基于LSTM的短時(shí)電力負(fù)荷預(yù)測(cè)

袁曉丹 趙佳琪 薛秀茹

摘要：隨著用電量的增加，為了電力系統(tǒng)的規(guī)劃和運(yùn)行的穩(wěn)定、經(jīng)濟(jì)的發(fā)展、人民的生活，對(duì)電力負(fù)荷進(jìn)行準(zhǔn)確的預(yù)測(cè)顯得尤為總要。為得到短時(shí)電力負(fù)荷的準(zhǔn)確預(yù)測(cè)，采用LSTM模型對(duì)其進(jìn)行建模分析。首先將數(shù)據(jù)進(jìn)行預(yù)處理，將奇異值修正，建立了基于LSTM的預(yù)測(cè)模型。將負(fù)荷列數(shù)據(jù)做重構(gòu)，建立了兩層LSTM結(jié)構(gòu)的預(yù)測(cè)模型。仿真結(jié)果表明，該模型能夠很好更好地?cái)M合負(fù)荷曲線，具有較高的預(yù)測(cè)精度。

短期負(fù)荷預(yù)測(cè)主要對(duì)未來(lái)幾小時(shí)或幾天的用電負(fù)荷進(jìn)行預(yù)測(cè)，是電網(wǎng)合理調(diào)度和平穩(wěn)運(yùn)行的基礎(chǔ)。常見(jiàn)的短期負(fù)荷預(yù)測(cè)的方法主要有傳統(tǒng)的統(tǒng)計(jì)學(xué)方法和基于機(jī)器學(xué)習(xí)的預(yù)測(cè)方法。如宋曉茹等針對(duì)影響中長(zhǎng)期電力負(fù)荷多因素間的非線性和不確定性的問(wèn)題，提出了一種粗糙集（RS）和最小二乘支持向量機(jī)（LSSVM）相結(jié)合的中長(zhǎng)期電力負(fù)荷預(yù)測(cè)方法，有效的提高了電力負(fù)荷預(yù)測(cè)的精度;陳冬灃、肖建華將一種改進(jìn)的粒子群算法（EPSO）應(yīng)用到中長(zhǎng)期電力負(fù)荷預(yù)測(cè)中去優(yōu)化支持向量機(jī)（SVM）的參數(shù);翟帥華等人提出了粒子群算法改進(jìn)了BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型，解決了傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型在訓(xùn)練的過(guò)程中存在極易陷入極小值和收斂速度慢的問(wèn)題;龍金蓮、張玉芬等在分析傳統(tǒng)的負(fù)荷預(yù)測(cè)的基礎(chǔ)上，著重給出了現(xiàn)代時(shí)間序列分析在負(fù)荷預(yù)測(cè)方法上的新成果，重點(diǎn)提出了波動(dòng)性模型（ARCH族模型，SV族模型）在解決負(fù)荷預(yù)測(cè)中參數(shù)估計(jì)的重要性，提出了一種基于數(shù)據(jù)分組處理方法來(lái)優(yōu)化PSO-LSSVM的中長(zhǎng)期電力負(fù)荷預(yù)測(cè)的預(yù)測(cè)方法等。Jinseok K等提出了一種利用小數(shù)據(jù)集預(yù)測(cè)用電模式和最大用電持續(xù)負(fù)荷的方法，減小了預(yù)測(cè)的電力成本;Mohammed Hattab等提出了采用基于最小二乘的粒子群優(yōu)化算法來(lái)預(yù)測(cè)電網(wǎng)電力負(fù)荷的回歸方法，解決了預(yù)測(cè)精度問(wèn)題，使得預(yù)測(cè)更為準(zhǔn)確;Bharathi Dora等提出了一種基于小波變換和雙指數(shù)平滑的電力負(fù)荷預(yù)測(cè)模型，討論了利用合適的小波系數(shù)閾值法還有小波重構(gòu)方法，有效的解決了去噪問(wèn)題;Ceperic E等提出了一種基于支撐向量回歸（SVR）的短時(shí)電力負(fù)荷預(yù)測(cè)方法，該方法將粒子群全局優(yōu)化技術(shù)用于SVR超參數(shù)優(yōu)化，減少了操作人員的交互作用，提高了預(yù)測(cè)精度。

近年來(lái)，深度學(xué)習(xí)作為一個(gè)新興的機(jī)器學(xué)習(xí)的種類(lèi)，廣泛應(yīng)用于語(yǔ)言識(shí)別、計(jì)算機(jī)視覺(jué)等領(lǐng)域。長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）由于可以充分挖掘時(shí)序數(shù)據(jù)之間的內(nèi)在關(guān)聯(lián)，并能夠解決時(shí)間上的梯度消失的問(wèn)題，常用于預(yù)測(cè)問(wèn)題。曾豪將LSTM應(yīng)用于城市日常空氣質(zhì)量指數(shù)預(yù)測(cè)，相對(duì)于其他的預(yù)測(cè)方法，該預(yù)測(cè)方法能夠很好的考量外在的影響，解決了預(yù)測(cè)精度的問(wèn)題;宋晨光將LSTM用于股票股價(jià)的預(yù)測(cè)，解決了原來(lái)不能查看股價(jià)模式的問(wèn)題;周捷等利用LSTM中單元的記憶功能進(jìn)行了流量序列預(yù)測(cè)，解決了在一般的預(yù)測(cè)方法中不能進(jìn)行多維度多方向預(yù)測(cè)的難點(diǎn)問(wèn)題。

基于此，本文將LSTM模型應(yīng)用于電力負(fù)荷的預(yù)測(cè)中，通過(guò)對(duì)英國(guó)的加的夫（Cardiff）的2016年的電力數(shù)據(jù)進(jìn)行分析，建立了基于LSTM的負(fù)荷預(yù)測(cè)模型，并采用MAE（平均絕對(duì)誤差）對(duì)模型性能進(jìn)行評(píng)估。

LSTM神經(jīng)網(wǎng)絡(luò)是一種基于時(shí)間的遞歸隱層神經(jīng)網(wǎng)絡(luò)，它能夠更好的解決RNN中存在的長(zhǎng)依賴(lài)問(wèn)題。LSTM由三個(gè)門(mén)來(lái)控制細(xì)胞狀態(tài)，這三個(gè)門(mén)分別稱(chēng)為忘記門(mén)、輸入門(mén)和輸出門(mén)，經(jīng)典的LSTM基本單元如圖1所示。

遺忘門(mén)用于決定細(xì)胞需要丟棄哪些信息，用sigmoid單元處理，通過(guò)查看和信息來(lái)輸出一個(gè)0-1之間的向量，可表示為：

輸入門(mén)利用和通過(guò)tanh層得到新的候選細(xì)胞信息 。

接下來(lái)遺忘門(mén)選擇忘記舊細(xì)胞信息的一部分，輸入門(mén)選擇添加候選細(xì)胞信息的一部分得到新的細(xì)胞信息。

更新完細(xì)胞狀態(tài)后，將輸入通過(guò)sigmoid層得到判斷條件，將細(xì)胞狀態(tài)經(jīng)過(guò)tanh層得到一個(gè)-1～1之間值的向量，該向量與輸出門(mén)得到的判斷條件相乘得到最終LSTM的輸出。

在數(shù)據(jù)采集的過(guò)程中，由于人工、天氣、器件老化等外在因素的影響，造成了壞數(shù)據(jù)的產(chǎn)生，對(duì)于以后預(yù)測(cè)的準(zhǔn)確度產(chǎn)生極壞的影響，因此在使用模型訓(xùn)練之前，首先要將壞數(shù)據(jù)進(jìn)行識(shí)別并處理。文中所選數(shù)據(jù)取自英國(guó)的加的夫（Cardiff）的2016年的電力數(shù)據(jù)，如圖2所示。數(shù)據(jù)樣本中不存在缺失的數(shù)據(jù)值，但是存在不合適的奇異值，利用前一時(shí)刻和后一時(shí)刻的平均值的方法對(duì)奇異值進(jìn)行修正。修正之后的負(fù)荷數(shù)據(jù)圖如圖3所示。

在實(shí)驗(yàn)中，將前11個(gè)月的8040個(gè)樣本數(shù)據(jù)作為訓(xùn)練集，第12月的樣本數(shù)據(jù)作為測(cè)試集。預(yù)測(cè)模型由兩個(gè)LSTM層結(jié)構(gòu)組成，第一個(gè)LSTM層和第二個(gè)LSTM層都分別建立了一個(gè)隱藏層，每個(gè)隱藏層各自設(shè)置了128個(gè)隱層單元。輸入形狀是1個(gè)時(shí)間步長(zhǎng)，輸出接一個(gè)單元的全連接層，進(jìn)行了150次訓(xùn)練。預(yù)測(cè)結(jié)果如圖4所示。

模型訓(xùn)練的損失函數(shù)MSE（均方誤差）曲線如圖5所示，可以看出當(dāng)模型的訓(xùn)練的次數(shù)達(dá)到20次后就沒(méi)有了明顯的偏差，在140次后偏差更小，精度更高。

針對(duì)電力負(fù)荷的短期預(yù)測(cè)問(wèn)題，建立了基于LSTM的電力負(fù)荷預(yù)測(cè)模型。LSTM模型較原來(lái)的RNN模型能避免RNN梯度消失問(wèn)題，使得預(yù)測(cè)更加準(zhǔn)確。在進(jìn)行預(yù)測(cè)時(shí)，將數(shù)據(jù)集中的樣本數(shù)據(jù)進(jìn)行了預(yù)處理，識(shí)別并改正了樣本數(shù)據(jù)。將時(shí)間序列問(wèn)題轉(zhuǎn)變成監(jiān)督問(wèn)題并實(shí)現(xiàn)歸一化，輸入為時(shí)間步長(zhǎng)1。搭建了兩層LSTM，每層LSTM中有一層隱藏層，隱層中設(shè)置了128個(gè)隱藏單元，輸出接一個(gè)全連接層。將數(shù)據(jù)集中前11個(gè)月的電力負(fù)荷作為訓(xùn)練集，將最后一個(gè)月為預(yù)測(cè)訓(xùn)練，仿真結(jié)果表明，該模型可以實(shí)現(xiàn)對(duì)電力負(fù)荷數(shù)據(jù)的準(zhǔn)確預(yù)測(cè)。

參考文獻(xiàn)：

[1]吳云，雷建文，鮑麗山，等.基于改進(jìn)灰色關(guān)聯(lián)分析與蝙蝠優(yōu)化神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)[J].電力系統(tǒng)自動(dòng)化，2018，42（20）：67-72.

[2]陳緯楠，胡志堅(jiān)，岳菁鵬，杜一星，齊祺.基于長(zhǎng)短期記憶網(wǎng)絡(luò)和 Light GBM 組合模型的短期負(fù)荷預(yù)測(cè)[J/OL].電力系統(tǒng)自動(dòng)化. https：//kns.cnki.net/kcms/detail/32.1180.TP.20200610. 1819.012.html.;

[3]宋曉茹，李莉，張來(lái)青.中長(zhǎng)期電力負(fù)荷預(yù)測(cè)[J].計(jì)算機(jī)仿真，2014，31（09）：132-135.

[4]陳冬灃，肖建華，劉耿彬.基于改進(jìn)粒子群算法的中長(zhǎng)期電力負(fù)荷組合預(yù)測(cè)[J].自動(dòng)化應(yīng)用，2016（12）：139-140+147.

[5]翟帥華，姜雲(yún)騰，李萍.基于改進(jìn)PSO-BP神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)[J].工業(yè)控制計(jì)算機(jī)，2018，31（09）：148-150.

[6]龍金蓮，張玉芬，盧家暄，等.基于GMDH-PSO-LSSVM中長(zhǎng)期電力負(fù)荷預(yù)測(cè)[J].貴州大學(xué)學(xué)報(bào)，2017，34（06）：49-53+84.

[7]Jinseok K， Hyungseop H， Ki-Il K. Adaptive optimized pattern extracting algorithm for forecasting maximum electrical load duration using random sampling and cumulative slope index [J]. Energies， 2018， 11（7）： 1723.

[8]Mohammed Hattab， Mohammed;Maitah， et al. Medium Term Load Forecasting for Jordan Electric Power System Using Particle Swarm Optimization Algorithm Based on Least Square Regression Methods[J]. Journal of power and Engineering， 2017， 5（2）： 75-96.

[9]Bharathi Dora， Haranath Kar，et al. A Simple Hybrid Model for Short-Term Load Forecasting[J].Journal of Engineering， 2013， 2013.

[10]Ceperic E， Ceperic V， Baric A. A Strategy for Short-term load forecasting by support vector regression machines [J].IEEE Transactions on Power Systems， 2013， 28（4）： 4356-4364.

[11]曾豪.基于LSTM 的環(huán)境污染時(shí)間序列預(yù)測(cè)模型的研究[D].華中科技大學(xué).2019.

[12]宋晨光.基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型的股票價(jià)格走勢(shì)預(yù)測(cè)[D].江西財(cái)經(jīng)大學(xué).2019.

[13]周捷，嚴(yán)建峰，楊璐，等.LSTM 模型集成方法在客戶流失預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用于軟件，2019，36（11）：39-46.