昌玲，鄧國安

(湖南大唐先一科技有限公司，湖南 長沙 410000)

0 引言

電力負(fù)荷預(yù)測是指以外界因素變化為基礎(chǔ)，通過對歷史數(shù)據(jù)的處理和分析，利用數(shù)學(xué)手段建立特定的模型來預(yù)測未來電力負(fù)荷的需求情況[1]。電力負(fù)荷預(yù)測在保證電力系統(tǒng)規(guī)劃和可靠、經(jīng)濟(jì)性運(yùn)行方面具有十分重要的意義。尤其在售電側(cè)市場化的環(huán)境下，逐漸開展了大用戶或園區(qū)的短期負(fù)荷預(yù)測理論及方法的研究。

隨著科技園區(qū)的迅速建設(shè)，園區(qū)的電力需求也在不斷的增長，電網(wǎng)對園區(qū)負(fù)荷的分配也不斷在改變。尤其是對于新建園區(qū)，負(fù)荷缺失、異常等問題使電網(wǎng)對園區(qū)的負(fù)荷分配、園區(qū)需量上報(bào)和負(fù)荷預(yù)測存在干擾，針對這些問題，對已有相關(guān)電力數(shù)據(jù)進(jìn)行分析，通過調(diào)研園區(qū)用戶總體情況，結(jié)合用電政策、天氣數(shù)據(jù)和歷史負(fù)荷數(shù)據(jù)對異常數(shù)據(jù)進(jìn)行處理，在數(shù)據(jù)量較少的情況下進(jìn)行負(fù)荷預(yù)測。

目前為止常見的負(fù)荷預(yù)測方法主要包括基于時(shí)間序列[2]、支持向量機(jī)[3－5]、神經(jīng)網(wǎng)絡(luò)[6]、機(jī)器學(xué)習(xí)[7－8]等相關(guān)的負(fù)荷預(yù)測方法，這些方法為負(fù)荷預(yù)測提供了理論基礎(chǔ)，但是目前已有的方法存在局限性。如時(shí)間序列方法的自回歸滑動(dòng)平均模型(ARMA)，僅能對少量影響負(fù)荷的因素以及樣本數(shù)據(jù)進(jìn)行處理，且要求歷史負(fù)荷序列平穩(wěn)性較高。支持向量機(jī)算法能夠解決負(fù)荷存在非線性、收斂于局部最優(yōu)的問題，但是若數(shù)據(jù)樣本太多會(huì)出現(xiàn)計(jì)算速度慢且預(yù)測精度低等問題。神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力，但是存在學(xué)習(xí)速度慢，容易陷入局部最優(yōu)的缺陷。XGBoost是一種基于決策樹的機(jī)器學(xué)習(xí)算法，采用預(yù)排序法選擇最優(yōu)分割點(diǎn)，數(shù)據(jù)量大時(shí)會(huì)比較耗時(shí)，影響訓(xùn)練速度。

科技園區(qū)的用電負(fù)荷主要為辦公設(shè)備負(fù)荷，空調(diào)負(fù)荷、照明、電梯等其他負(fù)荷，考慮空調(diào)負(fù)荷為科技園區(qū)受天氣影響變化最大的負(fù)荷，其次是辦公設(shè)備負(fù)荷受到使用人數(shù)的影響，有明顯的工作日及時(shí)間屬性。本文根據(jù)提取的某科技園區(qū)負(fù)荷數(shù)據(jù)，結(jié)合園區(qū)調(diào)研信息數(shù)據(jù)及異常信息進(jìn)行數(shù)據(jù)預(yù)處理，增加時(shí)間相關(guān)特征量，采用K折交叉驗(yàn)證訓(xùn)練方法訓(xùn)練第一層特征，能避免因數(shù)據(jù)量較少導(dǎo)致的泛化能力差的問題，采用長短時(shí)間記憶網(wǎng)絡(luò)(LSTM)與LightGBM算法融合，即考慮一周內(nèi)的天氣與負(fù)荷的時(shí)序相關(guān)性，也考慮天氣數(shù)據(jù)與負(fù)荷的回歸特性，經(jīng)過算例分析，證明該融合算法在一定程度上能提高預(yù)測精度。

1 相關(guān)理論

1.1 LightGBM

LightGBM(Light Gradient Boosting Machine)是一款基于決策樹算法的分布式梯度提升框架，是GBDT模型的變體，其基本原理與GBDT原理基本一致，通過將n顆弱回歸樹線性組合為強(qiáng)回歸樹，但是因?yàn)槠洳捎昧薍istogram和Leaf－wise決策樹優(yōu)化算法，能夠減小數(shù)據(jù)計(jì)算的內(nèi)存占用，保證在不犧牲速度的前提下盡可能地利用更多的數(shù)據(jù)，能夠?qū)崿F(xiàn)并行計(jì)算學(xué)習(xí)，支持大規(guī)模數(shù)據(jù)處理，具有更高的準(zhǔn)確度。

直方圖算法的基本思想如圖1所示，首先把連續(xù)的特征值離散化成k個(gè)整數(shù)，并且構(gòu)造成一個(gè)寬度為k的直方圖。在遍歷數(shù)據(jù)的時(shí)候，根據(jù)離散化后的值作為索引在直方圖中累積統(tǒng)計(jì)量，當(dāng)完成一次數(shù)據(jù)遍歷后，直方圖已經(jīng)累積了需要的統(tǒng)計(jì)量，所以就可以根據(jù)直方圖的離散值，遍歷尋找最優(yōu)的分割點(diǎn)。

圖1 直方圖算法

LightGBM通過leaf－wise策略來生長樹。如圖2所示，每次分裂都是從當(dāng)前所有葉子中，找到分裂增益最大的一個(gè)葉子，然后分裂，如此循環(huán)。因此同Level－wise相比，在分裂次數(shù)相同的情況下，Leaf－wise可以降低更多的誤差，得到更好的精度。但是，當(dāng)樣本量較小的時(shí)候，leaf－wise可能會(huì)造成過擬合。但是，LightGBM可以通過調(diào)節(jié)額外的參數(shù)max＿depth來限制樹的深度，從而避免過擬合。

圖2 leaf－wise生長策略

1.2 LSTM

長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM，Long Short－Term Memory)是循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種改進(jìn)模型[9]。原始的RNN在訓(xùn)練過程中，若輸入的時(shí)間序列過長或網(wǎng)絡(luò)層數(shù)過多，容易出現(xiàn)梯度爆炸或者梯度消失等問題，反向傳遞的損失值會(huì)隨層數(shù)的增加而越來越小，無法學(xué)習(xí)太長時(shí)間的序列特征。LSTM通過控制輸入、遺忘和輸出3個(gè)門能實(shí)現(xiàn)對記憶單元的讀取和修改，通過門控狀態(tài)來控制傳輸狀態(tài)，記住需要長時(shí)間記憶的，忘記不重要的信息。最終反映到細(xì)胞狀態(tài)ct和輸出信號ht－1。LSTM的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

圖3為xt一個(gè)時(shí)間單元的網(wǎng)絡(luò)循環(huán)結(jié)構(gòu)，分別由細(xì)胞狀態(tài)更新、遺忘門、輸入門、輸出門等組成。其中，xt為t時(shí)刻的輸入，ct－1和ct分別為t－1和t時(shí)刻的狀態(tài)記憶量，ht－1和ht分別是t－1和t時(shí)刻的輸出量，ft、it、ot分別為遺忘門、輸入門、輸出門計(jì)算輸出的變量，σ和tanh分別為sigmoid函數(shù)和tanh激活函數(shù)。

網(wǎng)絡(luò)的計(jì)算公式如下:

式中，W f、W i、W g、W o分別為各控制門的相應(yīng)權(quán)重矩陣，bf、bi、bg、bo分別為各控制門的相應(yīng)偏置項(xiàng)。

2 基于LightGBM與LSTM模型融合算法

基于LigtGBM預(yù)測未來24 h負(fù)荷模型的建立，其輸入輸出的結(jié)構(gòu)模式與LSTM結(jié)構(gòu)不同，無法記憶時(shí)序性的特征，只需針對預(yù)測時(shí)刻的相關(guān)特征建立對每小時(shí)負(fù)荷值的回歸預(yù)測?？紤]數(shù)據(jù)可能存在不均勻性且避免過擬合，采用K折交叉驗(yàn)證的方法對數(shù)據(jù)進(jìn)行交叉訓(xùn)練，如圖4所示。首先按照K折的比例將原始數(shù)據(jù)集分為訓(xùn)練集和驗(yàn)證集，然后選取LigtGBM預(yù)測算法以交叉驗(yàn)證的方式對訓(xùn)練集進(jìn)行訓(xùn)練，將訓(xùn)練完成后的預(yù)測模型對驗(yàn)證集和測試集進(jìn)行預(yù)測。所得的測試集預(yù)測值即為各交叉驗(yàn)證模型預(yù)測值的平均值。

圖4 K折交叉驗(yàn)證

基于LSTM預(yù)測未來24 h負(fù)荷模型的建立，首先確定模型的輸入輸出，考慮待預(yù)測日24 h負(fù)荷值與前一周的負(fù)荷及天氣等特征有很大的相關(guān)性，由于LSTM網(wǎng)絡(luò)獨(dú)特的記憶結(jié)構(gòu)，能夠直接將時(shí)間序列作為單個(gè)特征，所以選取前一周每天24 h的負(fù)荷相關(guān)特征數(shù)據(jù)作為輸入，預(yù)測輸出未來24 h的負(fù)荷值。其次確定基于LSTM預(yù)測模型的網(wǎng)絡(luò)架構(gòu)，采用兩層LSTM網(wǎng)絡(luò)和一層全連接輸出層結(jié)構(gòu)。采用2個(gè)隱藏層可以提高對輸入特征的提取深度，通過全連接層映射輸出為負(fù)荷預(yù)測值。

多種較高準(zhǔn)確率、不同類型的預(yù)測算法融合可以提高模型的性能[10－11]，LSTM算法能考慮負(fù)荷的時(shí)序特性，LightGBM能充分考慮負(fù)荷與天氣數(shù)據(jù)的相關(guān)性。兩算法的融合在處理特征的相關(guān)性方面能形成互補(bǔ)。圖5為模型融合的具體框架。

圖5 模型融合框架

3 模型融合算法計(jì)算流程

模型融合算法流程如圖6所示。

圖6 算法流程

1)對獲取的負(fù)荷數(shù)據(jù)、氣象數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，結(jié)合科技園區(qū)用能調(diào)研結(jié)果對數(shù)據(jù)進(jìn)行異常值修正或刪除。處理非數(shù)值特征量，將其進(jìn)行編碼至0—1，以便數(shù)值計(jì)算。增加特征量，針對數(shù)據(jù)集的時(shí)間構(gòu)造屬性，如節(jié)假日屬性、周屬性、小時(shí)屬性等。對所有數(shù)據(jù)進(jìn)行相關(guān)性分析，提取相關(guān)性較大的特征量。

2)將提取的特征量構(gòu)建LightGBM預(yù)測模型。根據(jù)數(shù)據(jù)集總數(shù)進(jìn)行訓(xùn)練集、驗(yàn)證集、測試集的劃分，采用K折交叉驗(yàn)證方法訓(xùn)練LightGBM預(yù)測模型，對數(shù)據(jù)集分別訓(xùn)練，并輸出預(yù)測結(jié)果及預(yù)測誤差。

3)將上一層算法預(yù)測的訓(xùn)練集負(fù)荷數(shù)據(jù)加入特征量中，統(tǒng)一進(jìn)行歸一化處理，構(gòu)建LSTM時(shí)序訓(xùn)練模型，得出預(yù)測結(jié)果及預(yù)測誤差。

4)根據(jù)以上兩層訓(xùn)練得出的預(yù)測結(jié)果和驗(yàn)證集預(yù)測誤差，并驗(yàn)證預(yù)測誤差加權(quán)平均得出最終的負(fù)荷預(yù)測值[10]。

4 短期負(fù)荷預(yù)測算例分析

空調(diào)負(fù)荷是科技園區(qū)受天氣影響變化最大的負(fù)荷，采用某科技園區(qū)每小時(shí)的負(fù)荷數(shù)據(jù)，當(dāng)?shù)氐奶鞖鈹?shù)據(jù)，包括溫度、露點(diǎn)、濕度、風(fēng)向、風(fēng)速、壓力、天氣類型等。按照模型融合算法流程進(jìn)行數(shù)據(jù)預(yù)處理，構(gòu)造時(shí)間相關(guān)屬性，對所有數(shù)據(jù)進(jìn)行相關(guān)性分析，提取相關(guān)性較大的特征量。構(gòu)建訓(xùn)練集、驗(yàn)證集、測試集比例為8∶1∶1。程序計(jì)算采用python語言實(shí)現(xiàn)，第一、二層算法分別調(diào)用Lightgbm的機(jī)器學(xué)習(xí)庫、Keras的深度學(xué)習(xí)庫。LSTM網(wǎng)絡(luò)的層數(shù)為2，每層的神經(jīng)元個(gè)數(shù)均為256，優(yōu)化算法為Adam算法，歸一化按照sklearn庫里面的MinMaxScaler處理。Lightgbm算法的葉子數(shù)為31，學(xué)習(xí)率為0.1，訓(xùn)練次數(shù)為12 000，目標(biāo)函數(shù)是regression。誤差考核標(biāo)準(zhǔn)參考平均絕對誤差百分比εMAPE、均方根誤差εRMSE、平均絕對誤差εMAE。

式中，yi為測量值，為預(yù)測值，n為數(shù)據(jù)集個(gè)數(shù)。

4.1 模型訓(xùn)練及結(jié)果展示

按照模型融合算法計(jì)算流程，將處理后的數(shù)據(jù)集作為LightGBM預(yù)測模型的第一層數(shù)據(jù)進(jìn)行訓(xùn)練，根據(jù)數(shù)據(jù)量大小，選擇4折交叉驗(yàn)證，訓(xùn)練后測試集的εMAPE為6.32%，εMAE為44.86，εRMSE為69.32。將第一層訓(xùn)練得出的訓(xùn)練集預(yù)測結(jié)果加入第二層模型訓(xùn)練中，將兩層模型預(yù)測的訓(xùn)練集數(shù)據(jù)通過融合算法訓(xùn)練出融合模型，最終得出測試集的預(yù)測值。圖7為某天的24 h負(fù)荷預(yù)測值及其實(shí)際負(fù)荷值。

圖7 24 h負(fù)荷預(yù)測值

4.2 不同算法預(yù)測結(jié)果比較

分別采用單獨(dú)的LightGBM、XGBoost、LSTM算法進(jìn)行負(fù)荷預(yù)測，測試的預(yù)測結(jié)果見表1?？梢娙诤纤惴ㄏ啾绕渌念A(yù)測算法能獲得更高的預(yù)測精度。其次，單獨(dú)的LightGBM算法比采用4折交叉驗(yàn)證算法的預(yù)測誤差要大，證明交叉驗(yàn)證能一定程度上提高模型的泛化能力，從而提高預(yù)測精度。

表1 不同算法的預(yù)測結(jié)果

提取某天的24 h預(yù)測值如圖8所示。由此可見，融合算法比其他算法能獲得更高的預(yù)測精度，從而證明了方法的有效性。

圖8 不同算法的預(yù)測值比較

5 結(jié)語

根據(jù)某科技園區(qū)的歷史負(fù)荷數(shù)據(jù)及天氣數(shù)據(jù)預(yù)測未來24 h的負(fù)荷值，采用基于LightGBM及LSTM算法融合的負(fù)荷預(yù)測方法，考慮負(fù)荷的歷史時(shí)序特性，也考慮天氣及時(shí)間因素對負(fù)荷的影響。增加時(shí)間相關(guān)特征量，映射時(shí)間對負(fù)荷值的影響，采用LightGBM訓(xùn)練第一層特征預(yù)測模型，4折交叉訓(xùn)練避免了因數(shù)據(jù)量較少而導(dǎo)致模型泛化能力差的問題，預(yù)測精度明顯比直接訓(xùn)練要高。采用兩種預(yù)測算法融合，在一定程度上能減小負(fù)荷的預(yù)測誤差，提高了負(fù)荷預(yù)測的精度。