基于深度學(xué)習(xí)的電網(wǎng)負(fù)荷預(yù)測(cè)技術(shù)研究

童 準(zhǔn)

（國(guó)電永福發(fā)電有限公司，廣西桂林541805）

1 電網(wǎng)負(fù)荷預(yù)測(cè)技術(shù)研究背景

全球經(jīng)濟(jì)飛速發(fā)展的同時(shí)，帶來(lái)了能源供給不足，引起全球氣候變暖、環(huán)境惡化等現(xiàn)象[1-2]，建立環(huán)保、安全、高效、可靠的電力系統(tǒng)成為電力行業(yè)研究的熱點(diǎn)。據(jù)國(guó)家能源統(tǒng)計(jì)局?jǐn)?shù)據(jù)顯示，我國(guó)每年都會(huì)有幾十億度電能浪費(fèi)[3]。因此，尋求一種準(zhǔn)確的電能負(fù)荷預(yù)測(cè)方法，可以準(zhǔn)確預(yù)測(cè)電能的供需峰值，降低電能對(duì)環(huán)境造成的不良影響，同時(shí)節(jié)約電能。電網(wǎng)負(fù)荷預(yù)測(cè)是以歷史時(shí)間序列數(shù)據(jù)為數(shù)據(jù)源，利用數(shù)據(jù)挖掘、深度學(xué)習(xí)等技術(shù)建立電網(wǎng)負(fù)荷預(yù)測(cè)數(shù)學(xué)模型，預(yù)測(cè)未來(lái)時(shí)間段的電力負(fù)荷，方便電力部門(mén)科學(xué)有效地管理電能供需量，減少電能浪費(fèi)[4]。

2 基于深度學(xué)習(xí)的電網(wǎng)負(fù)荷預(yù)測(cè)技術(shù)研究

2.1 基于K-means的用戶(hù)聚類(lèi)

本文基于給定時(shí)段用電特征數(shù)據(jù)集，利用K-means聚類(lèi)算法，對(duì)居民用戶(hù)進(jìn)行聚類(lèi)。

2.1.1 聚類(lèi)流程分析

（1）數(shù)據(jù)輸入：輸入給定時(shí)段居民用電數(shù)據(jù)。

（2）數(shù)據(jù)預(yù)處理：首先對(duì)采集數(shù)據(jù)進(jìn)行清洗，然后根據(jù)居民日用電數(shù)據(jù)的不同，建立多維用電特征數(shù)據(jù)集。

（3）確定居民類(lèi)別的數(shù)量：對(duì)居民用電特征數(shù)據(jù)集進(jìn)行降維，根據(jù)降維確定居民類(lèi)別數(shù)，該數(shù)值即為K-means中最佳簇集數(shù)k。

（4）確定初始聚類(lèi)中心：選取用戶(hù)用電特征、密度、距離權(quán)重最大的前k個(gè)居民為初始聚類(lèi)中心。

（5）聚類(lèi)分析：計(jì)算各聚類(lèi)中心的居民用戶(hù)所屬簇集中用戶(hù)與聚類(lèi)中心之間的距離（距離計(jì)算采用歐式距離[5]），進(jìn)而劃分簇集。

2.1.2 聚類(lèi)實(shí)驗(yàn)及分析

本次實(shí)驗(yàn)選用某小區(qū)90戶(hù)居民，采集9月1日、9月2日、9月3日3天的用電量作為數(shù)據(jù)集，對(duì)90戶(hù)居民進(jìn)行K-means聚類(lèi)，最終產(chǎn)生4個(gè)簇集，聚類(lèi)結(jié)果如圖1所示，用戶(hù)被分成四大類(lèi)。

2.2 基于LSTM的電網(wǎng)負(fù)荷預(yù)測(cè)模型構(gòu)建

以聚類(lèi)分析為研究基礎(chǔ)，針對(duì)不同類(lèi)別的居民、小區(qū)，提出基于LSTM的電網(wǎng)負(fù)荷預(yù)測(cè)技術(shù)，通過(guò)智能儀表采集居民用電數(shù)據(jù)作為模型的數(shù)據(jù)源，確定LSTM網(wǎng)絡(luò)參數(shù)，然后對(duì)居民進(jìn)行K-means聚類(lèi)分析，對(duì)不同類(lèi)別的居民建立相應(yīng)的用電負(fù)荷預(yù)測(cè)模型，匯總最終的預(yù)測(cè)結(jié)果為小區(qū)總負(fù)荷的預(yù)測(cè)值。

2.2.1 模型構(gòu)建流程

LSTM模型構(gòu)建流程如圖2所示。

圖1 K-means聚類(lèi)結(jié)果圖

圖2 LSTM模型構(gòu)建流程圖

（1）數(shù)據(jù)預(yù)處理：對(duì)智能儀表采集的含噪聲點(diǎn)的數(shù)據(jù)進(jìn)行處理。本研究數(shù)據(jù)預(yù)處理采用歸一化處理方法。

（2）構(gòu)建輸入層：選取經(jīng)過(guò)處理的基于時(shí)間序列的歷史用電負(fù)荷數(shù)據(jù)作為預(yù)測(cè)模型的輸入，利用全連接的方法將隱藏層與輸入層進(jìn)行連接。

（3）構(gòu)建隱藏層：設(shè)置隱藏層層數(shù)為2，連接方式采用全連接的方式。

（4）構(gòu)建損失函數(shù)。

損失函數(shù)計(jì)算公式：

式中：Yi為電力負(fù)荷的實(shí)際值；yi為電力負(fù)荷的預(yù)測(cè)值。

LSTM網(wǎng)絡(luò)通過(guò)不斷訓(xùn)練，使模型的映射關(guān)系逼近真實(shí)輸入與輸出之間的非線性關(guān)系。

（5）確定LSTM網(wǎng)絡(luò)優(yōu)化器：經(jīng)對(duì)比，本次選用計(jì)算效率較高的Adam訓(xùn)練器作為L(zhǎng)STM模型的網(wǎng)絡(luò)參數(shù)。

（6）電力負(fù)荷預(yù)測(cè)值輸出：Adam訓(xùn)練器根據(jù)損失函數(shù)梯度下降的方向，多次調(diào)整LSTM權(quán)重，直至損失函數(shù)達(dá)到最優(yōu)值，此刻輸出的基于時(shí)間序列的用電序列預(yù)測(cè)值映射為電網(wǎng)的負(fù)荷預(yù)測(cè)值。

2.2.2 電網(wǎng)負(fù)荷預(yù)測(cè)實(shí)驗(yàn)及結(jié)果分析

本次實(shí)驗(yàn)選取9月5日某小區(qū)電力負(fù)荷數(shù)據(jù)為數(shù)據(jù)源，選取LSTM隱藏層的單元數(shù)為10，樣本大小為600個(gè)，Adam網(wǎng)絡(luò)優(yōu)化器，根據(jù)實(shí)驗(yàn)選取的LSTM網(wǎng)絡(luò)學(xué)習(xí)率為0.6%，使用K-means算法對(duì)居民進(jìn)行聚類(lèi)分析，將用戶(hù)分為商業(yè)、中青年、老年3類(lèi)用戶(hù)，建立3個(gè)對(duì)應(yīng)的LSTM網(wǎng)絡(luò)，對(duì)用電負(fù)荷進(jìn)行預(yù)測(cè)實(shí)驗(yàn)，最后將3個(gè)LSTM網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)值累加即為總預(yù)測(cè)值，預(yù)測(cè)結(jié)果如圖3所示。

圖3 不同類(lèi)型用戶(hù)電力負(fù)荷預(yù)測(cè)及電力總負(fù)荷預(yù)測(cè)

從圖3中看出雖然有一部分分支預(yù)測(cè)結(jié)果與實(shí)際值有偏差，但是整體趨勢(shì)預(yù)測(cè)值與實(shí)際值接近，尤其是在總負(fù)荷預(yù)測(cè)中，LSTM網(wǎng)絡(luò)精確度高，預(yù)測(cè)效果好。

3 結(jié)語(yǔ)

電力作為國(guó)家重要的支柱產(chǎn)業(yè)，關(guān)乎到每個(gè)人的生活品質(zhì)，人們對(duì)用電的需求日益增加，對(duì)用電質(zhì)量要求日趨提高，因此，準(zhǔn)確的電網(wǎng)負(fù)荷預(yù)測(cè)技術(shù)具有重要的研究?jī)r(jià)值。本文對(duì)用戶(hù)進(jìn)行聚類(lèi)，將用戶(hù)分為不同用電性質(zhì)的用戶(hù)，針對(duì)不同性質(zhì)用戶(hù)建立相應(yīng)的LSTM負(fù)荷預(yù)測(cè)網(wǎng)絡(luò)，最后將所有預(yù)測(cè)值進(jìn)行累加即為總負(fù)荷預(yù)測(cè)值，該方法打破了傳統(tǒng)的建立單一網(wǎng)絡(luò)預(yù)測(cè)的手段，提高了電網(wǎng)預(yù)測(cè)的準(zhǔn)確度，促進(jìn)了我國(guó)電力行業(yè)的發(fā)展。