張 揚(yáng)

（國(guó)網(wǎng)江西省電力有限公司南昌供電公司，南昌 330069）

電力負(fù)荷的供應(yīng)穩(wěn)定是維持社會(huì)正常運(yùn)轉(zhuǎn)的基本條件，而電力負(fù)荷預(yù)測(cè)是電力系統(tǒng)規(guī)劃的重要組成部分[1]。在電力企業(yè)中，保持與用電客戶(hù)的供需平衡十分重要，所以有必要做好供電決策和規(guī)劃。在大電量生產(chǎn)情況下，電量存儲(chǔ)比較難，電力供應(yīng)過(guò)多，會(huì)造成不必要的能源浪費(fèi)；而電力供應(yīng)不足則會(huì)給客戶(hù)和供應(yīng)商造成經(jīng)濟(jì)損失。提高短期負(fù)荷預(yù)測(cè)技術(shù)水平，有利于提高電力系統(tǒng)的經(jīng)濟(jì)效益和社會(huì)效益，因此精準(zhǔn)的短期電力負(fù)荷預(yù)測(cè)變得越來(lái)越重要[2]。

目前，國(guó)內(nèi)外有很多關(guān)于短期電力預(yù)測(cè)的方法，傳統(tǒng)電力負(fù)荷預(yù)測(cè)方法有時(shí)間序列法、趨勢(shì)外推法與回歸分析法等[3-4]。時(shí)間序列法是建立描述電力負(fù)荷隨時(shí)間變化的數(shù)學(xué)模型，在該模型的基礎(chǔ)上確立負(fù)荷預(yù)測(cè)的表達(dá)式，并對(duì)未來(lái)負(fù)荷進(jìn)行預(yù)測(cè)[5]。趨勢(shì)外推法是根據(jù)負(fù)荷的變化趨勢(shì)對(duì)未來(lái)負(fù)荷情況作出預(yù)測(cè)[6]?；貧w分析預(yù)測(cè)法是根據(jù)歷史數(shù)據(jù)的變化規(guī)律和影響負(fù)荷變化的因素，尋找自變量與因變量之間的關(guān)系及其回歸方程式，確定模型參數(shù)，據(jù)此推斷將來(lái)時(shí)刻的負(fù)荷值[7]。傳統(tǒng)電力預(yù)測(cè)方法對(duì)負(fù)荷序列的平穩(wěn)要求比較高，在某些情況下，預(yù)測(cè)精度會(huì)受影響。

近年來(lái)隨著負(fù)荷數(shù)據(jù)的增加以及人工智能和智能電網(wǎng)的迅速發(fā)展，利用大數(shù)據(jù)進(jìn)行負(fù)荷預(yù)測(cè)成為主流。通常機(jī)器學(xué)習(xí)法更適合大數(shù)據(jù)負(fù)荷預(yù)測(cè)，其中人工神經(jīng)網(wǎng)絡(luò)技術(shù)（Artificial Neural Network，ANN）是機(jī)器學(xué)習(xí)的重要分支[8]。神經(jīng)網(wǎng)絡(luò)技術(shù)是目前最先進(jìn)的負(fù)荷預(yù)測(cè)方法，具有對(duì)樣本數(shù)據(jù)容錯(cuò)率高、非線(xiàn)性映射能力強(qiáng)、自適應(yīng)和自組織等優(yōu)點(diǎn)[9]。神經(jīng)網(wǎng)絡(luò)技術(shù)可以從實(shí)例數(shù)據(jù)中學(xué)習(xí)，學(xué)習(xí)完成后，得到非線(xiàn)性依賴(lài)關(guān)系。循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）是一種可以對(duì)序列數(shù)據(jù)進(jìn)行處理的神經(jīng)網(wǎng)絡(luò)，但存在長(zhǎng)期依賴(lài)的問(wèn)題[10]。對(duì)此，長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Long Short-term Memory，LSTM）引入自循環(huán)的思想來(lái)克服長(zhǎng)時(shí)間的依賴(lài)關(guān)系，從而解決RNN 中出現(xiàn)的梯度消失/爆炸問(wèn)題[11-12]。深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）是具有多個(gè)隱層的神經(jīng)網(wǎng)絡(luò)[13]。在DNN 中至少有3 個(gè)以上的層次，這意味著有“更深”的學(xué)習(xí)過(guò)程。而數(shù)據(jù)集的輸入輸出與復(fù)雜模式之間存在著復(fù)雜的聯(lián)系，可以通過(guò)多層結(jié)構(gòu)來(lái)學(xué)習(xí)[14]。

本文提出一種基于LSTM 與前饋神經(jīng)網(wǎng)絡(luò)（Forward Feedback Neural Network，F(xiàn)FNN）相結(jié)合的短期電力預(yù)測(cè)模型。在該模型中，通過(guò)LSTM 對(duì)時(shí)間序列進(jìn)行預(yù)測(cè)，而FFNN 則利用附加信息進(jìn)行預(yù)測(cè)，從而最大限度地減少預(yù)測(cè)誤差。實(shí)驗(yàn)結(jié)果表明，相比于原LSTM模型，LSTM-FFNN 模型可獲得更精確的預(yù)測(cè)結(jié)果。

1 實(shí)驗(yàn)設(shè)計(jì)

本文目的是預(yù)測(cè)制造企業(yè)的用電量。根據(jù)歷史用電量時(shí)間序列數(shù)據(jù)，利用本文提出的方法對(duì)未來(lái)某一時(shí)段的用電量進(jìn)行預(yù)測(cè)。在這種情況下，需要預(yù)測(cè)第二天每30 min 的用電量（1 d 48 個(gè)時(shí)間步長(zhǎng)）。對(duì)于訓(xùn)練數(shù)據(jù)，根據(jù)案例對(duì)數(shù)據(jù)進(jìn)行了劃分，即1 d 的時(shí)間范圍和30 min 的時(shí)間分辨率。數(shù)據(jù)集被劃分為每天包含每30 min 的用電量數(shù)據(jù)。N 表示樣本數(shù)據(jù)的數(shù)量。而X 和Y 代表一組輸入和輸出。

本文結(jié)合兩種神經(jīng)網(wǎng)絡(luò)進(jìn)行電力負(fù)荷預(yù)測(cè)。利用這些分離的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。該模型主要輸入是用電量的歷史時(shí)間序列數(shù)據(jù)。

整個(gè)架構(gòu)模型如圖1 所示。在進(jìn)行電力負(fù)荷預(yù)測(cè)時(shí)，首先將LSTM 設(shè)置為利用歷史數(shù)據(jù)進(jìn)行時(shí)間序列預(yù)測(cè)。然后將來(lái)自L(fǎng)STM 的輸出與附加輸入一起作為FFNN 的輸入。額外的輸入是使用一個(gè)熱編碼表示的日期、時(shí)間尺度和季節(jié)信息。

圖1 電力負(fù)荷預(yù)測(cè)的LSTM-FFNN 結(jié)構(gòu)

在本文中，我們提出了3 種額外的時(shí)間信息。該信息由一個(gè)熱編碼表示，具體如下。

（1）日信息。此信息表示從周一到周五每個(gè)電力消耗數(shù)據(jù)中的日信息。

（2）時(shí)間刻度信息。該信息表示從00：00-23：30 開(kāi)始的每種電力消耗數(shù)據(jù)中的時(shí)間尺度信息。

（3）季度信息。在這一季的信息中，將其分為淡季（11 月和12 月）、中季（1—6 月、9 月和10 月）、旺季（7月和8 月）。

在進(jìn)行用電量預(yù)測(cè)之前，需要確定一些超參數(shù)的設(shè)置。超參數(shù)包括LSTM 層數(shù)、FFNN 層數(shù)、各層神經(jīng)元數(shù)等。

在LSTM 的訓(xùn)練過(guò)程中，使用BPTT 和FFNN 中的標(biāo)準(zhǔn)反向傳播。在執(zhí)行優(yōu)化時(shí)，使用自適應(yīng)矩估計(jì)優(yōu)化器和均方根傳播。在訓(xùn)練過(guò)程中，對(duì)權(quán)重和偏差進(jìn)行更新，使損失函數(shù)最小化。

2 數(shù)據(jù)集及實(shí)驗(yàn)結(jié)果

2.1 數(shù)據(jù)集

數(shù)據(jù)來(lái)源于國(guó)家電網(wǎng)實(shí)際負(fù)荷數(shù)據(jù)，其中包含了一家制造企業(yè)的用電歷史數(shù)據(jù)。在該數(shù)據(jù)集上實(shí)現(xiàn)本文提出的預(yù)測(cè)方法。該數(shù)據(jù)集包括1 年零4 個(gè)月的用電量數(shù)據(jù)，分辨率為30 min。此外每一天包含48 個(gè)用電量數(shù)據(jù)。數(shù)據(jù)集的詳細(xì)信息記錄見(jiàn)表1。

由表1 可知，本次實(shí)驗(yàn)將使用“全天”數(shù)據(jù)（23 376個(gè)）和“工作日”數(shù)據(jù)（15 360 個(gè)）。目標(biāo)是通過(guò)每30 min用電量預(yù)測(cè)一天的用電量，并對(duì)不同數(shù)據(jù)量下的實(shí)驗(yàn)結(jié)果進(jìn)行比較。

2.2 實(shí)驗(yàn)設(shè)置及結(jié)果

本文提出的模型是LSTM-FFNN。LSTM 進(jìn)行時(shí)間序列預(yù)測(cè)，LSTM 的輸出將與附加的日、時(shí)、季信息一起輸入FFNN 模型。該模型的超參數(shù)是根據(jù)表1 的一些測(cè)試用例進(jìn)行調(diào)整的。該測(cè)試用例決定執(zhí)行預(yù)測(cè)過(guò)程以檢查預(yù)測(cè)模型的性能。

通過(guò)與原LSTM 比較，對(duì)該模型的性能進(jìn)行了訓(xùn)練和測(cè)試。其原理是基于原LSTM 的神經(jīng)網(wǎng)絡(luò)模型與神經(jīng)網(wǎng)絡(luò)模型FFNN 相結(jié)合，形成了LSTM-FFNN。為了評(píng)估性能，實(shí)驗(yàn)使用了均方根誤差（RMSE）作為評(píng)估指標(biāo)。RMSE 的定義如式（1）所示，即

式中：yj為地面真值；y′j為時(shí)間步長(zhǎng)j 的預(yù)測(cè)值；n 為參與測(cè)試驗(yàn)證的圖片的數(shù)量。

由圖2 可知，該方法在實(shí)際數(shù)據(jù)中達(dá)到最大值?；赗MSE 評(píng)分與標(biāo)準(zhǔn)LSTM 在訓(xùn)練和測(cè)試過(guò)程中的比較，LSTM-FFNN 表現(xiàn)更好，具體見(jiàn)表1。模型和標(biāo)準(zhǔn)LSTM 每30 min 1 d 的預(yù)測(cè)性能如圖2 所示。

圖2 工作日用電量預(yù)測(cè)結(jié)果圖

該實(shí)驗(yàn)使用的是“工作日”數(shù)據(jù)。這一結(jié)果也表明，附加信息的使用提高了預(yù)測(cè)的性能。使用“全天”數(shù)據(jù)的預(yù)測(cè)模型和標(biāo)準(zhǔn)LSTM 在每30 min 內(nèi)1 d 的預(yù)測(cè)性能如圖3 所示。

圖3 全天用電量預(yù)測(cè)結(jié)果

由表1 可知，LSTM 和LSTM-FFNN 在使用不同數(shù)據(jù)量的情況下，基于測(cè)試過(guò)程的測(cè)試用例進(jìn)行RMSE評(píng)分的比較。實(shí)驗(yàn)結(jié)果表明，LSTM-FFNN 算法比原LSTM 算法具有更好的性能。從LSTM-FFNN 的RMSE分?jǐn)?shù)可以看出，其比原LSTM 的RMSE 分?jǐn)?shù)要小。這說(shuō)明額外的信息對(duì)實(shí)驗(yàn)的結(jié)果產(chǎn)生了作用，這使得LSTM-FFNN 比原LSTM 有更好的效果。

此外，根據(jù)表1 給出的RMSE 評(píng)分，使用“工作日”數(shù)據(jù)進(jìn)行工作日預(yù)測(cè)的結(jié)果優(yōu)于使用“全天”數(shù)據(jù)進(jìn)行工作日預(yù)測(cè)的結(jié)果。

表1 測(cè)試過(guò)程RMSE 評(píng)分表

本文在與原始LSTM 基線(xiàn)進(jìn)行了多次實(shí)驗(yàn)比較后，還將實(shí)驗(yàn)結(jié)果與移動(dòng)平均線(xiàn)（MA）基線(xiàn)進(jìn)行了比較。為滿(mǎn)足制造企業(yè)的用電需求，將該模型作為該供電公司的預(yù)測(cè)方法。在這個(gè)實(shí)驗(yàn)中，嘗試用5 d 移動(dòng)平均線(xiàn)來(lái)預(yù)測(cè)第2 d 的電力需求，并嘗試用每30 min 使用1 周的測(cè)試數(shù)據(jù)。

基于表2 的RMSE 評(píng)分，提出方法仍然達(dá)到了較好的預(yù)測(cè)效果。MA 根據(jù)前5 d 的用電量預(yù)測(cè)下一個(gè)值，與本文所提出的方法不同，本文不僅要學(xué)習(xí)用電量的規(guī)律，還要學(xué)習(xí)額外信息（天、時(shí)間尺度、季節(jié)）。如圖4 所示，對(duì)LSTM、LSTM-FFNN 和MA 的預(yù)測(cè)結(jié)果進(jìn)行了比較。

圖4 LSTM、LSTM-FFNN 和MA 預(yù)測(cè)結(jié)比較果圖

表2 1 周測(cè)試數(shù)據(jù)RMSE 評(píng)分比較

因此，對(duì)工作日的預(yù)測(cè)要將工作日和特殊時(shí)間（假期和周末）分開(kāi)。原因是特殊日子用電量和工作日用電量數(shù)據(jù)存在一定的差異。將這2 種差異性的數(shù)據(jù)進(jìn)行分離將有助于網(wǎng)絡(luò)了解工作日的用電量模式。

3 結(jié)束語(yǔ)

為了提高短期電力負(fù)荷預(yù)測(cè)識(shí)別精度。本文提出了一種改進(jìn)深度神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)模型。相對(duì)于基線(xiàn)（原始LSTM 和MA），LSTM-FFNN 方法的預(yù)測(cè)結(jié)果更準(zhǔn)確。根據(jù)實(shí)驗(yàn)結(jié)果的RMSE 評(píng)分，與“全天”數(shù)據(jù)相比，使用“工作日”數(shù)據(jù)可獲得更好的效果。本文主要預(yù)測(cè)工作日的用電量。實(shí)驗(yàn)結(jié)果（基于RMSE評(píng)分）表明，將不同類(lèi)型日（工作日和節(jié)假日）的用電量分開(kāi)預(yù)測(cè)可獲得更精確的結(jié)果。此外，在未來(lái)的工作，將嘗試使用不同類(lèi)型的數(shù)據(jù)集來(lái)執(zhí)行模型。不同類(lèi)型的客戶(hù)（如家庭、公共設(shè)施等）需要不同的數(shù)據(jù)分析。對(duì)于同樣的情況，將重點(diǎn)改進(jìn)模型的性能，在未來(lái)可獲得更好的實(shí)驗(yàn)結(jié)果。