謝志堅

（深圳市深能環(huán)保東部有限公司，深圳 518000）

0 引言

如今，電力網(wǎng)絡(luò)系統(tǒng)正隨著物聯(lián)網(wǎng)的崛起而朝向集成化、可視化、數(shù)字化、互聯(lián)化的智慧系統(tǒng)進(jìn)行銜接。電力系統(tǒng)負(fù)荷預(yù)測對于電網(wǎng)系統(tǒng)的籌劃建設(shè)和經(jīng)濟(jì)可持續(xù)發(fā)展起著至關(guān)重要的作用。負(fù)荷預(yù)測是以歷史負(fù)荷數(shù)據(jù)的變動特征為基礎(chǔ)，綜合天文、人文、管理等一系列有關(guān)因素，對未來短期的電力需求進(jìn)行評估。隨著電網(wǎng)系統(tǒng)規(guī)模日益增添以及物聯(lián)化程度迅速增高，更精準(zhǔn)的負(fù)荷預(yù)測對于科學(xué)管理電網(wǎng)系統(tǒng)、發(fā)電機(jī)組的組合調(diào)度以及電力市場運(yùn)營等方面變得不可或缺［1］。此外，堅持綠色環(huán)保及可持續(xù)發(fā)展的思想需電網(wǎng)實(shí)施運(yùn)行調(diào)度等方面的突破，而準(zhǔn)確的短期負(fù)荷預(yù)測是電網(wǎng)調(diào)度優(yōu)化的關(guān)鍵因素［2］。

由于眾多因素容易影響電力負(fù)荷的精準(zhǔn)預(yù)測，國內(nèi)外大量專家學(xué)者以各種方式提高預(yù)測模型的精準(zhǔn)程度。關(guān)于負(fù)荷預(yù)測法可分為以回歸分析法［3］、傅里葉展開法［4］等運(yùn)算簡便卻無力應(yīng)對龐雜數(shù)據(jù)為代表的傳統(tǒng)預(yù)測方法和以神經(jīng)網(wǎng)絡(luò)法［5］、深度學(xué)習(xí)［6］等運(yùn)算力強(qiáng)、精度較好為代表的智能預(yù)測方法。

文獻(xiàn)［7］以改進(jìn)粒子群算法優(yōu)化的傅里葉殘差修正模型取得更高預(yù)測精度的成果。文獻(xiàn)［8］提出一種含有注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)聯(lián)合長短期記憶網(wǎng)絡(luò)的預(yù)測模型以期改善預(yù)測效果。文獻(xiàn)［9］通過隨機(jī)森林算法選取特征數(shù)據(jù)，再經(jīng)由長短期記憶網(wǎng)絡(luò)（LSTM）進(jìn)行負(fù)荷預(yù)測。以上述模型為例的眾多預(yù)測法都采用組合預(yù)測，以避免單一模型的局限性而達(dá)到優(yōu)勢集合來獲取更高預(yù)測精度。CNN 常用于在海量數(shù)據(jù)中篩選出有效的特征信息。在維持LSTM 偏差程度的基礎(chǔ)上，優(yōu)化其收斂速度可得性能更佳的GRU模型［10］。天牛須搜索算法（BAS）擁有運(yùn)算量少和搜索能力強(qiáng)等優(yōu)勢而可用于優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)。

因此，本文提出一種以CNN 采集有效的數(shù)據(jù)，跟隨負(fù)荷繁雜動態(tài)變化的關(guān)鍵信息，再建造時間序列后引入GRU，最后運(yùn)用BAS 優(yōu)化GRU 超參數(shù)的CNN-BAS-GRU 預(yù)測模型。結(jié)合CNN 數(shù)據(jù)處理、BAS參數(shù)優(yōu)化和GRU時序處理三者的優(yōu)勢以期準(zhǔn)確有效地對電力負(fù)荷進(jìn)行預(yù)測。

1 理論基礎(chǔ)

1.1 CNN的基本原理

CNN 模型對海量數(shù)據(jù)采取自動采集關(guān)鍵特征而有別于傳統(tǒng)的人工選取法，并建立完整的特征向量，其結(jié)構(gòu)由輸入層、輸出層、卷積層、全連接層以及池化層構(gòu)成，如圖1所示［11］。卷積層作用為卷積上層特征映射及一維卷積核后生成輸出特征映射，其表達(dá)式為

圖1 CNN結(jié)構(gòu)模型

池化層的作用是為每個特征映射捕獲最強(qiáng)功效的值。

1.2 BAS的基本原理

天牛須搜索算法（BAS）源于天牛以兩須進(jìn)行捕食活動，是一種無須明確數(shù)學(xué)模型即可進(jìn)行快速準(zhǔn)確尋優(yōu)的智能優(yōu)化算法。以全局最優(yōu)值作為獵物，目標(biāo)函數(shù)的變化作為尋優(yōu)中的天牛位置，目標(biāo)函數(shù)值為獵物信息素，其尋優(yōu)步驟如下［12］：

（1）定義天牛搜索空間，并歸一化方向向量，其表達(dá)式為

（2）將天牛兩須動作視為搜索行為，且兩須長度隨迭代次數(shù)增加而遞減，天牛左右須的位置向量的表達(dá)式為

（3）以適應(yīng)度函數(shù)表示天牛須所檢測到的獵物氣味濃度，并選取最佳適應(yīng)度函數(shù)作為天牛新的位置向量，其表達(dá)式為

（4）由于搜索系數(shù)與步長系數(shù)隨迭代次數(shù)增多而改變，以數(shù)學(xué)模型可表示為

其中，d(τ- 1)為第τ- 1 次迭代的觸須長度；δ(τ- 1)為第τ- 1次迭代的搜索步長系數(shù)。

其流程框圖如圖2所示。

圖2 天牛須算法流程圖

1.3 GRU的基本原理

門控循環(huán)單元（GRU）以門體系監(jiān)管信息因子而規(guī)避時間序列的長期依賴問題。GRU 以重置門和更新門為結(jié)構(gòu)核心，具有參數(shù)少、易收斂、使用時間序列分析和訓(xùn)練效率高等優(yōu)勢，其內(nèi)部結(jié)構(gòu)如圖3 所示［13］。其中，GRU 網(wǎng)絡(luò)處理信息過程可表示為

圖3 GRU結(jié)構(gòu)圖

其中，zt、rt分別為重置門與更新門輸出；W為權(quán)值矩陣；σ為Sigmoid激活函數(shù)；h為隱含層信息；?為Hadamard乘積。

GRU 以式（7）為基礎(chǔ)，以隱藏單元保存歷史數(shù)據(jù)，運(yùn)用重置門控制現(xiàn)時信息和記憶信息的數(shù)據(jù)，并遞送新的記憶信息。并以式（8）為基礎(chǔ)，控制方才的狀態(tài)信息被引入當(dāng)下狀態(tài)的程度，更新門隨其數(shù)值增大而擴(kuò)增可代入信息。

2 短期負(fù)荷預(yù)測模型

2.1 數(shù)據(jù)預(yù)處理

在不先處理電力負(fù)荷數(shù)據(jù)的情況下，將大批量的數(shù)據(jù)導(dǎo)入神經(jīng)網(wǎng)絡(luò)會導(dǎo)致其運(yùn)算卡頓或形成梯度爆炸的狀況。因此，為了預(yù)測正常運(yùn)轉(zhuǎn)，需要進(jìn)行初始數(shù)據(jù)歸一化為標(biāo)準(zhǔn)區(qū)間向量的處理階段，其表達(dá)式為

其中，Xn為經(jīng)預(yù)處理的數(shù)據(jù)；X為初始數(shù)據(jù)；Xmax為樣本最大值；Xmin為最樣本小值。

2.2 模型結(jié)構(gòu)

由于負(fù)荷曲線不僅受到自然因素的影響，還會受到人為因素的干預(yù)。CNN 可通過交替的卷積層和池化層提取出受不定性因素感染的關(guān)鍵性信息特征，并經(jīng)時間序列處理后導(dǎo)入GRU。BAS 利用自身跳出局部最優(yōu)等優(yōu)勢，給予GRU模型最佳參數(shù)以期實(shí)現(xiàn)電力負(fù)荷的更精確預(yù)測。

CNN-BAS-GUR 預(yù)測過程如下所示，其結(jié)構(gòu)如圖4所示。

圖4 CNN-BAS-GRU預(yù)測模型結(jié)構(gòu)

（1）以式（11）處理初始數(shù)據(jù)后導(dǎo)入CNN層；

（2）構(gòu)建CNN 層提取的負(fù)荷變化特征向量為時間序列后導(dǎo)入GRU層；

（3）初始化BAS 參數(shù)，評價訓(xùn)練集適應(yīng)度，并計算GRU層的最佳參數(shù)；

（4）以具有最優(yōu)參數(shù)的GRU 更新預(yù)測模型，在測試機(jī)預(yù)測中對比精度；

（5）迭代預(yù)測后，經(jīng)反歸一處理，輸出評價后的數(shù)據(jù)。

3 實(shí)驗(yàn)分析

3.1 模型評價標(biāo)準(zhǔn)

通過平均絕對百分比誤差（MAPE）和均方誤差（RMSE）兩項(xiàng)評價指標(biāo)進(jìn)行負(fù)荷預(yù)測，以檢驗(yàn)所提模型的性能。其中，MAPE 與RMSE 的數(shù)值越小表示預(yù)測精確度越高。兩項(xiàng)項(xiàng)評價指標(biāo)的表達(dá)式分別為

其中，n為樣本量；y為期望值；為預(yù)測值。

3.2 負(fù)荷數(shù)據(jù)的選取與處理

以Matlab 平臺為基礎(chǔ)，采用某電力市場共計兩年的歷史負(fù)荷數(shù)據(jù)，采集周期為15 min，共計96 個時間序列對CNN-BAS-GRU 預(yù)測模型進(jìn)行實(shí)驗(yàn)分析。將數(shù)據(jù)以7∶2∶1的比例界定訓(xùn)練集、驗(yàn)證集與測試集，并將CNN、GRU 和CNN-GRU 模型進(jìn)行同上條件實(shí)驗(yàn)后，對所有模型進(jìn)行對比以驗(yàn)證所提模型的有效性。

3.3 預(yù)測結(jié)果與分析

經(jīng)由其他模型在全相同條件的實(shí)驗(yàn)仿真基礎(chǔ)上，得隨機(jī)單獨(dú)一天和隨機(jī)連續(xù)半年進(jìn)行負(fù)荷測試，其評價指標(biāo)結(jié)果見表1。各模型在樣本內(nèi)隨機(jī)單獨(dú)一天每第二個15 min 的時監(jiān)控負(fù)荷的實(shí)際值、預(yù)測值以及誤差值見表2。各模型在樣本內(nèi)隨機(jī)單獨(dú)一天的預(yù)測負(fù)荷值以及真實(shí)負(fù)荷值的變化曲線如圖5 所示。由表1 分析得，CNN-BAS-GRU 模型在單獨(dú)某天和連續(xù)半年的負(fù)荷預(yù)測與其他參與實(shí)驗(yàn)的模型相比，皆取得最佳的預(yù)測精度。通過對比CNN模型和CNN-GRU模型的MAPE和FAavg指標(biāo)值，可說明GRU模型能夠有效地處理時間序列問題。通過對比CNN-GRU模型和CNN-BAS-GRU 模型的MAPE和FAavg指標(biāo)值，可表明BAS 算法能夠幫助GRU 模型尋得最佳參數(shù)值而提高整體的預(yù)測精度，具備優(yōu)異的可靠程度。

表2 各模型實(shí)際值與預(yù)測值及誤差對比

圖5 各模型預(yù)測曲線對比圖

對各預(yù)測模型在隨機(jī)一天中第二個15 min監(jiān)測負(fù)荷的預(yù)測值、真實(shí)值及其絕對百分比誤差值進(jìn)行歸納整理為表2。其數(shù)據(jù)結(jié)果為，CNN-BAS-GRU 模型擁有最佳值，其24個監(jiān)測樣本的預(yù)測平均絕對百分比誤差為1.43%，比CNN模型、GRU模型和CNN-GRU模型分別縮減了2.10、1.24 和0.76 個百分比，分析得出CNN-BAS-GRU模型的平均誤差還有最大誤差皆取得最佳表現(xiàn)，具有更精確的預(yù)測程度。

對樣本范圍內(nèi)隨機(jī)一天的負(fù)荷值與各參與仿真實(shí)驗(yàn)?zāi)Ｐ偷念A(yù)測值進(jìn)行綜合整理，形成變化曲線如圖5 所示。由圖5 可見，盡管各預(yù)測模型都能較好地對短期電力負(fù)荷進(jìn)行預(yù)測，但所提出的CNN-BAS-GRU 模型對實(shí)際值具有更好地匹配能力，且在峰谷負(fù)荷點(diǎn)也有更佳的擬合效果，預(yù)測誤差更小，與真實(shí)負(fù)荷變化的整體走向能夠極大程度上保持相同性，為短期電力負(fù)荷預(yù)測供應(yīng)更優(yōu)質(zhì)的理論觀點(diǎn)。

4 結(jié)語

針對短期電力負(fù)荷預(yù)測的精準(zhǔn)要求，提出一種基于CNN-BAS-GRU 模型的負(fù)荷預(yù)測。經(jīng)理論分析研究，通過CNN 對海量數(shù)據(jù)收集關(guān)鍵特征后導(dǎo)入經(jīng)BAS 優(yōu)化的GRU 模塊進(jìn)行預(yù)測。仿真實(shí)驗(yàn)表明，CNN-BAS-GRU 模型對于短期負(fù)荷預(yù)測具備有效性和更精準(zhǔn)的預(yù)測程度，對后續(xù)深度探索電力負(fù)荷預(yù)測的實(shí)時性、快速性具有一定的參考意義。

此外，由于氣象因素對于短期負(fù)荷預(yù)測有著至關(guān)重要的影響。其中，常見的影響因素是溫度，其次還有濕度、風(fēng)力、天氣類型以及夏季、冬季負(fù)荷預(yù)測需要考慮天氣因素，都會使負(fù)荷發(fā)生急劇變化，下一步將日期類型列入影響負(fù)荷預(yù)測結(jié)果的因素之一。使用日期類型因素來決定特殊事件影響負(fù)荷。