基于TensorFlow平臺長短時記憶網絡的短期負荷預測

潘迪涵

摘要：隨著電力系統(tǒng)的發(fā)展，對電力系統(tǒng)負荷預測提出了更高的要求。針對傳統(tǒng)負荷預測方法在非線性擬合方面的不足，本文引入了時下流行的開源機器學習平臺TensorFlow對長短時記憶網絡（Long Short Term Memory Networks， LSTM）進行建模，分析了不同網絡結構對實驗結果的影響。結果表明，LSTM網絡對非線性問題有著較強的擬合能力，在負荷預測方面有著較高的準確度。

關鍵詞：TensorFlow;LSTM;短期負荷預測;機器學習

中圖分類號：TM743 文獻標識碼：A 文章編號：1007-9416（2019）09-0098-03

0 引言

電力系統(tǒng)負荷預測理論起始于上個世紀80年代，經過近40年的發(fā)展，電力系統(tǒng)負荷預測已經成為電力系統(tǒng)規(guī)劃的重要組成部分。隨著電網規(guī)模不斷擴大，設備不斷增多，信息化程度不斷提高，智能電網調度系統(tǒng)對負荷的采集頻率和數據準確性的要求也不斷提升，為負荷特性分析和負荷預測提供了高質量、海量化的數據集，為負荷預測提供了數據基礎。常見的負荷預測方法有：趨勢外推法，回歸分析法，時間序列法，人工神經網絡法等[1]。

多層神經網絡由于具有良好的非線性映射能力，結合神經網絡的自學習、自適應的能力，可以很好地處理負荷預測中的非線性問題。其中LSTM網絡又稱為長短時記憶網絡，是循環(huán)神經網絡（Recurrent Neural Networks，RNN）的一種改進型，正如其名字一樣，不僅能對短期的數據進行記憶和預測，也可以對距離較遠的內容進行存儲和記憶?？梢暂^好的識別時間序列數據中的相關性特征。

文獻[2]中作者利用LSTM網絡的優(yōu)點提出了區(qū)域級負荷的深度長短時記憶網絡預測方法。文獻[3]中作者則結合卷積神經網絡（Convolutional Neural Network，CNN）與LSTM網絡的優(yōu)勢，提出了基于卷積神經網絡和長短期記憶網絡的混合模型。文獻[4]中作者將短期負荷預測與新能源結合起來，提出了一個基于能源互聯網的非線性模型，文獻[5]中提出使用人工神經網絡對配電網負荷進行預測。

TensorFlow是一個采用數據流圖進行數值計算的開源軟件庫。由Google公司開發(fā)和維護，用于機器學習和深度學習方面的研究。它靈活的架構適用于在多種平臺上運行[5]。

本文主要在TensorFlow平臺下對LSTM網絡進行建模，并且對不同結構的LSTM網絡模型的預測效果進行對比分析。

1 LSTM網絡預測流程

1.1 數據預處理

將數據輸入至神經網絡之前需要進行數據預處理，主要包括兩方面：

（1）異常數據處理：負荷數據在采集，傳輸，儲存時均可能由于種種因素產生異常，為了提高預測的準確性，需要篩選并修正樣本中的異常數據，并補足意外缺失的數據[6]。

（2）劃分訓練集和測試集：在機器學習中，通常將全部樣本分為3個互不重合的部分：訓練集，驗證集和測試集。其中訓練集用來訓練模型，驗證集用來最終確定網絡結構以及變量的參數是否符合要求，測試集用來檢驗最終確定模型的預測效果。由于本文負荷預測中數據量較少，因此僅將樣本劃分為訓練集和測試集兩個部分。

1.2 LSTM網絡結構

LSTM網絡的基本單元中包含遺忘門、輸入門和輸出門三個部分，LSTM網絡單元如圖1所示。遺忘門中輸入Xt與狀態(tài)記憶單元St-1、中間輸出ht-1共同決定狀態(tài)記憶單元遺忘部分。輸入門中的Xt分別經過Sigmoid和tanh函數變化后共同決定狀態(tài)記憶單元中保留向量。中間輸出ht由更新后的St與輸出Ot共同決定，計算公式如式（1）—式（8）所示[3]。

1.3 LSTM網絡預測流程圖

LSTM網絡預測流程圖如圖2所示。

1.4 評價指標

為了評估預測的準確程度，選用均方根誤差（Root Mean Squared Error，RMSE）、平均誤差（Mean Absolute Percentage Error， MAPE）作為評價預測效果的依據[2]。

其中f（x（i））表示預測值，y（i）表示真實值。

2 結果與分析

LSTM網絡以Python語言編寫，基于TensorFlow1.13.1，硬件配置為Intel i7-6700HQ，16GB內存。

本文使用數據為澳大利亞某地2008年至2010年，30分鐘一次采樣的負荷、濕度、溫度數據以及當前時刻的電價信息。經篩選處理為4200個數據點，其中訓練集為占比為前80%，測試集占比為后20%，經標準化處理后輸入LSTM網絡。網絡超參數的設定如表1所示。實驗結果如表2所示。

由2表可見增加隱藏層數和增加每層節(jié)點個數均可降低訓練損失，但是訓練損失降低并不代表預測能力更強，由表2可見該數據集對應LSTM網絡的最佳結構在3隱藏層，排列為20-10-10附近。復雜模型的預測能力有可能比簡單模型更弱，難以收斂，也就是機器學習中常見的過擬合問題，實踐中可以通過添加正則化函數對過擬合現象進行抑制。

3 結語

本文主要使用TensorFlow工具搭建LSTM網絡對電力系統(tǒng)短期負荷進行預測，結果表明LSTM網絡對負荷預測有著較高的預測精度，達到了預期的效果。隨著智能電網的發(fā)展，機器學習在海量數據分析上的優(yōu)勢逐漸凸顯，未來將得到更大的發(fā)展和應用。

參考文獻

[1] 林麒麟.基于神經網絡智能算法的電力系統(tǒng)短期負荷預測研究[D].蘭州理工大學，2017.

[2] 張宇帆，艾芊.基于深度長短時記憶網絡的區(qū)域級超短期負荷預測方法[J].電網技術，2019，35（19）：20-22.

[3] 陸繼翔，張琪培.基于CNN-LSTM混合神經網絡模型的短期負荷預測方法[J].電力系統(tǒng)自動化，2019，43（08）：131-137.

[4] Judith Foster，Xueqin Liu，Seán McLoone. Load forecasting techniques for power systems with high levels of unmetered renewable generation： A comparative study[J].IFAC PapersOnLine，2018，51（10）：89-92.

[5] 李松嶺.基于TensorFlow的LSTM循環(huán)神經網絡短期電力負荷預測[J].上海節(jié)能，2018，38（12）：74-77.

[6] 馬安安.基于PMU量測的電力系統(tǒng)動態(tài)狀態(tài)估計研究[D].浙江大學，2018.

Abstract：With the development of power systems， higher requirements are imposed on power system load forecasting. Introduced the popular open source machine learning platform TensorFlow to model Long Short Term Memory Networks （LSTM） and analyzed the impact of different network structures on experimental results. The results show that the LSTM network has a strong ability to fit nonlinear problems and has a high prediction accuracy in load forecasting.

Key words：TensorFlow;LSTM;Short-term load forecasting;Machine learning