深度神經(jīng)網(wǎng)絡(luò)在配電網(wǎng)公變短期負(fù)荷預(yù)測中的應(yīng)用研究

黃宇騰，韓 翊，賴尚棟

（1.國網(wǎng)浙江省電力有限公司信息通信分公司，杭州 310007；2.浙江華云信息科技有限公司，杭州310007；3.國網(wǎng)浙江杭州市余杭區(qū)供電有限公司，杭州 311100）

0 引言

隨著電力生產(chǎn)和消費日益市場化，對負(fù)荷預(yù)測的準(zhǔn)確性、實時性、可靠性和智能性提出了更高的要求，因此，負(fù)荷預(yù)測已經(jīng)成為現(xiàn)代化電力系統(tǒng)運行和管理中的一個重要研究領(lǐng)域[1]。同時，電力負(fù)荷預(yù)測對于電力系統(tǒng)的生產(chǎn)和電網(wǎng)安全運行有著重要意義，準(zhǔn)確的負(fù)荷預(yù)測是市場環(huán)境下編排調(diào)度計劃、供電計劃、交易計劃的重要基礎(chǔ)。針對電力負(fù)荷預(yù)測的研究方法和思路眾多，傳統(tǒng)的負(fù)荷預(yù)測研究往往面臨對象偏籠統(tǒng)，數(shù)據(jù)來源較單一，預(yù)測方法偏傳統(tǒng)等問題[2]。文獻(xiàn)[3]提出了基于地理區(qū)域網(wǎng)格化的負(fù)荷預(yù)測方法，文獻(xiàn)[4]提出了一種基于小波聚類的配電變壓器（以下簡稱配變）短期負(fù)荷預(yù)測方法，文獻(xiàn)[5]提出了一種基于區(qū)域負(fù)荷的配電網(wǎng)超短期負(fù)荷預(yù)測方法，文獻(xiàn)[6]提出了將神經(jīng)網(wǎng)絡(luò)和最優(yōu)化算法相結(jié)合進(jìn)行配電網(wǎng)超短期負(fù)荷預(yù)測的研究方法，文獻(xiàn)[7]提出了一種使用雙隱含層BP（反向傳播）網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行短期負(fù)荷預(yù)測的方法，文獻(xiàn)[8]提出了一種基于人工智能算法改進(jìn)極限學(xué)習(xí)機的電力負(fù)荷預(yù)測方法，文獻(xiàn)[9]介紹了一種基于支持向量機算法在電力負(fù)荷預(yù)測中的應(yīng)用，文獻(xiàn)[10]介紹了一種基于粗糙集理論的神經(jīng)網(wǎng)絡(luò)預(yù)測算法在短期負(fù)荷預(yù)測中的應(yīng)用。上述研究中，負(fù)荷的預(yù)測對象往往是整個區(qū)域，具體到對單個公用變壓器（簡稱公變）進(jìn)行負(fù)荷預(yù)測并投入實際應(yīng)用的則相對較少；另外，預(yù)測方法中所使用的數(shù)據(jù)維度通常較少，數(shù)據(jù)來源偏單一，主要依賴歷史負(fù)荷數(shù)據(jù)，部分研究結(jié)合氣象數(shù)據(jù)、GIS（地理信息系統(tǒng)）位置數(shù)據(jù)[3]，但通常都未考慮到公變自身的屬性、公變下轄低壓用戶的屬性。影響負(fù)荷波動的因素眾多，情況復(fù)雜，綜合考慮多維影響因素，對提升負(fù)荷預(yù)測的精度具有顯著的現(xiàn)實意義和效果。

大數(shù)據(jù)技術(shù)和機器學(xué)習(xí)的快速發(fā)展，為電力負(fù)荷預(yù)測的研究和應(yīng)用提供了新的解決方法和思路。文中以豐富的電力生產(chǎn)數(shù)據(jù)作為建模輸入，基于企業(yè)級大數(shù)據(jù)平臺，通過MXNet深度學(xué)習(xí)框架,采用深層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法進(jìn)行配電網(wǎng)公變短期負(fù)荷預(yù)測建模。模型的輸入因子綜合考慮了配變的自身屬性、歷史負(fù)荷數(shù)據(jù)、氣象數(shù)據(jù)以及配變下轄用戶的信息。結(jié)果表明，綜合多因子的深度神經(jīng)網(wǎng)絡(luò)模型可有效提高負(fù)荷預(yù)測精度，在此基礎(chǔ)上，將模型結(jié)果部署于阿里云大數(shù)據(jù)平臺，實現(xiàn)將電力短期負(fù)荷預(yù)測結(jié)果應(yīng)用于生產(chǎn)實踐中。

1 深度神經(jīng)網(wǎng)絡(luò)原理

1.1 神經(jīng)網(wǎng)絡(luò)原理

BP人工神經(jīng)網(wǎng)絡(luò)是目前在負(fù)荷建模中應(yīng)用最多的一種神經(jīng)網(wǎng)絡(luò)，它是一種單向傳播的多層前向網(wǎng)絡(luò)。其學(xué)習(xí)算法遵循“誤差反向傳播原理”，學(xué)習(xí)的本質(zhì)是對各連接權(quán)重的動態(tài)調(diào)整，當(dāng)一組學(xué)習(xí)樣本提供給網(wǎng)絡(luò)后，神經(jīng)元的激活值從輸入層經(jīng)各中間層向輸出層傳播，在輸出層的各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)，進(jìn)而按照減少目標(biāo)輸出與實際誤差的方向，從輸出層經(jīng)過各中間層逐層修正各連接權(quán)值，最后回到輸入層，這樣完成一次權(quán)值修正。最終使誤差函數(shù)減小到極小值，得到最優(yōu)擬合結(jié)果。一般的3層BP網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，包括輸入層、隱含層、輸出層，上下層之間實現(xiàn)全連接，而同層神經(jīng)元之間無連接。它具有較強的學(xué)習(xí)和自適應(yīng)能力以及良好的非線性映射能力，可以逼近任意復(fù)雜的非線性關(guān)系[11]。

圖1 BP網(wǎng)絡(luò)結(jié)構(gòu)

假設(shè)BP神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層和輸出層分別有m，p和n個節(jié)點，激活函數(shù)為Sigmoid函數(shù)， 采用 f（x）=1/（1+e-x）， 設(shè)學(xué)習(xí)樣本集共有 M個樣本（Xp， Yp），對第 p 個樣本（p=1，2，…，M），節(jié)點i的輸入總和記為netpi，則有式（1）成立：

其中：

若對于網(wǎng)絡(luò)的初值權(quán)值做任意設(shè)置，那么輸入樣本p、網(wǎng)絡(luò)輸出Opi與期望輸出dpi的誤差E為：

BP神經(jīng)網(wǎng)絡(luò)的權(quán)值修正公式為：

其中：

式中：η是學(xué)習(xí)速度，可以加快網(wǎng)絡(luò)的收斂速度。一般情況下權(quán)值修正公式中還需要加慣性參數(shù)α，從而有：

α決定了上一次的權(quán)值對本次權(quán)值的影響，其具體算法步驟參見文獻(xiàn)[15]。

1.2 深度神經(jīng)網(wǎng)絡(luò)及MXNet框架

受制于計算能力等因素，人工神經(jīng)網(wǎng)絡(luò)只有單個或少數(shù)幾個隱藏層，訓(xùn)練過程中會出現(xiàn)梯度稀疏（從頂層越往下，誤差修正信號越?。?、收斂到局部最小值等問題。深度神經(jīng)網(wǎng)絡(luò)是一種深層學(xué)習(xí)，相對于傳統(tǒng)的BP網(wǎng)絡(luò)，其學(xué)習(xí)過程中具有更多隱藏層數(shù)，相當(dāng)于一個多層邏輯回歸的結(jié)構(gòu)，十分接近大腦處理信息的結(jié)構(gòu)。深度神經(jīng)網(wǎng)絡(luò)模型通過對每層參數(shù)進(jìn)行調(diào)優(yōu)能夠解決這些問題，提高模型的可靠性[12]。

深度神經(jīng)網(wǎng)絡(luò)算法對計算機的計算能力要求較高，較流行的深度學(xué)習(xí)框架包括Caffe，Torch，Theano，TensorFlow，MXNet等。 其中，MXNet是一款經(jīng)量級、可移植、靈活的分布式深度學(xué)習(xí)框架，同時允許混合符號編程和命令式編程，從而最大限度提高效率和生產(chǎn)力。其核心是一個動態(tài)的依賴調(diào)度，能夠自動并行符號和命令的操作，具有出色的開發(fā)速度、可編程性和可移植性，并對多種編程語言有友好的接口，是被廣泛應(yīng)用的深度學(xué)習(xí)框架之一[13]。

2 建模實例

下文以某省電力公司配電網(wǎng)公變短期負(fù)荷預(yù)測研究及應(yīng)用為例，基于MXNet深度學(xué)習(xí)框架，通過深度神經(jīng)網(wǎng)絡(luò)算法，構(gòu)建不同的網(wǎng)絡(luò)形狀和參數(shù)，對結(jié)果進(jìn)行對比，最終得到最優(yōu)的模型結(jié)果，實現(xiàn)對配電網(wǎng)公變短期負(fù)荷的精準(zhǔn)預(yù)測。

2.1 構(gòu)建特征工程

根據(jù)可能影響配變短期負(fù)荷的因素及已有的數(shù)據(jù)，從公變基礎(chǔ)信息、歷史負(fù)荷數(shù)據(jù)、氣象因素以及配變下轄用戶信息4個維度構(gòu)建特征工程，作為模型的輸入量。

（1）配電網(wǎng)公變基礎(chǔ)信息。反映配變的基礎(chǔ)信息情況，包括電壓等級、使用年限、受電容量等信息。

（2）歷史負(fù)荷數(shù)據(jù)。反映歷史負(fù)荷信息，包括過去14天的負(fù)荷數(shù)據(jù)、上月同期數(shù)據(jù)、上一年同期負(fù)荷數(shù)據(jù)及預(yù)測日的自然日屬性信息（如星期、月初、節(jié)假日等）。

（3）氣象數(shù)據(jù)。氣象因素直接關(guān)系到低壓居民的用電強度情況，因此對于短期負(fù)荷預(yù)測有著至關(guān)重要的影響。其中，常見的影響因素有溫度、風(fēng)力、天氣類型等。從電力氣候?qū)W角度，選擇最高溫度、最低溫度、濕度、風(fēng)力、天氣等信息作為模型的輸入因素。

（4）下轄用戶信息。每個配電網(wǎng)公變下轄若干低壓用戶，低壓用戶是公變的直接負(fù)荷使用者，對公變的負(fù)荷具有直接影響。因此提取低壓用戶的特征作為模型的輸入，包括下轄用戶數(shù)、用戶類型分類、用戶容量等數(shù)據(jù)。

2.2 樣本選擇

選擇某省2016-01-06至2017-08-31的配電網(wǎng)公變數(shù)據(jù)，隨機抽取798 083條樣本，共47個變量。其中，隨機抽取訓(xùn)練樣本集300 000條，測試樣本集498 083條（詳見表1）。

表1 某T市日特征向量模糊化規(guī)則

2.3 模型訓(xùn)練

2.3.1 聲明網(wǎng)絡(luò)結(jié)構(gòu)

首先聲明網(wǎng)絡(luò)結(jié)構(gòu)，在分別嘗試3層、4層、5層神經(jīng)網(wǎng)絡(luò)的對比后，最終選擇效果最好的5層神經(jīng)網(wǎng)絡(luò)模型。網(wǎng)絡(luò)結(jié)構(gòu)如表2所示。

表2 網(wǎng)絡(luò)結(jié)構(gòu)說明

2.3.2 模型訓(xùn)練

根據(jù)上述樣本數(shù)據(jù)，以及定義的網(wǎng)絡(luò)結(jié)構(gòu)及損失函數(shù)訓(xùn)練模型結(jié)果。選擇基于GPU（圖形處理器）進(jìn)行運算，通過調(diào)整不同的迭代次數(shù)和學(xué)習(xí)率參數(shù)，得到不同的模型結(jié)果，詳見表3。

表3 模型迭代率

通過上述結(jié)果可發(fā)現(xiàn)，隨著迭代次數(shù)的提高以及學(xué)習(xí)率的精準(zhǔn)化，最終模型的準(zhǔn)確率有顯著提升。因此，最終選擇迭代次數(shù)為80次，學(xué)習(xí)率為2e-6，模型的準(zhǔn)確率為93.6%。

2.4 模型結(jié)果

基于深度神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練的模型結(jié)果，對某省27萬個配電網(wǎng)公變2017年5—8月每天的數(shù)據(jù)進(jìn)行預(yù)測，得到總計3 000余萬條日負(fù)荷數(shù)據(jù)記錄，平均預(yù)測誤差為5.14%。并與支持向量機方法和多項式加權(quán)方法預(yù)測結(jié)果進(jìn)行對比（見表4），結(jié)果顯示，深度神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練的模型預(yù)測公變平均總負(fù)荷誤差明顯小于支持向量機方法和多項式加權(quán)方法建模的誤差。

表4 不同模型預(yù)測誤差對比情況

通過實證發(fā)現(xiàn)，深度神經(jīng)網(wǎng)絡(luò)模型能夠較準(zhǔn)確地預(yù)測負(fù)荷的上升或下降趨勢。以某公變8月1日—8月20日負(fù)荷預(yù)測結(jié)果為例（見圖2），可以看到，基于深度神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練的模型不僅精度明顯高于傳統(tǒng)模型,同時能夠準(zhǔn)確識別未來的上升或下降趨勢，而傳統(tǒng)模型線性回歸模型則不能準(zhǔn)確預(yù)測未來的上升或下降趨勢。

2.5 模型生命周期

圖2 某公變8月1日—8月20日負(fù)荷預(yù)測波動情況

基于深度神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練的模型在預(yù)測配電網(wǎng)公變負(fù)荷時，誤差較傳統(tǒng)模型更小，泛化能力更強，趨勢預(yù)測更優(yōu)。另外，文中使用的深度神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練集考慮了公變類型、天氣、節(jié)假日、低壓居民等多種因素，樣本的時間周期長達(dá)20個月，因此模型本身具有較強的適應(yīng)性和較長的生命周期，模型自2017年9月部署后，截至目前，預(yù)測準(zhǔn)確率一直維持在93%~95%。

3 模型應(yīng)用

上述配電網(wǎng)公變的短期負(fù)荷預(yù)測模型結(jié)果，其良好的預(yù)測精度完全適應(yīng)于工業(yè)化應(yīng)用。研究成果應(yīng)用于配電網(wǎng)智能管控平臺配電網(wǎng)公變短期負(fù)荷預(yù)測模塊建設(shè)中，并基于阿里云大數(shù)據(jù)平臺進(jìn)行部署開發(fā)。該大數(shù)據(jù)平臺主要包括企業(yè)統(tǒng)一云服務(wù)平臺和企業(yè)統(tǒng)一數(shù)據(jù)庫，其中企業(yè)統(tǒng)一云服務(wù)平臺提供計算資源、存儲資源、應(yīng)用集成技術(shù)、數(shù)據(jù)分析技術(shù)、應(yīng)用展現(xiàn)技術(shù)等一體化資源服務(wù)。企業(yè)統(tǒng)一數(shù)據(jù)庫提供企業(yè)全量數(shù)據(jù)的匯集、同步轉(zhuǎn)換，并制成應(yīng)用產(chǎn)生的結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)存儲和處理。云平臺將離線大數(shù)據(jù)計算服務(wù)和在線數(shù)據(jù)查詢服務(wù)分開，保證大數(shù)據(jù)計算和實時查詢的速度。

配電網(wǎng)公變短期負(fù)荷預(yù)測項目建設(shè)的數(shù)據(jù)架構(gòu)遵循企業(yè)統(tǒng)一云平臺和統(tǒng)一數(shù)據(jù)庫的整體要求，由離線計算區(qū)和實時計算區(qū)構(gòu)成，包括實時數(shù)據(jù)流、離線數(shù)據(jù)流、計算結(jié)果返回流和在線數(shù)據(jù)查詢，整體數(shù)據(jù)流架構(gòu)如圖3所示。

（1）業(yè)務(wù)數(shù)據(jù)同步。通過CDP（持續(xù)數(shù)據(jù)保護）批量同步技術(shù)將業(yè)務(wù)系統(tǒng)數(shù)據(jù)同步至企業(yè)統(tǒng)一數(shù)據(jù)倉庫ODPS，實現(xiàn)數(shù)據(jù)整合。

（2）數(shù)據(jù)處理。通過ECS（云服務(wù)器）部署模型應(yīng)用，從企業(yè)統(tǒng)一數(shù)據(jù)倉庫中抽取數(shù)據(jù)，進(jìn)行離線計算和數(shù)據(jù)預(yù)處理，形成模型輸入寬表。

圖3 平臺數(shù)據(jù)流架構(gòu)

（3）模型計算。通過部署的模型進(jìn)行運算，得到每個公變的負(fù)荷預(yù)測結(jié)果，并同步至在線應(yīng)用區(qū)RDS中，供系統(tǒng)調(diào)用。

（4）系統(tǒng)應(yīng)用。系統(tǒng)界面調(diào)用RDS區(qū)的負(fù)荷預(yù)測表數(shù)據(jù)，進(jìn)行系統(tǒng)展示和應(yīng)用。

（5）應(yīng)用場景。利用配電網(wǎng)公變的短期負(fù)荷預(yù)測結(jié)果，用于安排日調(diào)度計劃和周調(diào)度計劃，包括確定機組的起停調(diào)峰、水火電的協(xié)調(diào)、聯(lián)絡(luò)線交換功率、水庫調(diào)度等。

綜上所述，通過阿里云大數(shù)據(jù)平臺，實現(xiàn)每天對配電網(wǎng)公變短期負(fù)荷預(yù)測模型所需輸入變量的同步，通過模型實現(xiàn)對每臺公變未來每天負(fù)荷的預(yù)測，并將預(yù)測結(jié)果寫入RDS即時數(shù)據(jù)庫中，供配電網(wǎng)綜合管控系統(tǒng)調(diào)用和展示，從而輔助電力調(diào)度計劃，提高配電網(wǎng)管理水平。

4 結(jié)語

以配電網(wǎng)公變短期負(fù)荷預(yù)測為目的，介紹了MXNet深度神經(jīng)網(wǎng)絡(luò)模型和深度學(xué)習(xí)框架MXNet，并以某省實例進(jìn)行實證分析。實踐證明，綜合考慮配變基本信息、氣象、歷史負(fù)荷數(shù)據(jù)、公變下轄用戶數(shù)據(jù)等多種影響負(fù)荷波動的因素，通過深度神經(jīng)網(wǎng)絡(luò)算法進(jìn)行建模，能夠有效提高模型的預(yù)測準(zhǔn)確率。模型結(jié)果部署于阿里云大數(shù)據(jù)平臺，可實現(xiàn)每天同步更新每臺公變的短期負(fù)荷預(yù)測結(jié)果，供業(yè)務(wù)系統(tǒng)進(jìn)度調(diào)用、展示和分析，從而提高配電網(wǎng)管理水平。

另外，研究還有待優(yōu)化，考慮到公變之間的差異性較大，因此很難用一個模型對所有的公變進(jìn)行預(yù)測且獲得最優(yōu)的效果，因此需對公變進(jìn)行細(xì)分，并針對每一個群體分別建立預(yù)測模型，以獲得更好的結(jié)果。

[1]廖旎煥，胡志宏，馬瑩瑩，等.電力系統(tǒng)短期負(fù)荷預(yù)測方法綜述[J].電力系統(tǒng)保護與控制，2011，39（1）∶147-152.

[2]康重慶，夏清，張伯明.電力系統(tǒng)負(fù)荷預(yù)測研究綜述與發(fā)展方向的探討[J].電力系統(tǒng)自動化，2004（17）∶1-11.

[3]胡志亮.公變負(fù)荷預(yù)測方法研究[D].廣州：華南理工大學(xué)，2013.

[4]沈沉，秦建，盛萬興，等.基于小波聚類的配變短期負(fù)荷預(yù)測方法研究[J].電網(wǎng)技術(shù)，2016，40（2）∶521-526.

[5]劉健，勾新鵬，徐精求，等.基于區(qū)域負(fù)荷的配電網(wǎng)超短期負(fù)荷預(yù)測[J].電力系統(tǒng)自動化，2003（19）∶34-37.

[6]蘇慶新.一種配電網(wǎng)超短期負(fù)荷預(yù)測的神經(jīng)網(wǎng)絡(luò)方法[D].曲阜：曲阜師范大學(xué)，2002.

[7]閆冬，趙建國.一種實用化的配電網(wǎng)超短期負(fù)荷預(yù)測方法[J].電力系統(tǒng)自動化，2001（22）∶45-48.

[8]杜莉，張建軍.神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測中的應(yīng)用研究[J].計算機仿真，2011（10）∶297-300.

[9]蔣喆.支持向量機在電力負(fù)荷預(yù)測中的應(yīng)用研究[J].計算機仿真，2010（8）∶282-285.

[10]龐清樂.基于粗糙集理論的神經(jīng)網(wǎng)絡(luò)預(yù)測算法及其在短期負(fù)荷預(yù)測中的應(yīng)用[J].電網(wǎng)技術(shù)，2010，34（12）∶168-173.

[11]周志華.機器學(xué)習(xí)[M].北京：清華大學(xué)出版社，2016.

[12]山世光，闞美娜，劉昕，等.深度學(xué)習(xí)：多層神經(jīng)網(wǎng)絡(luò)的復(fù)興與變革[J].科技導(dǎo)報，2016（14）∶60-70.

[13]龐榮.深度神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用[D].成都：西南交通大學(xué)，2016.

[14]康重慶，周安石，王鵬，等.短期負(fù)荷預(yù)測中實時氣象因素的影響分析及其處理策略[J].電網(wǎng)技術(shù)，2006，30（1）∶1-10.

[15]DIN，GHULAM MOHI UD，ANGELOS K MARNERIDES.Short term power load forecasting using Deep Neural Networks[C].Computing，Networking and Communications（ICNC），2017 International Conference on IEEE，2017.

[16]HOSEIN，STEFAN，PATRICK HOSEIN.Load Forecasting using Deep Neural Networks[C].Power&Energy Society Innovative Smart Grid Technologies Conference（ISGT），IEEE，2017.

[17]張魁，王亞明，劉明，等.基于大數(shù)據(jù)及智能算法的連云港電量負(fù)荷預(yù)測研究[J].江蘇電機工程，2016，35（3）∶49-52.

[18]樊唯欽，張偉，李勇鋼，等.基于改進(jìn)人體舒適指數(shù)的微電網(wǎng)短期負(fù)荷預(yù)測[J].廣東電力，2017，30（4）∶137-142.

[19]劉曉菲，商立群.非線性主成分分析和RBF神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測[J].電網(wǎng)與清潔能源，2016，32（1）∶47-52.

[20]萬強，王清亮，王睿豪，等.基于支持向量機的某地區(qū)電網(wǎng)短期電力負(fù)荷預(yù)測[J].電網(wǎng)與清潔能源，2016，32（12）∶14-20.