趙佳琪 袁曉丹 徐仕威

摘要：在結(jié)合所選取地區(qū)的社會(huì)經(jīng)濟(jì)情況，工農(nóng)產(chǎn)業(yè)比重等因素的基礎(chǔ)上，確定了對(duì)電力負(fù)荷影響較大的因素。對(duì)英國(guó)國(guó)家電網(wǎng)公司2019年紐約北部負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理，包括填補(bǔ)缺失數(shù)據(jù)，修正異常數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行歸一化處理后，構(gòu)建了基于RNN的短時(shí)電力負(fù)荷預(yù)測(cè)模型，利用 RNN 模型時(shí)序記憶的特點(diǎn)來(lái)提取電力負(fù)荷特征，為避免誤差增大，設(shè)置了早停法和dropout法，仿真結(jié)果表明，該模型能夠很好更好地?cái)M合負(fù)荷曲線，具有較高的預(yù)測(cè)精度。

短期電力負(fù)荷預(yù)測(cè)是實(shí)現(xiàn)電力需求側(cè)管理的一個(gè)重要方面，是電力能源管理系統(tǒng)合理安排生產(chǎn)調(diào)度計(jì)劃、實(shí)現(xiàn)節(jié)能、經(jīng)濟(jì)運(yùn)行的前提條件和重要保障。電力負(fù)荷預(yù)測(cè)方法有傳統(tǒng)線性回歸法、時(shí)間序列法、灰色預(yù)測(cè)、支持向量機(jī)、隨機(jī)樹(shù)、模糊理論、卡爾曼濾波和人工神經(jīng)網(wǎng)絡(luò)等。唐俊杰等人通過(guò)ARMA負(fù)荷預(yù)測(cè)模型實(shí)現(xiàn)了從自動(dòng)定階到節(jié)假日負(fù)荷的預(yù)測(cè);葉瑰昀等人構(gòu)建了基于加權(quán)最小二乘法的ARMA日負(fù)荷預(yù)測(cè)模型。

近年來(lái)，循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network， RNN）技術(shù)正在不斷地發(fā)展并應(yīng)用于情感分析、提取關(guān)鍵詞、語(yǔ)音識(shí)別、機(jī)器翻譯、自編碼器等領(lǐng)域。RNN可以有效地反應(yīng)數(shù)據(jù)流的時(shí)間變化特性，進(jìn)行時(shí)間序列上的預(yù)測(cè)。郭海波分析了基于RNN預(yù)測(cè)模型的特點(diǎn)，結(jié)合相似序列篩選挖掘長(zhǎng)期用電特征，學(xué)習(xí)電力負(fù)荷規(guī)律。仇暑洋提出一種基于主成分分析的自適應(yīng)型小波RNN方法，應(yīng)用于負(fù)荷預(yù)測(cè)，能對(duì)歷史數(shù)據(jù)進(jìn)行主成分分析并選取特征變量，具有一定的自適應(yīng)性。許瀝文提出一種基于SAE和ELM的集成模型，結(jié)合堆棧自編碼器和極限學(xué)習(xí)機(jī)學(xué)習(xí)電力負(fù)荷時(shí)間序列數(shù)據(jù)的特點(diǎn)，在短期電力負(fù)荷預(yù)測(cè)中獲得了滿意的性能。

詹傳驊提出最優(yōu)子集電力負(fù)荷回歸預(yù)測(cè)模型和Bagging-SVR算法和Boosting-SVR算法，弱化樣本選取時(shí)的偶然因素引起的誤差，顯著提升電力負(fù)荷預(yù)測(cè)的準(zhǔn)確度。

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）是一個(gè)序列模型，每個(gè)神經(jīng)元不僅能夠沿層間向上傳遞信息，還可以傳輸給下一個(gè)序列，因此比其他的神經(jīng)網(wǎng)絡(luò)更適用于時(shí)間序列預(yù)測(cè)問(wèn)題。

經(jīng)典的RNN結(jié)構(gòu)如圖1所示，它由輸入層、隱藏層和輸出層組成，其中輸入集用X表示，隱藏集用表示，輸出集用y表示，t-1、t和t+1分別表示上一時(shí)刻、當(dāng)前時(shí)刻和下一時(shí)刻，矩陣 W連接當(dāng)前時(shí)刻隱藏層和上一時(shí)刻隱藏層，矩陣U連接輸入層和隱藏層，矩陣 V連接隱藏層和輸出層。

RNN的訓(xùn)練過(guò)程包括了網(wǎng)絡(luò)初始化、向循環(huán)神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)、網(wǎng)絡(luò)的輸出計(jì)算、網(wǎng)絡(luò)輸出與實(shí)際數(shù)據(jù)進(jìn)行比較更新參數(shù)、隱藏層的輸出計(jì)算、誤差反向傳播。如果連續(xù)幾次迭代誤差一直在不斷增加，則采用早停法停止訓(xùn)練，如果沒(méi)有使用早停法則當(dāng)?shù)螖?shù)達(dá)到最大時(shí)停止訓(xùn)練。圖2為訓(xùn)練流程框圖。

選取national grid公司紐約北部2019年1月1日到2019年11月30日的電力負(fù)荷數(shù)據(jù)作為訓(xùn)練集，2019年12月1日到2019年12月31日的電力負(fù)荷數(shù)據(jù)則作為測(cè)試集，圖3為預(yù)測(cè)結(jié)果，可以看出，該預(yù)測(cè)模型能夠較好地重現(xiàn)日負(fù)荷變化趨勢(shì)，體現(xiàn)出較好的日周期性，但對(duì)周周期性體現(xiàn)得則不是那么明顯，誤差相對(duì)較大，可能的原因有：（1）用于訓(xùn)練的數(shù)據(jù)中由于節(jié)假日或特殊突發(fā)事件導(dǎo)致的異常數(shù)據(jù)較多，但是又達(dá)不到進(jìn)行修正的程度得以保留，導(dǎo)致在后期的訓(xùn)練過(guò)程中發(fā)生了周周期性不明顯的情況。（2）12月份有著西方最重要的節(jié)日，圣誕節(jié)。伴隨著圣誕節(jié)而來(lái)的是學(xué)生們的寒假，還有其他工人的假期，這都會(huì)影響負(fù)荷預(yù)測(cè)的準(zhǔn)確性。

圖4為RNN預(yù)測(cè)模型誤差隨迭代次數(shù)的變化曲線，可以看出，隨著迭代次數(shù)的增加，誤差在逐漸降低。當(dāng)?shù)螖?shù)增加到一定程度以后，誤差會(huì)整體上趨于平緩，雖然還會(huì)有小幅度的波動(dòng)，但是基本上不怎么變化了?？赡艿脑蚴菍W(xué)習(xí)率在最一開(kāi)始的前幾次迭代中比較大，所以誤差能夠迅速的降低，但是隨著訓(xùn)練的進(jìn)行，學(xué)習(xí)率在不斷地變小，所以即便由于循環(huán)神經(jīng)網(wǎng)絡(luò)的一些固有的缺陷，使得誤差會(huì)出現(xiàn)一些上升，但是波動(dòng)也不是很大。并且即便這次迭代效果非常好，但是因?yàn)閷W(xué)習(xí)率已經(jīng)降低到了一定的程度，誤差也很難繼續(xù)大幅度的下降。

針對(duì)電力負(fù)荷的短期預(yù)測(cè)問(wèn)題，建立了基于RNN的電力負(fù)荷預(yù)測(cè)模型，降低了原始電力負(fù)荷的非平穩(wěn)性，同時(shí)具備很好的非線性擬合能力和時(shí)間記憶能力，為避免誤差增大，設(shè)置了早停法和dropout法，仿真結(jié)果表明，該模型能夠很好更好地?cái)M合負(fù)荷曲線，具有較高的預(yù)測(cè)精度。

參考文獻(xiàn)：

[1]曹陳生.電力系統(tǒng)需求側(cè)管理的探索和應(yīng)用[J].現(xiàn)代工業(yè)經(jīng)濟(jì)和信息化，2018，8（18）：14-15.

[2]唐俊杰，牛煥娜，楊明皓.基于線性相關(guān)分析的周期自回歸短期負(fù)荷預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制，2010，38（14）：128-132.

[3]葉瑰昀，羅耀華，劉勇，金鴻章.基于ARMA模型的電力系統(tǒng)負(fù)荷預(yù)測(cè)方法研究[J].信息技術(shù)，2002，7（6）：74-76.

[4]郭海波.基于深度學(xué)習(xí)的短期電量預(yù)測(cè)方法研究[D].北京：北京郵電大學(xué)，2019.

[5]仇暑洋.基于數(shù)據(jù)挖掘的短期負(fù)荷預(yù)測(cè)[D].上海：東華大學(xué)，2018.

[6]許瀝文.基于深度學(xué)習(xí)方法的短時(shí)電力負(fù)荷預(yù)測(cè)研究[D].濟(jì)南：山東建筑大學(xué)，2019.

[7]詹傳驊.基于氣象因子和集成學(xué)習(xí)的長(zhǎng)沙市短期電力預(yù)測(cè)研究[D].長(zhǎng)沙：湖南大學(xué)，2016.