摘 要：準(zhǔn)確地預(yù)測(cè)用電量有助于電力氣象服務(wù)工作的開展，并可保障電力系統(tǒng)經(jīng)濟(jì)、安全、可靠運(yùn)行?；跂|至縣2014—2018年日用電量數(shù)據(jù)，結(jié)合氣象要素和日期因素，通過(guò)相關(guān)性分析篩選要素，并利用長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)開展多時(shí)次用電量預(yù)測(cè)。利用人體舒適度指數(shù)、平均地面溫度、最高氣溫、最低氣溫、平均水汽壓、日期因素和用電量序列數(shù)據(jù)構(gòu)建用電量預(yù)測(cè)LSTM模型，該模型利用過(guò)去24日數(shù)據(jù)，對(duì)未來(lái)1、3、6日日用電量進(jìn)行預(yù)測(cè)，其標(biāo)準(zhǔn)化均方根誤差（CVRMSE）分別為0.06、0.09和0.11，相對(duì)誤差（RE）分別為0.27、0.26、0.27，決定系數(shù)（R2）分別為0.56、0.22、0.12。結(jié)果證實(shí)了基于LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)短期用電量的可行性，可為電力部門開展需求側(cè)管理、提高能源存儲(chǔ)運(yùn)營(yíng)水平提供技術(shù)支持。

關(guān)鍵詞：電力氣象服務(wù)；長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)；多時(shí)次預(yù)測(cè)；日用電量

中圖分類號(hào)：TM715 文獻(xiàn)標(biāo)志碼：B 文章編號(hào)：2095–3305（2024）07–0-03

隨著智慧電網(wǎng)的發(fā)展，用電量的精準(zhǔn)預(yù)測(cè)能幫助供電公司更好地進(jìn)行負(fù)載規(guī)劃，并減少過(guò)多的電能產(chǎn)量[1-2]。

準(zhǔn)確的預(yù)測(cè)數(shù)據(jù)能讓公用設(shè)備提供商模擬和預(yù)測(cè)用電負(fù)載真實(shí)評(píng)估能源價(jià)格，從而維持生產(chǎn)和需求的平衡，減少生產(chǎn)損失，以及更好地規(guī)劃未來(lái)和設(shè)計(jì)負(fù)載。

當(dāng)前，廣泛應(yīng)用于預(yù)測(cè)用電量的模型主要有工程學(xué)模型和數(shù)據(jù)挖掘模型。隨著深度學(xué)習(xí)的發(fā)展，如何應(yīng)用數(shù)據(jù)挖掘模型預(yù)測(cè)電力負(fù)荷受到廣泛重視。深度架構(gòu)中的人工神經(jīng)網(wǎng)絡(luò)（ANN）擅長(zhǎng)捕捉大數(shù)據(jù)中復(fù)雜的非線性特征，因而在相關(guān)研究中尤為重要[3]。深度學(xué)習(xí)中大量的隱藏層賦予了其通過(guò)分析輸入輸出之間的關(guān)系學(xué)習(xí)復(fù)雜數(shù)據(jù)的特征，因此探究如何結(jié)合先進(jìn)的神經(jīng)網(wǎng)絡(luò)算法和相關(guān)要素預(yù)測(cè)用電量成為近些年的研究熱點(diǎn)。

利用先進(jìn)的神經(jīng)網(wǎng)絡(luò)模型結(jié)合氣象數(shù)據(jù)等因子提高用電量預(yù)測(cè)準(zhǔn)確率，對(duì)電力氣象服務(wù)的開展和保障電力系統(tǒng)經(jīng)濟(jì)、安全、可靠運(yùn)行具有重要意義[4-5]。

1 數(shù)據(jù)與方法

用電量數(shù)據(jù)來(lái)源于國(guó)網(wǎng)池州市供電公司所提供的東至縣用電量數(shù)據(jù)。氣象因子選用平均氣溫、最高和最低氣溫、降雨量、蒸發(fā)量、最大風(fēng)速、平均地面溫度、日照時(shí)數(shù)等，數(shù)據(jù)來(lái)源于CIMISS，數(shù)據(jù)時(shí)段為2014年1月1日—2018年12月31日。

1.1 數(shù)據(jù)預(yù)處理

神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練表現(xiàn)和預(yù)測(cè)準(zhǔn)確率十分依賴數(shù)據(jù)質(zhì)量，因此數(shù)據(jù)預(yù)處理是一項(xiàng)重要工作。

用電量數(shù)據(jù)為東至縣供電公司整理后的數(shù)據(jù)，數(shù)據(jù)質(zhì)量較高且不存在缺測(cè)的情況。東至站氣象觀測(cè)數(shù)據(jù)中降水量少量數(shù)據(jù)缺測(cè)，蒸發(fā)量和日照時(shí)數(shù)數(shù)據(jù)存在連續(xù)缺測(cè)，利用東至站2017年同時(shí)段相對(duì)濕度、氣溫日較差、風(fēng)速對(duì)蒸發(fā)量建模，再利用該模型結(jié)合2018年的相對(duì)濕度、氣溫日較差、風(fēng)速參數(shù)計(jì)算缺測(cè)的蒸發(fā)量數(shù)據(jù)。經(jīng)分析，模型如下：

y=4.301-0.048x1+0.025x2+0.181x3（1）

式（1）中，y為蒸發(fā)量，x1、x2、x3分別為相對(duì)濕度、氣溫日較差、風(fēng)速。對(duì)于日照時(shí)數(shù)的缺測(cè)值修補(bǔ)，以2017—2018年該時(shí)段岳陽(yáng)、株洲站日照時(shí)數(shù)為自變量，

對(duì)東至站該時(shí)段日照時(shí)數(shù)建模如下：

y=0.353x1+0.452x2+0.779（2）

式（2）中，y為東至站日照時(shí)數(shù)，x1為岳陽(yáng)站日照時(shí)數(shù)，x2為株洲站日照時(shí)數(shù)。將缺測(cè)時(shí)段的岳陽(yáng)、株洲站日照時(shí)數(shù)代入式（2），得到缺測(cè)時(shí)段東至站日照時(shí)數(shù)。降水量及其他氣象因子的少量缺測(cè)數(shù)據(jù)采用前后平均值進(jìn)行插補(bǔ)。

1.2 長(zhǎng)短期記憶模型的構(gòu)建

長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)的一種變體，引入自循環(huán)使得梯度長(zhǎng)時(shí)間持續(xù)流動(dòng)[6-8]。通過(guò)輸入門、遺忘門、輸出門（公式如下）控制自循環(huán)權(quán)重，累積的時(shí)間尺度可以因輸入序列而改變。

ft=σ（Wf·[hf-1xt]+bf）（3）

it=σ（Wi·[hf-1xt]+bi）（4）

Ct=tan h（Wc·[hf-1xt]+bc）（5）

Ct=ft⊙Ct-1+it⊙Ct（6）

Ot=σ（Wo·[ht-1xt]+bo）（7）

ht=Ot⊙tan h（Ct）（8）

整理后的氣象參數(shù)、日期因素、用電量序列數(shù)據(jù)共1 826行，為防止訓(xùn)練過(guò)程中的梯度爆炸，需要將參數(shù)分別進(jìn)行歸一化處理。

（9）

式（9）中，xi為各項(xiàng)參數(shù)，xmin為該項(xiàng)參數(shù)最小值，xmax為該項(xiàng)參數(shù)最大值。各項(xiàng)參數(shù)歸一化后取值范圍均為[0，1]。

（10）

式（10）中，yi為驗(yàn)證集日用電量真實(shí)值，為根據(jù)當(dāng)輪訓(xùn)練模型計(jì)算的驗(yàn)證集日用電量計(jì)算值，m為驗(yàn)證集數(shù)據(jù)量。連續(xù)的時(shí)間序列數(shù)據(jù)會(huì)對(duì)模型訓(xùn)練產(chǎn)生影響，因此每輪訓(xùn)練集采用隨機(jī)抽樣的方式構(gòu)建，訓(xùn)練前在訓(xùn)練集中隨機(jī)抽取500組連續(xù)64條數(shù)據(jù)集，每個(gè)數(shù)據(jù)集中包括前24日的氣象參數(shù)、日期因素和用電量數(shù)據(jù)，預(yù)測(cè)下1、3、6日的用電量數(shù)值。訓(xùn)練后的驗(yàn)證階段同樣采用隨機(jī)抽取的方式進(jìn)行評(píng)估。

1.3 評(píng)價(jià)指標(biāo)

模型預(yù)測(cè)值與真實(shí)值間差異的評(píng)價(jià)基于以下3種指標(biāo)。

標(biāo)準(zhǔn)化均方根誤差：

（11）

相對(duì)誤差：

（12）

決定系數(shù)：

（13）

式（11）～（13）中，為日用電量的模型預(yù)測(cè)值（kW·h），

yi為其真實(shí)值（kW·h），y為日用電量的平均值（kW·h），

N為觀測(cè)次數(shù)。CV（RMSE）為均方根誤差的標(biāo)準(zhǔn)化值，該數(shù)值越小，表示預(yù)測(cè)模型的精度越高；RE為相對(duì)誤差值（%），可用于反映模型預(yù)測(cè)的可信程度；R2為決定系數(shù)，可用于判斷模型的解釋力。

該研究數(shù)據(jù)預(yù)處理、分析、模型訓(xùn)練、效果評(píng)估及部分作圖過(guò)程均在R語(yǔ)言（版本3.6.0）中完成。LSTM模型的建立基于keras深度學(xué)習(xí)框架，作圖利用了“ggplot2”包。

2 結(jié)果與分析

2.1 日用電量與各要素之間的相關(guān)性分析

圖1為日用電量與日起因子之間的關(guān)系，可以看出，工作日用電量相對(duì)于節(jié)假日會(huì)有少許增加。

圖2為日用電量與氣象要素之間的關(guān)系，因計(jì)算人體舒適度指數(shù)時(shí)使用了平均氣溫、相對(duì)濕度和風(fēng)速數(shù)據(jù)，故此3種氣象要素不再單獨(dú)驗(yàn)證與日用電量之間的相關(guān)性。由圖2可知，人體舒適度指數(shù)、平均地面溫度、最高氣溫、最低氣溫、平均水汽壓與日用電量間有明顯的二次曲線關(guān)系，平均氣壓與其相關(guān)關(guān)系不明朗，但也有二期曲線關(guān)系的趨勢(shì)。其他氣象因子如風(fēng)速、降水量、蒸發(fā)量、日照時(shí)數(shù)與日用電量間均無(wú)明顯相關(guān)性。

2.2 基于多要素的日用電量LSTM預(yù)測(cè)

整理數(shù)據(jù)得出，用電量在2014—2018年逐年波動(dòng)增加。較好的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)可以在較少的計(jì)算量下得到更好的預(yù)測(cè)效率。經(jīng)過(guò)多輪測(cè)試，最終得出7層模型結(jié)構(gòu)，激活函數(shù)為“ReLU”，優(yōu)化器為“ADAM”，最大訓(xùn)練輪數(shù)設(shè)置為100輪。

LSTM模型在1日尺度上的預(yù)測(cè)值十分準(zhǔn)確，在較長(zhǎng)的時(shí)間尺度上也具有較高的精度。圖3為1、3、6日下的LSTM模型預(yù)測(cè)值與真實(shí)值的對(duì)比情況，可以看出，1日預(yù)測(cè)步長(zhǎng)下預(yù)測(cè)值與真實(shí)值基本一致，3日和6日步長(zhǎng)下也緊貼著y=x線。

3 結(jié)論與討論

該研究在相關(guān)分析的基礎(chǔ)上精減參數(shù)類型，并基于氣象要素、日期因素和日用電量序列數(shù)據(jù)利用LSTM模型訓(xùn)練并預(yù)測(cè)多時(shí)次動(dòng)態(tài)日用電量參數(shù)，取得了較好的預(yù)測(cè)效果。分析得出，除平均氣壓外，其他因子對(duì)日用電量的影響效果明顯。由用電量LSTM預(yù)測(cè)模型的預(yù)測(cè)結(jié)果可證實(shí)該種訓(xùn)練和預(yù)測(cè)方式可實(shí)現(xiàn)準(zhǔn)確率較高的短期日用電量預(yù)測(cè)。

神經(jīng)網(wǎng)絡(luò)模型的成功應(yīng)用依賴于準(zhǔn)確的各流程算法和足量的時(shí)間序列數(shù)據(jù)，該研究應(yīng)用的算法均經(jīng)過(guò)仔細(xì)檢驗(yàn)，可確保準(zhǔn)確無(wú)誤，但受數(shù)據(jù)量的限制，無(wú)法試驗(yàn)算法在更長(zhǎng)時(shí)間尺度上的預(yù)測(cè)能力。

精準(zhǔn)的用電量預(yù)測(cè)對(duì)于電力運(yùn)營(yíng)管理至關(guān)重要[9-10]。

該研究利用相關(guān)分析方法，所篩選的氣象要素、日期因素、用電量序列數(shù)據(jù)，并結(jié)合LSTM模型成功預(yù)測(cè)東至縣短期日用電量，其結(jié)果可為電力部門開展需求側(cè)管理、提高能源存儲(chǔ)運(yùn)營(yíng)水平、減輕能源短缺威脅，最終實(shí)現(xiàn)智慧電網(wǎng)提供數(shù)據(jù)和技術(shù)支持。

參考文獻(xiàn)

[1] 王增平，趙兵，紀(jì)維佳，等.基于GRU-NN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（5）：53-58.

[2] 唐平雅.電力需求預(yù)測(cè)方法和能源需求預(yù)測(cè)模型探討[J].中國(guó)電力，2000（4）：32-34，52.

[3] 孫靜，阮本清，蔣任飛.寧夏引黃灌區(qū)參考作物蒸發(fā)蒸騰量及其氣候影響因子的研究[J].灌溉排水學(xué)報(bào)，2006（1）：54 -57，61.

[4] 易禮秋.基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)變權(quán)綜合的短期電力負(fù)荷預(yù)測(cè)[D].烏魯木齊：新疆財(cái)經(jīng)大學(xué)，2021.

[5] 邱凱旋，李佳.基于貝葉斯優(yōu)化和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（BO-LSTM）的短期電力負(fù)荷預(yù)測(cè)[J].電力學(xué)報(bào)，2022，37（5）： 367-373.

[6] 陳勝，劉鵬飛，王平，等.基于LSTM人工神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測(cè)方法[J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)，2024，46（1）：66-71.

[7] 王子樂(lè)，王子謀，蔡瑩，等.基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)組合算法的短期電力負(fù)荷預(yù)測(cè)[J].現(xiàn)代電力，2023，40（2）：201-209.

[8] 姜凡.基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)研究[D].武漢：湖北工業(yè)大學(xué)，2021.

[9] 吳翔宇，荀超，肖芬，等.基于RF變量選擇與LSTM回歸的長(zhǎng)期用電量預(yù)測(cè)模型[J].電氣傳動(dòng)，2023，53（5）：71-76.

[10] 蔡翔，朱莉.改進(jìn)深度神經(jīng)網(wǎng)絡(luò)的用戶用電量預(yù)測(cè)方法[J].湖北工業(yè)大學(xué)學(xué)報(bào)，2023，38（1）：15-20.