童 準

（國電永福發(fā)電有限公司，廣西桂林541805）

1 電網負荷預測技術研究背景

全球經濟飛速發(fā)展的同時，帶來了能源供給不足，引起全球氣候變暖、環(huán)境惡化等現(xiàn)象[1-2]，建立環(huán)保、安全、高效、可靠的電力系統(tǒng)成為電力行業(yè)研究的熱點。據國家能源統(tǒng)計局數據顯示，我國每年都會有幾十億度電能浪費[3]。因此，尋求一種準確的電能負荷預測方法，可以準確預測電能的供需峰值，降低電能對環(huán)境造成的不良影響，同時節(jié)約電能。電網負荷預測是以歷史時間序列數據為數據源，利用數據挖掘、深度學習等技術建立電網負荷預測數學模型，預測未來時間段的電力負荷，方便電力部門科學有效地管理電能供需量，減少電能浪費[4]。

2 基于深度學習的電網負荷預測技術研究

2.1 基于K-means的用戶聚類

本文基于給定時段用電特征數據集，利用K-means聚類算法，對居民用戶進行聚類。

2.1.1 聚類流程分析

（1）數據輸入：輸入給定時段居民用電數據。

（2）數據預處理：首先對采集數據進行清洗，然后根據居民日用電數據的不同，建立多維用電特征數據集。

（3）確定居民類別的數量：對居民用電特征數據集進行降維，根據降維確定居民類別數，該數值即為K-means中最佳簇集數k。

（4）確定初始聚類中心：選取用戶用電特征、密度、距離權重最大的前k個居民為初始聚類中心。

（5）聚類分析：計算各聚類中心的居民用戶所屬簇集中用戶與聚類中心之間的距離（距離計算采用歐式距離[5]），進而劃分簇集。

2.1.2 聚類實驗及分析

本次實驗選用某小區(qū)90戶居民，采集9月1日、9月2日、9月3日3天的用電量作為數據集，對90戶居民進行K-means聚類，最終產生4個簇集，聚類結果如圖1所示，用戶被分成四大類。

2.2 基于LSTM的電網負荷預測模型構建

以聚類分析為研究基礎，針對不同類別的居民、小區(qū)，提出基于LSTM的電網負荷預測技術，通過智能儀表采集居民用電數據作為模型的數據源，確定LSTM網絡參數，然后對居民進行K-means聚類分析，對不同類別的居民建立相應的用電負荷預測模型，匯總最終的預測結果為小區(qū)總負荷的預測值。

2.2.1 模型構建流程

LSTM模型構建流程如圖2所示。

圖1 K-means聚類結果圖

圖2 LSTM模型構建流程圖

（1）數據預處理：對智能儀表采集的含噪聲點的數據進行處理。本研究數據預處理采用歸一化處理方法。

（2）構建輸入層：選取經過處理的基于時間序列的歷史用電負荷數據作為預測模型的輸入，利用全連接的方法將隱藏層與輸入層進行連接。

（3）構建隱藏層：設置隱藏層層數為2，連接方式采用全連接的方式。

（4）構建損失函數。

損失函數計算公式：

式中：Yi為電力負荷的實際值；yi為電力負荷的預測值。

LSTM網絡通過不斷訓練，使模型的映射關系逼近真實輸入與輸出之間的非線性關系。

（5）確定LSTM網絡優(yōu)化器：經對比，本次選用計算效率較高的Adam訓練器作為LSTM模型的網絡參數。

（6）電力負荷預測值輸出：Adam訓練器根據損失函數梯度下降的方向，多次調整LSTM權重，直至損失函數達到最優(yōu)值，此刻輸出的基于時間序列的用電序列預測值映射為電網的負荷預測值。

2.2.2 電網負荷預測實驗及結果分析

本次實驗選取9月5日某小區(qū)電力負荷數據為數據源，選取LSTM隱藏層的單元數為10，樣本大小為600個，Adam網絡優(yōu)化器，根據實驗選取的LSTM網絡學習率為0.6%，使用K-means算法對居民進行聚類分析，將用戶分為商業(yè)、中青年、老年3類用戶，建立3個對應的LSTM網絡，對用電負荷進行預測實驗，最后將3個LSTM網絡的負荷預測值累加即為總預測值，預測結果如圖3所示。

圖3 不同類型用戶電力負荷預測及電力總負荷預測

從圖3中看出雖然有一部分分支預測結果與實際值有偏差，但是整體趨勢預測值與實際值接近，尤其是在總負荷預測中，LSTM網絡精確度高，預測效果好。

3 結語

電力作為國家重要的支柱產業(yè)，關乎到每個人的生活品質，人們對用電的需求日益增加，對用電質量要求日趨提高，因此，準確的電網負荷預測技術具有重要的研究價值。本文對用戶進行聚類，將用戶分為不同用電性質的用戶，針對不同性質用戶建立相應的LSTM負荷預測網絡，最后將所有預測值進行累加即為總負荷預測值，該方法打破了傳統(tǒng)的建立單一網絡預測的手段，提高了電網預測的準確度，促進了我國電力行業(yè)的發(fā)展。