(jù)處理至［0，1］區(qū)間內(nèi)。

式中：X′為完成歸一化的輸入變量；X為預(yù)處理后的待歸一化數(shù)據(jù)；max（X）為待歸一化數(shù)據(jù)每行的最大值；min（X）為待歸一化數(shù)據(jù)每行的最小值。

4）訓(xùn)練集數(shù)據(jù)輸入LSTM網(wǎng)絡(luò)模型中獲得預(yù)測值，模型超參數(shù)采取梯度下降調(diào)整方式，代價函數(shù)為平方重構(gòu)誤差，LSTM實現(xiàn)監(jiān)督學(xué)習(xí)。

5）LSTM網(wǎng)絡(luò)訓(xùn)練完成后，輸入測試集數(shù)據(jù)，反歸一化后輸出預(yù)測結(jié)果。

6）將5）中得到的負(fù)荷預(yù)測值與實際負(fù)荷進(jìn)行對比評價，采用誤差的均方根值（Root Mean Square Error，RMSE）作為預(yù)測結(jié)果的評級指標(biāo)，衡量LSTM 網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確性。

式中： δr為誤差的均方根；fp（i）和 fi（i）分別為測試集中第i個采樣點的預(yù)測負(fù)荷值和實際負(fù)荷值；n為測試集中樣本數(shù)。電力負(fù)荷預(yù)測中RMSE越小，則負(fù)荷預(yù)測效果越好。

3 深度LSTM負(fù)荷預(yù)測模型

該地區(qū)多數(shù)母線帶有鋼鐵工業(yè)負(fù)荷，母線負(fù)荷曲線波動幅度大，母線負(fù)荷預(yù)測的基準(zhǔn)值遠(yuǎn)小于系統(tǒng)預(yù)測的基準(zhǔn)值，提升母線負(fù)荷準(zhǔn)確率成為一個棘手的問題。通過分析母線歷史準(zhǔn)確率，將母線分為三類。第一類母線接入光伏發(fā)電站，負(fù)荷變動與天氣關(guān)聯(lián)性強，日周期性明顯，歷史預(yù)測準(zhǔn)確率高；第二類母線接入部分鋼鐵工業(yè)負(fù)荷，有一定的日周期性，歷史準(zhǔn)確率較高；第三類母線幾乎完全接入鋼鐵工業(yè)負(fù)荷，日周期規(guī)律性很差，同時受鋼鐵企業(yè)生產(chǎn)計劃、檢修計劃影響大，歷史準(zhǔn)確率低。

由于歷史負(fù)荷之間大體趨勢相同，但每日負(fù)荷受該日日期類型、氣象因素（溫度與光照）、電價波動、鋼鐵期貨水平變化而產(chǎn)生相應(yīng)的變化。電價與工業(yè)負(fù)荷波動之間有密切的聯(lián)系，鋼鐵工業(yè)在電價高的白天負(fù)荷低于夜晚，在08：00電價變化分界處，負(fù)荷會明顯減少。鋼鐵市場價格的浮動也與鋼鐵負(fù)荷變化相關(guān)，鋼鐵價格上漲時，鋼鐵工業(yè)負(fù)荷隨之升高；相反地，鋼鐵市場低迷時，鋼鐵工業(yè)負(fù)荷也會降低。同時，光照因素對沒有光伏電廠接入的母線負(fù)荷預(yù)測影響較小。綜合考慮各母線負(fù)荷的實際情況，把負(fù)荷歷史數(shù)據(jù)和多種影響因素量化值的集合作為深度學(xué)習(xí)LSTM網(wǎng)絡(luò)預(yù)測模型的輸入量［14］，建立了兩種負(fù)荷預(yù)測的輸入特征集。特征集分別如表1、表2所示。

表1 不接光伏的負(fù)荷預(yù)測輸入特征

表2 接入光伏的負(fù)荷預(yù)測輸入特征

規(guī)定光伏未接入的母線預(yù)測模型為模型Ⅰ，光伏接入的為模型Ⅱ。模型Ⅰ中，1—7號特征量是待預(yù)測日前7日的每日96負(fù)荷點負(fù)荷數(shù)據(jù)；8號特征量為待預(yù)測日的日期類型，包括節(jié)假日信息；9號特征量是溫度因素，顯示為待預(yù)測日溫度的96點變化量化值；10號特征量展示各個時間段電價波動；11—12號特征量是選取螺紋鋼、H型鋼價格的波動體現(xiàn)鋼鐵市場形勢。模型Ⅱ中，1—3號特征量選取待預(yù)測前3日的96點負(fù)荷數(shù)據(jù)；4號特征量是待預(yù)測日的日期類型；5號特征量是96點溫度量化值；6號特征量為待預(yù)測日天氣類型，用于體現(xiàn)光照因素影響；7號特征量是待預(yù)測日各個時間段電價波動。以上特征量作為LSTM網(wǎng)絡(luò)模型的輸入量，充分反映了負(fù)荷隨影響因素變化的情況。

4 仿真與結(jié)果分析

基于MATLAB R2018b平臺實現(xiàn)本文所使用的深度學(xué)習(xí)網(wǎng)絡(luò)模型編程與仿真，在MATLAB中的Deep Learn Toolbox工具箱完成網(wǎng)絡(luò)調(diào)用。

4.1 仿真設(shè)置

測試仿真數(shù)據(jù)來自某地區(qū)2018年10個220 kV變電站共21條母線的實際負(fù)荷數(shù)據(jù)，采樣間隔選取為15 min，每天96點負(fù)荷值?？紤]到負(fù)荷數(shù)據(jù)變化的季節(jié)性、母線運行方式和檢修計劃調(diào)整，以30~90天作為訓(xùn)練間隔。原始數(shù)據(jù)集為1—3月、6—7月、10—12月歷史負(fù)荷數(shù)據(jù)。

根據(jù)前期大量仿真可知，帶光伏電站的母線，對外界光照因素更敏感，適用模型Ⅰ；帶鋼鐵生產(chǎn)的工序的母線適用模型Ⅱ。

4.2 仿真結(jié)果分析

首先用深度學(xué)習(xí)的兩種模型以6個變電站6條母線為例進(jìn)行仿真，對母線歷史負(fù)荷數(shù)據(jù)進(jìn)行負(fù)荷預(yù)測，將三大數(shù)據(jù)集分別進(jìn)行訓(xùn)練測試工作；三大數(shù)據(jù)集的負(fù)荷預(yù)測仿真結(jié)果與現(xiàn)有負(fù)荷預(yù)測系統(tǒng)的預(yù)測結(jié)果進(jìn)行對比，其對比結(jié)果如表3—表5所示。

表3 1—3月負(fù)荷預(yù)測準(zhǔn)確率對比

表4 6—7月負(fù)荷預(yù)測準(zhǔn)確率對比

表5 10—12月負(fù)荷預(yù)測準(zhǔn)確率對比

調(diào)研地區(qū)現(xiàn)有預(yù)測方法，發(fā)現(xiàn)傳統(tǒng)方法僅考慮了時間因素與負(fù)荷之間的關(guān)系，鋼鐵工業(yè)自身特點以及影響負(fù)荷變化的多種因素沒有納入。故本文將多種影響因素量化輸入深度學(xué)習(xí)LSTM預(yù)測模型，可以有效地提升母線負(fù)荷預(yù)測準(zhǔn)確性。已知GC 2號母線是帶有大型鋼鐵企業(yè)沖擊負(fù)荷的母線，存在負(fù)荷瞬時波動超過100 MW的極端情況，在僅依靠預(yù)測方法難以進(jìn)一步提升準(zhǔn)確率的情況下，常常還需要人工干預(yù)。

對于沖擊負(fù)荷疊加導(dǎo)致的負(fù)荷急劇變化，需要專工參考鋼廠生產(chǎn)工序和生產(chǎn)計劃，對波動點數(shù)據(jù)修正或用邊界值代替。

大型用電設(shè)備故障檢修、跳閘使得負(fù)荷急劇波動時，預(yù)測結(jié)果需要現(xiàn)場運行人員根據(jù)實際情況修正。

以6—7月數(shù)據(jù)集為例，將深度學(xué)習(xí)負(fù)荷預(yù)測方法的預(yù)測結(jié)果與人工神經(jīng)網(wǎng)絡(luò)算法、支持向量機算法的結(jié)果進(jìn)行對比如表6所示。

表6 6—7月各算法負(fù)荷預(yù)測準(zhǔn)確率對比

將現(xiàn)下廣泛使用的人工神經(jīng)網(wǎng)絡(luò)算法、支持向量機算法與本文使用的深度學(xué)習(xí)預(yù)測方法相比，可以證明深度學(xué)習(xí)預(yù)測方法的先進(jìn)性及其在電力負(fù)荷預(yù)測方面的適用性。

5 結(jié)語

電力負(fù)荷時序數(shù)據(jù)有著時序性、非線性及觀測時限性的特點。特別是鋼鐵工業(yè)負(fù)荷包含更多的隨機因素，同時用電設(shè)備的啟停、檢修會導(dǎo)致總負(fù)荷產(chǎn)生很大的波動，其負(fù)荷變動周期性及規(guī)律性不佳?？紤]到光伏發(fā)電的間歇性和不確定性以及鋼鐵負(fù)荷的沖擊性，提出了基于深度學(xué)習(xí)的鋼鐵工業(yè)地區(qū)母線負(fù)荷預(yù)測方法。在充分考慮多重影響因素的基礎(chǔ)上，分析改善前饋神經(jīng)網(wǎng)絡(luò)、支持向量機等機器學(xué)習(xí)方法在提取負(fù)荷序列深層特點的缺陷，構(gòu)造深度學(xué)習(xí)LSTM網(wǎng)絡(luò)模型。仿真結(jié)果表明建立的模型可以有效提升負(fù)荷預(yù)測準(zhǔn)確率。