朱家貽 劉思蕊?潘楠 沈鑫 郭曉玨

【摘要】? ? 負(fù)荷預(yù)測(cè)目前已成為保障電力系統(tǒng)用電安全的重要基礎(chǔ)工作，在我國市場(chǎng)經(jīng)濟(jì)制度持續(xù)完善過程中，能源產(chǎn)業(yè)也逐漸發(fā)展為以市場(chǎng)為導(dǎo)向，這就要求負(fù)荷預(yù)測(cè)要更加可靠、實(shí)時(shí)與準(zhǔn)確。保證負(fù)荷預(yù)測(cè)的準(zhǔn)確性，能為電力銷售計(jì)劃的制定奠定堅(jiān)實(shí)基礎(chǔ)并提供可靠依據(jù)，確保電網(wǎng)運(yùn)行更加安全與經(jīng)濟(jì)。在智能電網(wǎng)時(shí)代下，電力用戶側(cè)涉及到海量數(shù)據(jù)，且用戶數(shù)據(jù)具有一定隨機(jī)性，以往所用負(fù)荷預(yù)測(cè)方法無法滿足新時(shí)期提出的負(fù)荷預(yù)測(cè)要求。為此，本文分析一種基于LSTM神經(jīng)網(wǎng)絡(luò)的短期用電負(fù)荷預(yù)測(cè)方法，以更高效、準(zhǔn)確的挖掘大量數(shù)據(jù)當(dāng)中有價(jià)值的信息，經(jīng)實(shí)例證明，此方法具有更高適用性和準(zhǔn)確性。

【關(guān)鍵詞】? ? LSTM神經(jīng)網(wǎng)絡(luò)? ? 短期用電? ? 負(fù)荷預(yù)測(cè)

前言

負(fù)荷預(yù)測(cè)主要是以電力負(fù)荷各項(xiàng)歷史數(shù)據(jù)為基礎(chǔ)，對(duì)負(fù)荷數(shù)據(jù)各項(xiàng)變化情況、數(shù)據(jù)相關(guān)性、社會(huì)條件和各種自然情況之間存在的內(nèi)在關(guān)聯(lián)等進(jìn)行分析與研究，探索并掌握負(fù)荷發(fā)展規(guī)律，進(jìn)而相對(duì)科學(xué)、準(zhǔn)確的預(yù)測(cè)未來一定時(shí)間段之內(nèi)的負(fù)荷數(shù)據(jù)。短期負(fù)荷預(yù)測(cè)若存在誤差，將使電網(wǎng)運(yùn)行成本顯著增加，而保證短期負(fù)荷預(yù)測(cè)的準(zhǔn)確性，能夠?qū)﹄娋W(wǎng)系統(tǒng)及各項(xiàng)相關(guān)設(shè)備具體運(yùn)行作出合理安排，保證系統(tǒng)運(yùn)行始終保持在安全范圍內(nèi)。

以LSTM神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的短期用電負(fù)荷預(yù)測(cè)方法，是對(duì)人工智能算法的有效改進(jìn)，可以更好的對(duì)時(shí)間序列有關(guān)數(shù)據(jù)進(jìn)行處理，并能對(duì)負(fù)荷數(shù)據(jù)相互存在的關(guān)聯(lián)性實(shí)現(xiàn)充分利用，保證負(fù)荷預(yù)測(cè)更加精準(zhǔn)。

一、LSTM神經(jīng)網(wǎng)絡(luò)的原理

通過對(duì)RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）進(jìn)行不斷改進(jìn)與完善，獲得了LSTM神經(jīng)網(wǎng)絡(luò)，它能夠?qū)NN當(dāng)中容易發(fā)生的梯度消亡現(xiàn)象實(shí)現(xiàn)有效解決[1]。和普通神經(jīng)網(wǎng)絡(luò)相比，RNN一個(gè)最重要的特點(diǎn)就是它所涉及到的多個(gè)隱藏層單元沒有保持相互獨(dú)立性，而是不同的隱藏層單元之間保持著相互連接的關(guān)系，同時(shí)相應(yīng)隱藏層單元還和其所接受的時(shí)刻之前有關(guān)時(shí)序輸入存在密切關(guān)聯(lián)，它的這一特性有助于后續(xù)對(duì)時(shí)序相關(guān)數(shù)據(jù)進(jìn)行更快速、準(zhǔn)確地處理。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)當(dāng)中，每個(gè)網(wǎng)絡(luò)層其參數(shù)均保持相互獨(dú)立不共享，但是RNN當(dāng)中每一步的輸入，相應(yīng)各層都會(huì)彼此之間共享輸入至隱含層權(quán)重、隱含層至隱含層權(quán)重、隱含層至輸出權(quán)重等相關(guān)參數(shù)。

這代表著RNN當(dāng)中輸入的每一步，其所做的事情都是一樣的，只是保持著差異化的輸入，這一訓(xùn)練形式能使網(wǎng)絡(luò)當(dāng)中減少所需學(xué)習(xí)的相關(guān)參數(shù)，不僅有助于確保精度，還能使訓(xùn)練時(shí)間大大減少。不過RNN卻面臨這樣一個(gè)不足，就是在標(biāo)準(zhǔn)RNN構(gòu)架下，實(shí)踐當(dāng)中只有非常有限的可聯(lián)系“上下文”，若相關(guān)記憶屬于較遠(yuǎn)時(shí)刻的，那么其對(duì)輸出所產(chǎn)生的影響要么體現(xiàn)出衰減極小，要么體現(xiàn)出指數(shù)爆炸增長，此情況也就是通常所說的梯度消亡問題。

LSTM作為改進(jìn)型RNN，主要就是能夠?qū)μ荻认鰡栴}加以解決[2]。LSTM單元當(dāng)中，包含多個(gè)或單個(gè)Cell（細(xì)胞核），以對(duì)LSTM單元目前狀態(tài)進(jìn)行描述。在LSTM單元結(jié)構(gòu)當(dāng)中包含三個(gè)控制門，具體就是Forget Gate、Output Gate、Input Gate，這三個(gè)控制門相應(yīng)輸出都分別和1個(gè)乘法單元相連接，進(jìn)而分別對(duì)網(wǎng)絡(luò)輸入、輸出、Cell單元相關(guān)狀態(tài)進(jìn)行控制[3]。在對(duì)第一時(shí)刻輸入O1實(shí)現(xiàn)處理結(jié)束后，只要保證Forget Gate保持打開狀態(tài)，Input Gate保持關(guān)閉狀態(tài)，那么網(wǎng)絡(luò)輸出就會(huì)不間斷的受O1影響。

二、建立以LSTM神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的負(fù)荷預(yù)測(cè)模型

2.1對(duì)輸入數(shù)據(jù)實(shí)現(xiàn)預(yù)處理

數(shù)據(jù)采集環(huán)節(jié)通常會(huì)受到設(shè)備老化、人為操作失誤等情況影響而產(chǎn)生壞數(shù)據(jù)，進(jìn)而會(huì)對(duì)預(yù)測(cè)模型準(zhǔn)確度產(chǎn)生較大程度的影響，所以，輸入訓(xùn)練數(shù)據(jù)之前，要事先識(shí)別并處理樣本當(dāng)中所存在的壞數(shù)據(jù)。因?yàn)樨?fù)荷數(shù)據(jù)存在一定周期性，假設(shè)短期內(nèi)數(shù)據(jù)在橫向?qū)用姹３忠恢拢淮嬖谕蛔?，那么可通過橫向比較法識(shí)別壞數(shù)據(jù)[4]。

結(jié)合樣本統(tǒng)計(jì)指標(biāo)以及設(shè)定閾值，可明確是否存在異常數(shù)據(jù)。由于傳感器的采樣頻率是每間隔30min采集一個(gè)點(diǎn)，所以所采集到的數(shù)據(jù)則是n天48個(gè)單位相應(yīng)矩陣[5]。通過對(duì)壞數(shù)據(jù)實(shí)現(xiàn)識(shí)別并有效處理之后，要基于新數(shù)據(jù)集實(shí)現(xiàn)歸一化處理。

2.2選擇輸入輸出量

輸入數(shù)據(jù)在實(shí)現(xiàn)預(yù)處理結(jié)束后，就到了負(fù)荷預(yù)測(cè)模型建立最關(guān)鍵環(huán)節(jié)，也就是要合理的選擇輸入量和相應(yīng)標(biāo)簽，以更順利的通過神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)訓(xùn)練。文章對(duì)短期用電負(fù)荷進(jìn)行預(yù)測(cè)，主要是針對(duì)未來某幾天實(shí)現(xiàn)24h負(fù)荷圖的預(yù)測(cè)。負(fù)荷數(shù)據(jù)會(huì)根據(jù)休息日和工作日，按照一周為單位呈現(xiàn)出周期性變化，周末時(shí)間段和工作日時(shí)間段相比，用電負(fù)荷會(huì)有所下降。結(jié)合這一特性，文章選擇迭代預(yù)測(cè)方法，比如要對(duì)6月27號(hào)24h負(fù)荷值進(jìn)行預(yù)測(cè)，那么則輸入5月1號(hào)至5月7號(hào)相應(yīng)歷史負(fù)荷數(shù)據(jù)，同時(shí)將5月8號(hào)相應(yīng)歷史負(fù)荷數(shù)據(jù)當(dāng)作標(biāo)簽輸出，實(shí)現(xiàn)首次訓(xùn)練。之后輸入5月2號(hào)到5月8號(hào)相關(guān)歷史負(fù)荷數(shù)據(jù)，同時(shí)將5月9號(hào)相應(yīng)歷史負(fù)荷數(shù)據(jù)當(dāng)做標(biāo)簽輸出，實(shí)現(xiàn)二次訓(xùn)練，通過這一方式實(shí)現(xiàn)迭代預(yù)測(cè)，一直持續(xù)至獲得6月27號(hào)負(fù)荷預(yù)測(cè)值。另外，文章基于歷史數(shù)據(jù)通過one-hot編碼處理之后再次當(dāng)做訓(xùn)練樣本，能夠?qū)v史負(fù)荷數(shù)據(jù)具有的周期性規(guī)律實(shí)現(xiàn)更充分的利用。

在選擇時(shí)間序列模型技術(shù)方面，文章考慮到電力負(fù)荷是一種隨機(jī)過程，對(duì)相應(yīng)隨機(jī)過程進(jìn)行研究期間，自相關(guān)系數(shù)可以明確隨機(jī)過程平穩(wěn)與否，同時(shí)可判定所選模型階數(shù)合適與否。綜合分析，將模型階數(shù)確定為7，也就是將前7天相應(yīng)歷史負(fù)荷數(shù)據(jù)當(dāng)作具體特征向量實(shí)現(xiàn)滾動(dòng)預(yù)測(cè)。以單維度數(shù)據(jù)實(shí)現(xiàn)模型建立，證明此模型適用性非常良好。

2.3確定LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在明確輸入輸出量后，接下來的關(guān)鍵工作主要是合適的選擇網(wǎng)絡(luò)結(jié)構(gòu)。而這一環(huán)節(jié)最核心步驟，就是對(duì)輸入輸出節(jié)點(diǎn)具體數(shù)量進(jìn)行確定。首先針對(duì)多模型單變量方面的預(yù)測(cè)，主要選擇24個(gè)差異化神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，一一和一天當(dāng)中24h相對(duì)應(yīng)，這一方法涉及到的參數(shù)相對(duì)易收斂，并且單個(gè)網(wǎng)絡(luò)結(jié)構(gòu)相對(duì)比較小，不過此方法整個(gè)過程比較冗余、復(fù)雜，并且一個(gè)單獨(dú)網(wǎng)絡(luò)易過擬合。通常情況下，要對(duì)一天負(fù)荷量實(shí)現(xiàn)預(yù)測(cè)，所搭建的模型數(shù)量就是24個(gè);針對(duì)單模型多變量方面的預(yù)測(cè)，主要通過數(shù)量為24的輸出節(jié)點(diǎn)一一代表一天當(dāng)中對(duì)應(yīng)的24h，同步對(duì)一天每個(gè)小時(shí)具體負(fù)荷數(shù)進(jìn)行預(yù)測(cè)。若將此結(jié)構(gòu)網(wǎng)絡(luò)放在傳統(tǒng)預(yù)測(cè)方法中，那么網(wǎng)絡(luò)結(jié)構(gòu)會(huì)異常復(fù)雜，并且需訓(xùn)練更新的參數(shù)數(shù)量多達(dá)上千個(gè)，這將會(huì)對(duì)網(wǎng)絡(luò)運(yùn)算速度以及最終預(yù)測(cè)精度產(chǎn)生極大影響。

綜合分析，文章選擇多變量的模型形式實(shí)現(xiàn)網(wǎng)絡(luò)構(gòu)建。因?yàn)長STM網(wǎng)絡(luò)涉及到的權(quán)重共享方式有別于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，選擇24個(gè)對(duì)應(yīng)輸出節(jié)點(diǎn)期間，LSTM和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比，其所需學(xué)習(xí)的參數(shù)將大大減少，這樣便于模型更快速、便捷的建立，基本上只具有一個(gè)網(wǎng)絡(luò)就能夠高精度的實(shí)現(xiàn)負(fù)荷預(yù)測(cè)。

三、實(shí)例驗(yàn)證

為了對(duì)上文所提出的短期用電負(fù)荷預(yù)測(cè)方法進(jìn)行驗(yàn)證，文章選擇某次負(fù)荷數(shù)據(jù)競(jìng)賽當(dāng)中涉及到的12個(gè)月數(shù)據(jù)當(dāng)做樣本，將其中的前11個(gè)月數(shù)據(jù)當(dāng)做訓(xùn)練數(shù)據(jù)集，對(duì)12月7日、8日每日24h負(fù)荷值進(jìn)行預(yù)測(cè)，同時(shí)選取的驗(yàn)證集當(dāng)中，12月7日屬于工作日，12月8日屬于休息日，通過上文提出的基于LSTM神經(jīng)網(wǎng)絡(luò)的短期用電負(fù)荷預(yù)測(cè)模型實(shí)現(xiàn)訓(xùn)練預(yù)測(cè)，并和傳統(tǒng)以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的模型作出對(duì)照。

通過分析BP網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)相應(yīng)的訓(xùn)練誤差降低曲線，并都將訓(xùn)練1000步當(dāng)做分界點(diǎn)，可以發(fā)現(xiàn)針對(duì)相同的數(shù)據(jù)，LSTM網(wǎng)絡(luò)對(duì)應(yīng)的訓(xùn)練步數(shù)約100的時(shí)候，已經(jīng)降低至小于0.1，并且已呈現(xiàn)出網(wǎng)絡(luò)收斂狀態(tài)。在多層BP網(wǎng)絡(luò)當(dāng)中，其訓(xùn)練步數(shù)在1000步的時(shí)候，對(duì)應(yīng)誤差還保持兩位數(shù)。足以見得相比傳統(tǒng)多層BP神經(jīng)網(wǎng)絡(luò)，LSTM具有更高的學(xué)習(xí)效率。

通過實(shí)現(xiàn)訓(xùn)練的模型預(yù)測(cè)12月7日、12月8日相關(guān)負(fù)荷數(shù)據(jù)，可以發(fā)現(xiàn)以LSTM神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)所構(gòu)建負(fù)荷預(yù)測(cè)模型，只有非常小的誤差，并且表現(xiàn)比較穩(wěn)定，這2天中對(duì)48個(gè)點(diǎn)實(shí)現(xiàn)預(yù)測(cè)，只有極個(gè)別點(diǎn)其誤差和3%相接近，其他大部分均保持在約1.5%，證明預(yù)測(cè)準(zhǔn)確率非常高;以多層BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)所構(gòu)建負(fù)荷預(yù)測(cè)模型當(dāng)中，具有比較高的誤差率，其誤差大部分都超過了3%，并且一些點(diǎn)的誤差超過了5%，和當(dāng)前所提出的短期預(yù)測(cè)精度要求不相符。

公式當(dāng)中的Li代表真實(shí)值，Li代表預(yù)測(cè)值。通過對(duì)上述兩種方法分別計(jì)算其EMAPE，經(jīng)結(jié)果對(duì)比，可明顯發(fā)現(xiàn)和多層BP網(wǎng)絡(luò)相比，以LSTM神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的負(fù)荷預(yù)測(cè)方法其涉及到的平均百分誤差要明顯小得多，足以證明此方法和傳統(tǒng)方法相比具有更優(yōu)秀的使用效果。

四、結(jié)束語

文章主要結(jié)合負(fù)荷數(shù)據(jù)本身所具有的特性，通過對(duì)負(fù)荷數(shù)據(jù)周期性進(jìn)行研究，提出一種以LSTM神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的短期用電負(fù)荷預(yù)測(cè)方法。基于LSTM原理，證明此方法在負(fù)荷預(yù)測(cè)方面具有良好的適用性。之后文章又討論了輸入輸出量選擇，為后續(xù)模型構(gòu)建奠定堅(jiān)實(shí)基礎(chǔ)。之后，通過某競(jìng)賽當(dāng)中涉及到的實(shí)際數(shù)據(jù)實(shí)現(xiàn)仿真，通過對(duì)數(shù)據(jù)實(shí)現(xiàn)預(yù)處理，將相關(guān)數(shù)據(jù)輸入到模型當(dāng)中實(shí)現(xiàn)訓(xùn)練預(yù)測(cè)，經(jīng)過實(shí)例驗(yàn)證，證明以LSTM神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的短期用電負(fù)荷預(yù)測(cè)方法具有非常好的適用性，并且和傳統(tǒng)預(yù)測(cè)方法相比，其預(yù)測(cè)精確度更高。

參? 考? 文? 獻(xiàn)

[1]李昭昱， 艾芊， 張宇帆，等. 基于attention機(jī)制的LSTM神經(jīng)網(wǎng)絡(luò)超短期負(fù)荷預(yù)測(cè)方法[J]. 供用電， 2019， 36（01）：22-22.

[2]姚朝， 辛平安， 施卜今，等. 基于LSTM時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)[J]. 云南水力發(fā)， 2019， 35（003）：163-163.

[3]陸繼翔， 張琪培， 楊志宏，等. 基于CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型的短期負(fù)荷預(yù)測(cè)方法[J]. 電力系統(tǒng)自動(dòng)化， 2019， 43（08）：197-197.

[4]張洋， 姬波， 盧紅星，等. 基于LSTM神經(jīng)網(wǎng)絡(luò)的短期高壓負(fù)荷電流預(yù)測(cè)方法[J]. 計(jì)算機(jī)科學(xué)， 2019， 046（006）：49-49.

[5]于佳弘， 包哲靜， 李志杰. 基于LSTM的用戶負(fù)荷區(qū)間預(yù)測(cè)方法[J]. 工業(yè)控制計(jì)算機(jī)， 2018， 031（004）：102-102.