基于GCA和LSTM神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)網(wǎng)損預(yù)測(cè)

鄧威，劉俐，李勇，譚益，朱亮，曹一家

(1.國(guó)網(wǎng)湖南省電力有限公司電力科學(xué)研究院，湖南 長(zhǎng)沙 410007；2.湖南大學(xué) 電氣與信息工程學(xué)院，湖南 長(zhǎng)沙 410082；3.國(guó)網(wǎng)湖南省電力有限公司，湖南 長(zhǎng)沙 410004)

“十三五”規(guī)劃期間，國(guó)家計(jì)劃加大對(duì)配電網(wǎng)的投資，配電網(wǎng)建設(shè)改造力度達(dá)到空前，同時(shí)對(duì)配電網(wǎng)線損率提出了明確要求。隨著社會(huì)經(jīng)濟(jì)的發(fā)展，電力設(shè)備不斷增多，10 kV配電網(wǎng)損耗電量在整個(gè)電力網(wǎng)中占比日益增加，存在較大的降損空間；另外新能源的大量接入，對(duì)配電網(wǎng)提出了更加嚴(yán)苛的要求，使得配電網(wǎng)架構(gòu)日趨復(fù)雜，增加了配電網(wǎng)管理和損耗分析的難度。近年來(lái)配電網(wǎng)自動(dòng)數(shù)據(jù)采集系統(tǒng)的不斷發(fā)展為網(wǎng)損計(jì)算提供了大量的數(shù)據(jù)，由于傳統(tǒng)計(jì)算方法不能挖掘出海量數(shù)據(jù)與電網(wǎng)損耗之間的關(guān)系，因此需要將人工智能算法引入網(wǎng)損分析中，借助其強(qiáng)大的非線性數(shù)據(jù)處理能力挖掘網(wǎng)損影響因素，用以預(yù)測(cè)未來(lái)網(wǎng)損的變化區(qū)間。在供電管理中，通過(guò)對(duì)網(wǎng)損進(jìn)行分析預(yù)測(cè)，能夠有效提高管理效率[1]。電力企業(yè)對(duì)電力系統(tǒng)網(wǎng)損進(jìn)行預(yù)測(cè)，掌握電網(wǎng)運(yùn)行中網(wǎng)損構(gòu)成，推理出存在缺陷的環(huán)節(jié)，可以對(duì)網(wǎng)損違反正常規(guī)律的地方進(jìn)行檢查改進(jìn)。研究網(wǎng)損規(guī)律對(duì)電力系統(tǒng)的運(yùn)行、維護(hù)、效益等具有重要意義[2-3]。正確計(jì)算能量損耗是配電系統(tǒng)分析中最復(fù)雜的問(wèn)題之一，需要考慮設(shè)計(jì)標(biāo)準(zhǔn)和配電網(wǎng)絡(luò)運(yùn)行條件等許多因素[4]。

以往的研究?jī)A向于關(guān)注線路損耗的計(jì)算，文獻(xiàn)[5]設(shè)計(jì)了同期線損監(jiān)測(cè)系統(tǒng)，并在實(shí)際系統(tǒng)運(yùn)行中進(jìn)行驗(yàn)證。文獻(xiàn)[6]提出基于改進(jìn)核心向量機(jī)的智能化理論線損計(jì)算方法以提高配電網(wǎng)理論線損計(jì)算精度，在核心向量機(jī)的訓(xùn)練參數(shù)的優(yōu)化中采用量子遺傳算法以克服訓(xùn)練參數(shù)選取的盲目性，適用于解決小樣本、非線性及高維模式的識(shí)別問(wèn)題，但不適用于大規(guī)模系統(tǒng)。文獻(xiàn)[7]采用免疫遺傳算法優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)，擴(kuò)大了神經(jīng)網(wǎng)絡(luò)的權(quán)值搜索空間，提高了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率和精度，但沒(méi)有對(duì)配電網(wǎng)線損進(jìn)行預(yù)測(cè)?？紤]到中低壓配電網(wǎng)饋線具有不同的構(gòu)造和操作特性，例如標(biāo)稱(chēng)電壓、長(zhǎng)度、電路類(lèi)型和供電負(fù)載等[2,8]，即使某條饋線與其他饋線相比有更多的能量損耗，也并不意味著它處于過(guò)載運(yùn)行狀態(tài)。因此，如果準(zhǔn)確地預(yù)測(cè)配電網(wǎng)變電站區(qū)域的饋線能量損耗，則可提前確定該配電網(wǎng)損耗值，并開(kāi)展降損研究，提高配電網(wǎng)運(yùn)行經(jīng)濟(jì)效益。準(zhǔn)確預(yù)測(cè)配電網(wǎng)網(wǎng)損以改善電網(wǎng)的運(yùn)行，已成為許多不同研究的主題?，F(xiàn)有的配電網(wǎng)損耗評(píng)估的研究中，主要包括2種類(lèi)型的方法：改進(jìn)的經(jīng)典方法和基于人工智能技術(shù)的方法，如模糊邏輯、神經(jīng)網(wǎng)絡(luò)、遺傳算法、聚類(lèi)等。

針對(duì)配電網(wǎng)損耗特征量指標(biāo)較多且網(wǎng)損數(shù)據(jù)具有一定的時(shí)間特性的特點(diǎn)，本文提出了基于灰色關(guān)聯(lián)分析(grey correlation analysis, GCA)和長(zhǎng)短期記憶(long short-term memory, LSTM)網(wǎng)絡(luò)的配電網(wǎng)損耗預(yù)測(cè)方法。首先采用GCA算法排除干擾因素，提取配電網(wǎng)損耗主要影響因素，降低輸入數(shù)據(jù)維數(shù)，提高數(shù)據(jù)的相關(guān)性；然后，建立LSTM預(yù)測(cè)模型對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，達(dá)到兼顧數(shù)據(jù)處理效率與精度的要求。該方法簡(jiǎn)單實(shí)用，處理速度較快，在處理網(wǎng)損數(shù)據(jù)中可有效估算電網(wǎng)中的日內(nèi)功率損耗，為網(wǎng)損管理提供可靠的數(shù)據(jù)支撐，幫助供電企業(yè)制訂合理可行的降損節(jié)能目標(biāo)。

1 GCA的輸入特征指標(biāo)體系

1.1 GCA法

中低壓配電網(wǎng)中影響網(wǎng)損的因素很多，主要有供電量、用戶用電量等[9-11]，目前相關(guān)特征指標(biāo)主要憑借專(zhuān)家經(jīng)驗(yàn)進(jìn)行選取。本文采用GCA法計(jì)算特征指標(biāo)與網(wǎng)損值之間的關(guān)聯(lián)度，選取相關(guān)性高的特征量用來(lái)反映配電網(wǎng)結(jié)構(gòu)和運(yùn)行狀態(tài)對(duì)網(wǎng)損的影響程度。

GCA理論[12-15]是一種多因素統(tǒng)計(jì)分析理論，它以各因素的樣本數(shù)據(jù)為依據(jù)，用灰色關(guān)聯(lián)度來(lái)描述因素間的強(qiáng)弱、大小和次序。與數(shù)理統(tǒng)計(jì)中的相關(guān)分析相比，GCA法具有直觀、計(jì)算簡(jiǎn)便、不要求比較序列、典型的分布規(guī)律及數(shù)據(jù)量要求小等優(yōu)點(diǎn)。其決策的思想是根據(jù)問(wèn)題的實(shí)際情況確定出理想的最優(yōu)序列，利用方案的序列曲線和幾何形狀與理想最優(yōu)序列的曲線和幾何形狀的相似程度來(lái)判斷其之間的關(guān)聯(lián)程度，曲線和幾何形狀越接近則說(shuō)明其關(guān)聯(lián)度越大，該指標(biāo)越接近理想最優(yōu)。最后根據(jù)關(guān)聯(lián)度大小排序并判斷指標(biāo)的優(yōu)劣。

網(wǎng)損作為參考序列y(k) (k=1, 2, …,m)，影響網(wǎng)損的特征指標(biāo)作為比較序列xi(k) (i=1, 2, …,n)，對(duì)于單位不一、初值不同的序列，在計(jì)算關(guān)聯(lián)系數(shù)之前應(yīng)對(duì)原始數(shù)據(jù)進(jìn)行歸一化。歸一化方法有多種形式，本文采用

(1)

比較序列xi對(duì)參考序列y在k時(shí)刻的關(guān)聯(lián)系數(shù)定義為

(2)

式中：Δi(k)=|y(k)-xi(k)|；ρ為分辨系數(shù)，位于0到1之間，其取值在一定程度上影響關(guān)聯(lián)度的大小與方案的排列順序，一般取ρ=0.5[16]。

關(guān)聯(lián)系數(shù)只表示了各個(gè)時(shí)刻參考序列和比較序列之間的關(guān)聯(lián)程度，為了從總體上了解序列之間的關(guān)聯(lián)程度，須求出它們的時(shí)間平均值，即整個(gè)y與xi的灰色關(guān)聯(lián)度

(3)

對(duì)每個(gè)電氣指標(biāo)按關(guān)聯(lián)度ri值進(jìn)行排序，從上至下依次選取不同數(shù)目的電氣指標(biāo)，并根據(jù)實(shí)際配電網(wǎng)數(shù)據(jù)建立LSTM網(wǎng)損預(yù)測(cè)模型，平均預(yù)測(cè)誤差最小的一組指標(biāo)作為實(shí)際配電網(wǎng)的特征指標(biāo)。

1.2 實(shí)例分析

為了驗(yàn)證GCA的有效性，本文針對(duì)某區(qū)域10 kV配電網(wǎng)進(jìn)行分析，該配電網(wǎng)包含39個(gè)臺(tái)區(qū)，專(zhuān)用變壓器(以下簡(jiǎn)稱(chēng)“專(zhuān)變”)月有功供電量占10 kV線路月有功供電量的比重為4.58%，其中37個(gè)臺(tái)區(qū)僅有公用變壓器(以下簡(jiǎn)稱(chēng)“公變”)。

由于近期的歷史網(wǎng)損、供電量和用電量是配電網(wǎng)網(wǎng)損預(yù)測(cè)重要的參考數(shù)據(jù)，根據(jù)已有文獻(xiàn)的相關(guān)分析，本文選擇樣本數(shù)據(jù)輸入變量指標(biāo)主要包括：預(yù)測(cè)點(diǎn)前1 d此刻、前2 d此刻的網(wǎng)損值、變電站有功及無(wú)功供電量和區(qū)域有功及無(wú)功用電量，預(yù)測(cè)點(diǎn)前1 d此刻的公變有功和無(wú)功供電量、專(zhuān)變有功和無(wú)功供電量等14個(gè)指標(biāo)。按GCA計(jì)算得到的關(guān)聯(lián)度排序結(jié)果見(jiàn)表1。

表1 按關(guān)聯(lián)度排序的影響網(wǎng)損的指標(biāo)Tab.1 Indicatorsaffecting network loss ranked by GCA

由表1可以看出：所選取的14個(gè)電氣指標(biāo)與網(wǎng)損數(shù)據(jù)均存在較高的相關(guān)性，最終選取的指標(biāo)個(gè)數(shù)應(yīng)滿足LSTM網(wǎng)絡(luò)預(yù)測(cè)精度最高的要求。

2 LSTM神經(jīng)網(wǎng)絡(luò)

網(wǎng)損數(shù)據(jù)具有較強(qiáng)的時(shí)間連續(xù)性和規(guī)律性，且其發(fā)展規(guī)律難以用數(shù)學(xué)公式表達(dá)，采用循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)可以建立輸入與輸出之間的映射關(guān)系，利用大量樣本數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練后，可以建立配電網(wǎng)網(wǎng)損輸入與輸出之間的對(duì)應(yīng)關(guān)系。RNN的每一次隱含層的計(jì)算結(jié)果都與之前的隱含層結(jié)果相關(guān)，因此其具有記憶性，可以準(zhǔn)確地預(yù)測(cè)未來(lái)一段時(shí)間內(nèi)網(wǎng)損值及其變化趨勢(shì)。

RNN是利用輸入數(shù)據(jù)的時(shí)間信息改進(jìn)的一類(lèi)人工神經(jīng)網(wǎng)絡(luò)。同一隱含層的神經(jīng)元之間有內(nèi)在聯(lián)系，可以傳遞時(shí)間信息，但是隨著時(shí)間的推移，后面的節(jié)點(diǎn)對(duì)前面節(jié)點(diǎn)的時(shí)間感知能力下降，即存在梯度消失問(wèn)題[17]。

LSTM網(wǎng)絡(luò)[18]通過(guò)使用LSTM存儲(chǔ)單元代替RNN中的隱藏層單元來(lái)解決消失梯度問(wèn)題。LSTM神經(jīng)元結(jié)構(gòu)由輸入門(mén)、輸出門(mén)和遺忘門(mén)組成，這3個(gè)門(mén)控制進(jìn)出神經(jīng)元的信息流。單個(gè)LSTM神經(jīng)元結(jié)構(gòu)如圖1所示。

左上角單元為輸出門(mén)，右邊中部單元為遺忘門(mén)，左下角單元為輸入門(mén)；中間下部g為tanh()函數(shù)計(jì)算單元，中間上部h為tanh()函數(shù)計(jì)算單元；xt為t時(shí)刻的網(wǎng)絡(luò)輸入；ht為t時(shí)刻的網(wǎng)絡(luò)輸出；bi、bf、bc、bo分別為輸入門(mén)對(duì)應(yīng)的偏置項(xiàng)、遺忘門(mén)對(duì)應(yīng)的偏置項(xiàng)、單元對(duì)應(yīng)的偏置項(xiàng)、輸出門(mén)對(duì)應(yīng)的偏置項(xiàng)。

圖1 LSTM神經(jīng)元結(jié)構(gòu)
Fig.1 Neuron structure of LSTM

輸入門(mén)用來(lái)控制信息輸入，遺忘門(mén)用來(lái)控制細(xì)胞歷史狀態(tài)信息的保留，輸出門(mén)用來(lái)控制信息輸出。激活函數(shù)it=σ(Wxiht-1+Wxixt+Wxict-1+bi)使得遺忘門(mén)的輸出值在[0, 1]之間，并控制上一單元狀態(tài)被遺忘的程度。當(dāng)遺忘門(mén)輸出為0的時(shí)候，表示將上一狀態(tài)的信息全部丟棄；當(dāng)遺忘門(mén)輸出為1的時(shí)候，表示將上一狀態(tài)的信息全部保留。其過(guò)程用公式描述為：

it=σ(Wxiht-1+Wxixt+Wxict-1+bi).

(4)

ft=σ(Wxfht-1+Wxfxt+Wxfct-1+bf).

(5)

ct=ftct+ittanh(Whcht-1+Wxcxt+bc).

(6)

ot=σ(Whoht-1+Wxoxt+Wcoct-1+bo).

(7)

ht=ottanh(ct).

(8)

式中：it為t時(shí)刻的網(wǎng)絡(luò)輸入門(mén)的輸出；ft為t時(shí)刻的網(wǎng)絡(luò)遺忘門(mén)的輸出；ct為t時(shí)刻的單元狀態(tài)；ot為t時(shí)刻的網(wǎng)絡(luò)輸出門(mén)的輸出；Wxi、Wxf、Whc、Wxc、Who、Wxo、Wco分別為 輸入門(mén)權(quán)重、遺忘門(mén)權(quán)重、輸出門(mén)與單元連接權(quán)重、輸入門(mén)與單元連接權(quán)重、輸出門(mén)隱藏節(jié)點(diǎn)與t-1時(shí)刻輸出節(jié)點(diǎn)連接權(quán)重、輸出門(mén)輸入節(jié)點(diǎn)與隱藏節(jié)點(diǎn)連接權(quán)重、輸出門(mén)與t-1時(shí)刻單元輸出節(jié)點(diǎn)的連接權(quán)重。

LSTM網(wǎng)絡(luò)有選擇性地保存信息，對(duì)于短期數(shù)據(jù)可提高預(yù)測(cè)效率；對(duì)于長(zhǎng)期時(shí)間序列，可儲(chǔ)存更久遠(yuǎn)的信息，體現(xiàn)出較強(qiáng)的長(zhǎng)期依賴(lài)性，往往表現(xiàn)出比RNN更好的預(yù)測(cè)效果。

3 網(wǎng)損預(yù)測(cè)模型

3.1 預(yù)測(cè)流程

GCA和LSTM網(wǎng)絡(luò)的配電網(wǎng)網(wǎng)損預(yù)測(cè)流程主要包括數(shù)據(jù)預(yù)處理、構(gòu)建輸入特征集、離線訓(xùn)練LSTM網(wǎng)損預(yù)測(cè)模型和網(wǎng)損在線預(yù)測(cè)，步驟如下：

a)數(shù)據(jù)預(yù)處理。在實(shí)際測(cè)量數(shù)據(jù)中，存在相關(guān)測(cè)量數(shù)據(jù)缺失的情況，對(duì)于這樣的數(shù)據(jù)，首先要進(jìn)行數(shù)據(jù)清洗和補(bǔ)充[19]。

b)輸入特征集構(gòu)建。本文采用GCA處理輸入?yún)?shù)，考慮到網(wǎng)損與網(wǎng)損歷史數(shù)據(jù)(變電站供電量、專(zhuān)變供電量、公變供電量及用戶用電量等)，將有一定相關(guān)性的電氣指標(biāo)作為初始特征集，利用GCA法確定特征量與網(wǎng)損值的關(guān)聯(lián)度，選擇平均預(yù)測(cè)誤差最小的一組特征量作為最終輸入特征指標(biāo)。

c)離線訓(xùn)練LSTM網(wǎng)損預(yù)測(cè)模型。建立LSTM網(wǎng)損預(yù)測(cè)模型，包括設(shè)置網(wǎng)絡(luò)層次、層節(jié)點(diǎn)數(shù)、時(shí)間窗大小等參數(shù)值，輸入訓(xùn)練樣本數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練，確定最優(yōu)參數(shù)。

d)網(wǎng)損在線預(yù)測(cè)。在LSTM網(wǎng)絡(luò)中輸入相關(guān)特征量，進(jìn)行實(shí)時(shí)網(wǎng)損預(yù)測(cè)，得到測(cè)試結(jié)果后將其反歸一化，還原為原始范圍數(shù)據(jù)，得出網(wǎng)損預(yù)測(cè)結(jié)果。

3.2 模型評(píng)價(jià)指標(biāo)

為量化預(yù)測(cè)值接近真實(shí)值的程度，本文選取平均絕對(duì)百分比誤差(mean absolute percentage error，MAPE)和均方根誤差(root mean square error, RMSE)作為評(píng)價(jià)預(yù)測(cè)模型好壞的指標(biāo)，計(jì)算式分別為：

(9)

(10)

4 算例分析

算例為某區(qū)域部分10 kV配電網(wǎng)，包含1個(gè)容量為2×100 MVA的110 kV/10 kV變電站。配電區(qū)域內(nèi)共有39個(gè)臺(tái)區(qū)，其中37個(gè)臺(tái)區(qū)只有公變，2個(gè)臺(tái)區(qū)僅有專(zhuān)變，整個(gè)區(qū)域內(nèi)共有41臺(tái)公變和2臺(tái)專(zhuān)變。在37個(gè)公變的臺(tái)區(qū)中，有2個(gè)臺(tái)區(qū)各有2臺(tái)公變，其余臺(tái)區(qū)僅有1臺(tái)公變，利用DIgSILENT/PowerFactory仿真軟件對(duì)該區(qū)域配電網(wǎng)模型進(jìn)行建模仿真。將2018年1月12日0時(shí)至2018年6月27日23時(shí)共4 008個(gè)網(wǎng)損數(shù)據(jù)作為訓(xùn)練樣本序列，數(shù)據(jù)采樣周期為1 h，建立GCA-LSTM網(wǎng)損預(yù)測(cè)模型。將2018年6月28日0時(shí)至7月28日23時(shí)的744個(gè)網(wǎng)損數(shù)據(jù)作為測(cè)試集，進(jìn)行提前24 h的預(yù)測(cè)。

4.1 特征指標(biāo)構(gòu)建

基于表1中特征指標(biāo)的關(guān)聯(lián)度排序，建立10 kV配電網(wǎng)LSTM網(wǎng)損預(yù)測(cè)模型，選取合適的特征量作為模型輸入，對(duì)該配電網(wǎng)的MAPE預(yù)測(cè)值與特征指標(biāo)數(shù)之間的關(guān)系進(jìn)行計(jì)算，結(jié)果如圖2所示。

圖2 不同特征指標(biāo)體系下LSTM預(yù)測(cè)模型的MAPE值Fig.2 MAPE values of LSTM under different characteristic index system

可以看出，當(dāng)特征指標(biāo)數(shù)為7時(shí)，MAPE值最小，此時(shí)LSTM網(wǎng)損預(yù)測(cè)模型具有最佳性能，即在本文算例中，選擇表1中排名前7的指標(biāo)作為輸入特征量。

4.2 網(wǎng)損預(yù)測(cè)結(jié)果

本文分別建立反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)[20]、支持向量機(jī)(support vector machine，SVM)及LSTM 等3種網(wǎng)損預(yù)測(cè)模型對(duì)比預(yù)測(cè)性能。BP結(jié)構(gòu)參數(shù)：輸入層神經(jīng)元數(shù)量為7，隱含層神經(jīng)元數(shù)量為20，輸出層神經(jīng)元數(shù)量為1，學(xué)習(xí)率為0.001，學(xué)習(xí)目標(biāo)為0.01，迭代500次。SVM模型選用徑向基核函數(shù)，其學(xué)習(xí)參數(shù)C是通過(guò)10折交叉驗(yàn)證獲得。LSTM輸入層即為多元數(shù)據(jù)序列，數(shù)目為7；隱藏層數(shù)目即為L(zhǎng)STM層數(shù)目，該層數(shù)目越多，對(duì)原始數(shù)據(jù)非線性擬合能力越強(qiáng)，但訓(xùn)練時(shí)間和模型復(fù)雜度也相應(yīng)增加，本文選擇單LSTM隱藏層，維數(shù)為20；輸出層數(shù)目為1。3種網(wǎng)損預(yù)測(cè)模型采用自適應(yīng)時(shí)刻估計(jì)方法(adaptive moment estimation，ADAM)進(jìn)行優(yōu)化，批處理大小取72，訓(xùn)練次數(shù)取100，損失函數(shù)選擇平均絕對(duì)誤差(mean absolute error, MAE)。對(duì)6月28日至7月28日的網(wǎng)損進(jìn)行提前24 h網(wǎng)損預(yù)測(cè)，結(jié)果如圖3所示。

圖3 6月28日至7月28日不同模型網(wǎng)損預(yù)測(cè)曲線Fig.3 Network loss forecasting curves from June 28th to July 28th

由圖3可以看出：相較于BP網(wǎng)絡(luò)，SVM和LSTM模型準(zhǔn)確率更高。從整體來(lái)看，LSTM模型預(yù)測(cè)結(jié)果更加接近真實(shí)曲線，且預(yù)測(cè)序列的變化趨勢(shì)與真實(shí)序列相符。為驗(yàn)證模型的適應(yīng)性，對(duì)7月22日至7月28日網(wǎng)損進(jìn)行提前24 h預(yù)測(cè)，3種網(wǎng)損預(yù)測(cè)模型定量評(píng)價(jià)結(jié)果見(jiàn)表2。

表2 網(wǎng)損預(yù)測(cè)結(jié)果比較Tab.2 Comparison of forecasting results of network loss

由表2的預(yù)測(cè)誤差結(jié)果可知，LSTM模型具有最高的預(yù)測(cè)精度：MAPE一周平均值為3.10%，RMSE一周平均值為0.49 kWh，此2個(gè)誤差指標(biāo)均為3個(gè)模型中最小，即LSTM模型預(yù)測(cè)效果最好。

5 結(jié)束語(yǔ)

本文提出一種基于GCA和LSTM神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)損耗預(yù)測(cè)方法?？紤]到目前特征指標(biāo)多依靠專(zhuān)家經(jīng)驗(yàn)進(jìn)行選取，缺少理論依據(jù)。本文通過(guò)GCA方法確定了配電網(wǎng)損耗與相關(guān)電氣量影響因子的關(guān)聯(lián)度，在不同特征指標(biāo)數(shù)目下，分別建立了LSTM網(wǎng)損預(yù)測(cè)模型，確定了最佳特征指標(biāo)數(shù)目；結(jié)合最佳輸入特征指標(biāo)，分別構(gòu)建BP、SVM、LSTM網(wǎng)損預(yù)測(cè)模型，對(duì)實(shí)際配電網(wǎng)損耗進(jìn)行提前24 h的預(yù)測(cè)。算例結(jié)果表明:本文提出的基于GCA和LSTM網(wǎng)損預(yù)測(cè)方法預(yù)測(cè)精度最好，模型的時(shí)間和空間復(fù)雜度均較低，訓(xùn)練和預(yù)測(cè)時(shí)間較短且不易出現(xiàn)過(guò)擬合，訓(xùn)練過(guò)程中參數(shù)尋優(yōu)能力強(qiáng)，可以充分總結(jié)網(wǎng)損歷史數(shù)據(jù)的規(guī)律并進(jìn)行預(yù)測(cè)。