樓啟航 郭依婷 戴渝杰 馬宇凡

（廈門大學嘉庚學院，福建 漳州 363105）

0 引言

科技的快速發(fā)展和新技術的出現(xiàn)使人們對電力有著持續(xù)性增長的需求，能源短缺問題也日益凸顯。中國電力企業(yè)聯(lián)合會于2021年底發(fā)布的《電力行業(yè)碳達峰碳中和發(fā)展路徑研究》顯示，電力行業(yè)正迎來重大機遇與挑戰(zhàn)，對于電力數(shù)據(jù)的價值挖掘研究與應用已經(jīng)成為未來發(fā)展的必然趨勢，充分發(fā)揮電網(wǎng)基礎設施的作用，提高資源配置能力是應對該現(xiàn)狀的有效方式之一[1]。

當前，發(fā)電方式存在不穩(wěn)定性，用電高峰期無法保證有效持續(xù)供電。部分地區(qū)電網(wǎng)網(wǎng)架結構薄弱、送電通道容量上限不高，供電量受限，未來一段時期我國部分地區(qū)電力供需緊張態(tài)勢仍將持續(xù)[2]。在高校中，供電需求量大，用電高峰期的電量峰值較其他區(qū)域高，供電壓力大，對電力資源進行合理配置顯得尤為重要[3]。本文通過采集學生用電數(shù)據(jù)，對學生宿舍用電情況進行分析，建立模型對校園宿舍用電量進行學習和預測。預測未來幾天內(nèi)的用電需求，不僅能夠給學生作為參考，也可對電力供需提供預警功能，保障宿舍電力供需平衡，加強高校的節(jié)電管理，從源頭上減少能耗[4]。

1 模型理論

1.1 時間序列

時間序列預測是根據(jù)歷史時間序列數(shù)據(jù)建立模型的方法，被廣泛應用于經(jīng)濟學、管理學、氣象學等領域。對某一個或者一組變量x（t）進行觀察測量，將在一系列時刻t1，t2，…，tn所得的離散數(shù)字組成的序列集合，稱之為時間序列[5]。時間序列預測方法首先考慮的是事物的趨勢性，通過歷史數(shù)據(jù)來預測事物的發(fā)展趨勢；其次考慮的是事物的季節(jié)性，如氣候條件、節(jié)假日等各種周期性因素，根據(jù)事物發(fā)展的季節(jié)性變化預測事物的周期變化；最后考慮隨機因素的影響，不規(guī)則波動通常夾雜在時間序列之中，以致時間序列產(chǎn)生波浪式或振蕩式變動?；陔娏啃蛄械奶匦砸约皵?shù)據(jù)量，本文基于自回歸滑動平均模型（Auto-Regressive and Moving Average Model，ARMA）建立模型。ARMA模型是研究時間序列的常用方法，用于研究平穩(wěn)隨機過程有理譜，適用性很強。

1.2 神經(jīng)網(wǎng)絡

神經(jīng)網(wǎng)絡作為機器學習方法之一，起源于人類對大腦的研究，是一種仿生的網(wǎng)絡結構。通過大量簡單的生物神經(jīng)元之間的相互連接，來構造復雜的網(wǎng)絡結構，以模擬生物神經(jīng)網(wǎng)絡的智能行為，從而克服傳統(tǒng)算法處理智能信息的困難?；陂L短期記憶人工神經(jīng)網(wǎng)絡（Long-Short Term Memory，LSTM）獨特的設計結構，LSTM作為一種特殊的遞歸神經(jīng)網(wǎng)絡，不僅可以利用時間序列對輸入進行分析，還不會像普通的遞歸神經(jīng)網(wǎng)絡忽略長時間前的有用信息，因此，本文根據(jù)電量序列的特性選擇基于LSTM建立模型。

2 模型建立與求解

2.1 數(shù)據(jù)采集

本文以廈門大學漳州校區(qū)的學生作為調(diào)查對象，廈門大學漳州校區(qū)宿舍用電情況作為主要調(diào)查內(nèi)容，采用問卷調(diào)查法和實地觀察法兩種數(shù)據(jù)采集方法。

2.1.1 問卷調(diào)查法

本項目組前期通過查詢相關資料制訂了本次調(diào)查問卷，調(diào)查問卷設計分為三大部分：第一部分為被調(diào)查者基本情況，第二部分為被調(diào)查者對宿舍用電器的使用情況，第三部分為被調(diào)查者夏冬兩季用電量及電費支出情況，總計包含12個問題。在本次調(diào)查中，共發(fā)出問卷168份，收回問卷168份，有效問卷154份，有效回收率為91.7%。對調(diào)查問卷的數(shù)據(jù)進行分析，總結了影響本校大學生宿舍用電量情況的因素，并對校園節(jié)電管理及大學生節(jié)電意識培養(yǎng)提出了相關意見和建議。

2.1.2 實地觀察法

本文以廈門大學漳州校區(qū)為例，對校園內(nèi)各個園區(qū)共58幢宿舍樓采取隨機抽樣調(diào)查的方法，通過學校的電費網(wǎng)站采集了每個園區(qū)各一個宿舍從9月7日至12月7日的每日用電量。數(shù)據(jù)可視化如圖1所示。

2.2 影響因素分析

為了探究用電情況是否受性別影響，抽樣統(tǒng)計不同宿舍樓同宿舍號的9、10、11和12月的用電量情況，結果如表1所示。

為了更直觀地進行對比，基于表1數(shù)據(jù)繪制圖2。

統(tǒng)計北區(qū)不同宿舍樓同宿舍號的9、10、11和12月的用電量，發(fā)現(xiàn)用電量情況是受性別影響的，從圖2中可以看出，女生宿舍在9月—11月的平均用電量都明顯高于男生宿舍。將該結論與168份調(diào)查問卷的結果對比來看，在耗電最多的電器中有14.29%的男生選擇了日常電器這一選項，而選擇這一選項的女生有29.39%。經(jīng)過實地走訪調(diào)查發(fā)現(xiàn)，女生宿舍備有電器的數(shù)量比男生來得多，并且功率也相對更大，可以推斷出這是造成男女生宿舍用電量差異較為關鍵的部分。

2.3 ARMA模型建立

ARMA的基本思想是把AR和MA模型結合起來，使得所用參數(shù)個數(shù)保持很少。模型形式為：

式中：{?i}為自回歸系數(shù)；{θi}為移動平均系數(shù)；{γt}為時間序列；{at}為白噪聲序列；p和q為非負整數(shù)[6]。

本文通過觀察PACF、ACF截尾以及AIC、BIC準則來分別判斷p和q的值，以進行模型定階。

從預測日期開始，利用ARMA模型對不同園區(qū)宿舍電量進行預測，預測值作為新的樣本加入預測模型，逐日增加樣本量，計算預測值y?與實際值y的累計差異率s，公式為：

通過觀察差異率變動趨勢，對預測數(shù)據(jù)進行有效修正，最終確定選擇ARMA（9，1）作為預測模型。

2.4 LSTM模型建立

LSTM是一種特殊的RNN，可以學習到長期記憶信息，解決長時依賴問題，并且在反向傳播求導時梯度幾乎保持為常量，避免了梯度消失或爆炸，模型收斂速度更快。LSTM神經(jīng)網(wǎng)絡模型的循環(huán)單元內(nèi)部包括三個結構：遺忘門、輸入門和輸出門。遺忘門決定了上一時刻的工作狀態(tài)需要保留多少到當前時刻，可由tanh函數(shù)實現(xiàn)；輸入門決定當前時刻網(wǎng)絡輸入哪些信息來更新長期記憶狀態(tài)，該閥門篩選出有用信息喂入網(wǎng)絡，可由Sigmoid函數(shù)實現(xiàn)；最后一個是輸出閥門，它置于網(wǎng)絡的輸出之后，用于控制單元狀態(tài)，可以自動提取輸出信息中的重要部分，它也由Sigmoid函數(shù)實現(xiàn)。

LSTM網(wǎng)絡的基本單元如圖3所示，ft，it，ot分別為遺忘門、輸入門、輸出門；xt，gt，ht，Ct分別為t時刻的輸入、輸入節(jié)點、中間輸出和細胞單元的狀態(tài)；σ、tanh分別為Sigmoid和tanh函數(shù)變化。

本文先將數(shù)據(jù)轉換為平穩(wěn)數(shù)據(jù)，再將序列構造為一個有監(jiān)督的學習問題，并把數(shù)據(jù)集以2∶1的比例分成訓練數(shù)據(jù)集和測試數(shù)據(jù)集。為了達到較好的訓練效果，本文將batch size設置為1 000輪，以進行模型訓練。

3 實驗結果與分析

本文以YX園區(qū)宿舍的數(shù)據(jù)為例分別進行模型訓練，將實際值與兩種預測模型得到的預測值進行可視化，結果如圖4所示。由圖4可知兩種模型預測效果都較為不錯，走向與實際值大致相同。

為了更好地評價并對比模型效果，本文分別計算了LSTM的平均絕對值誤差MAE與平均絕對值百分比誤差MAPE，這兩個指標都經(jīng)常被用于時間序列分析中來評價衡量預測誤差和準確性。

MAE公式為：

MAPE公式為：

結果如表2所示。

表2 模型綜合評價表

從結果可以看出，LSTM模型的MAE與MAPE均小于ARMA模型，所以LSTM模型略優(yōu)于ARMA模型。

4 結論

（1）本文通過不同的時間序列模型預測對照，得出LSTM模型的預測效果優(yōu)于ARMA模型，機器學習相較傳統(tǒng)的時間序列模型更加精準。

（2）本文通過對廈門大學漳州校區(qū)宿舍用電量進行調(diào)查，得出性別是影響宿舍用電量的重要因素之一，原因是女生總體使用電器更多。此外，電量可能也與氣溫有關。

（3）根據(jù)用電量情況的預測既可以合理規(guī)劃各地區(qū)配電網(wǎng)，也能為宿舍用電預警提供實踐依據(jù)，避免因忘繳電費引起停電，造成生活不便。

（4）時間序列模型還可用于動植物種群數(shù)量逐月或逐年的消長進程、某證券交易所每日收盤指數(shù)等等，還能夠用在國民經(jīng)濟宏觀操縱、區(qū)域綜合進展計劃、企業(yè)經(jīng)營治理、市場潛量預測、氣象預報、水文預報、地震預兆預報、農(nóng)作物病蟲災害預報、環(huán)境污染操縱、生態(tài)平穩(wěn)、天文學和海洋學等方面。

（5）神經(jīng)網(wǎng)絡模型預測具有一定的可行性及可靠性，電網(wǎng)公司可以根據(jù)研究資料與成果，基于事故在范圍、時間等方面的信息，快速預估停電造成的影響，還可以結合已經(jīng)掌握的信息快速制訂解決方案。