考慮分時(shí)段負(fù)荷行為的短期負(fù)荷預(yù)測(cè)方法

段 煉，洪海生，鄉(xiāng) 立，林 海，許中平，岳首志

（1. 廣東電網(wǎng) 廣州供電局，廣州 510000；2. 北京國網(wǎng)信通埃森哲信息技術(shù)有限公司，北京 100032）

0 引言

電力負(fù)荷預(yù)測(cè)指的是基于歷史的負(fù)荷數(shù)據(jù)特征，結(jié)合地域、環(huán)境、時(shí)間［1］、天氣［2—3］、經(jīng)濟(jì)［4］等多種外界影響因素輔助完成對(duì)未來負(fù)荷數(shù)據(jù)的大小判定。準(zhǔn)確高效的電力負(fù)荷預(yù)測(cè)能夠合理的安排當(dāng)?shù)氐倪\(yùn)行、調(diào)度、檢修等計(jì)劃，提供電價(jià)制定等參考信息，減少資源浪費(fèi)和提高經(jīng)濟(jì)效益，對(duì)智能電網(wǎng)高效穩(wěn)定運(yùn)行具有重要的意義［5］。

根據(jù)預(yù)測(cè)時(shí)間可將電力負(fù)荷預(yù)測(cè)分為長(zhǎng)期負(fù)荷預(yù)測(cè)、中期負(fù)荷預(yù)測(cè)和短期負(fù)荷預(yù)測(cè)3 種類型。其中長(zhǎng)期負(fù)荷預(yù)測(cè)指的是對(duì)未來幾年時(shí)間長(zhǎng)度的電力負(fù)荷預(yù)測(cè)，用于輔助制定電網(wǎng)未來規(guī)劃；中期負(fù)荷預(yù)測(cè)指的是對(duì)1 年內(nèi)的電力負(fù)荷進(jìn)行預(yù)測(cè)，輔助日常運(yùn)行調(diào)度工作；短期負(fù)荷預(yù)測(cè)是當(dāng)前負(fù)荷預(yù)測(cè)的熱門以及重點(diǎn)內(nèi)容，主要用于預(yù)測(cè)未來1 天內(nèi)或數(shù)天內(nèi)用電負(fù)荷數(shù)據(jù)［6］。

短期負(fù)荷預(yù)測(cè)模型主要分為傳統(tǒng)方法和智能方法2 大類，傳統(tǒng)方法的負(fù)荷預(yù)測(cè)主要基于數(shù)據(jù)的歷史曲線規(guī)律來擬合數(shù)據(jù)模型，包括時(shí)間序列法，統(tǒng)計(jì)回歸法，模式識(shí)別法等［7］，由于考慮的維度單一或較少，而影響負(fù)荷變化的隨機(jī)因素較多，故使用傳統(tǒng)方法進(jìn)行電力負(fù)荷預(yù)測(cè)存在一定的局限性［8］。另一類智能方法主要包括專家系統(tǒng)［9］，神經(jīng)網(wǎng)絡(luò)［10］，隨機(jī)森林［11］等方法，由于電力負(fù)荷具有非線性，波動(dòng)大，數(shù)據(jù)多等特點(diǎn)，人工神經(jīng)網(wǎng)絡(luò)能夠通過自學(xué)習(xí)來擬合非線性模型，同時(shí)可以處理大規(guī)模的數(shù)據(jù)，故使用較為廣泛。

相比于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)網(wǎng)絡(luò)采用更多的隱藏層，可以更好的擬合和適應(yīng)數(shù)據(jù)的非線性特征，由于近年來深度學(xué)習(xí)領(lǐng)域的高速發(fā)展和成功應(yīng)用，如何將深度學(xué)習(xí)結(jié)合負(fù)荷預(yù)測(cè)逐漸成為了負(fù)荷預(yù)測(cè)方向的研究熱點(diǎn)內(nèi)容。文獻(xiàn)［12］將深度信念網(wǎng)絡(luò)（deep belief network，DBN）應(yīng)用到到短期負(fù)荷預(yù)測(cè)模型之中，取得到較好的預(yù)測(cè)精度，但存在人為提取時(shí)序特征等問題。文獻(xiàn)［13］使用卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）提取數(shù)據(jù)關(guān)鍵特征后，輸入到門控循環(huán)單元（gated recurrent unit，GRU）模型之中，并結(jié)合注意力機(jī)制完成負(fù)荷預(yù)測(cè)，但模型計(jì)算較為復(fù)雜，而且如果數(shù)據(jù)變化波動(dòng)較大，則通過CNN無法捕捉到負(fù)荷的變化動(dòng)態(tài)變化特征。

由于負(fù)荷變化與多個(gè)相關(guān)因素存在一定的聯(lián)系，需要在歷史數(shù)據(jù)上進(jìn)行深度挖掘，找出電力負(fù)荷與外界各種影響因素之間存在的內(nèi)在關(guān)聯(lián)性，進(jìn)而輔助完成負(fù)荷分解。文獻(xiàn)［14］分析并驗(yàn)證了溫度和用電量之間的聯(lián)系，將溫度因素進(jìn)而考慮進(jìn)深度學(xué)習(xí)方法模型之中，提高了預(yù)測(cè)精度。文獻(xiàn)［15］通過分析得出電價(jià)與負(fù)荷具有相關(guān)性，并將實(shí)時(shí)電價(jià)因素輸入進(jìn)負(fù)荷預(yù)測(cè)模型，預(yù)測(cè)效果得到了一定提升。文獻(xiàn)［16］在歷史負(fù)荷數(shù)據(jù)的基礎(chǔ)上，引入天氣、節(jié)假日等相關(guān)因素變量，有效的提高了預(yù)測(cè)準(zhǔn)確率。文獻(xiàn)［17］在考慮傳統(tǒng)負(fù)荷功率特征的同時(shí)，額外考慮不同時(shí)段的負(fù)荷行為特征，將分時(shí)段負(fù)荷狀態(tài)概率因子引入尋優(yōu)目標(biāo)函數(shù)，有效提高了負(fù)荷分解的準(zhǔn)確性。

目前負(fù)荷預(yù)測(cè)方法較少考慮到同1天不同時(shí)間段的負(fù)荷行為以及對(duì)應(yīng)關(guān)聯(lián)性特征，因此，本文在考慮天氣維度和時(shí)間維度的基礎(chǔ)上，增加考慮行為維度，將不同時(shí)間段的行為相似度因素引入長(zhǎng)短時(shí)記憶（long short?term memory，LSTM）網(wǎng)絡(luò)模型，最后結(jié)合南方電網(wǎng)某臺(tái)區(qū)負(fù)荷數(shù)據(jù)在Keras 平臺(tái)上對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和驗(yàn)證，結(jié)果證明本文方法的有效性和可行性。

1 臺(tái)區(qū)負(fù)荷行為分析

臺(tái)區(qū)負(fù)荷在不同天的相同時(shí)間段內(nèi)的負(fù)荷行為習(xí)慣具有一定相似度，因此可以根據(jù)歷史負(fù)荷變化規(guī)律來預(yù)測(cè)未來負(fù)荷數(shù)據(jù)，但在同1 天的不同時(shí)間段內(nèi)臺(tái)區(qū)負(fù)荷的負(fù)荷運(yùn)行規(guī)律不同，而且呈現(xiàn)出強(qiáng)關(guān)聯(lián)性和較弱的關(guān)聯(lián)性之分，可根據(jù)此特征輔助完成負(fù)荷預(yù)測(cè)。將某臺(tái)區(qū)2周負(fù)荷的功率負(fù)載率數(shù)據(jù)映射到同1天內(nèi)，如圖1所示。

在圖1中，可以清晰看出該臺(tái)區(qū)負(fù)荷的功率負(fù)載率在1天內(nèi)的變化分布情況。在不同天內(nèi)，該臺(tái)區(qū)負(fù)荷的趨勢(shì)和周期大致相同，峰谷出現(xiàn)的位置也比較相近，存在一定的相關(guān)性，遵循某種基準(zhǔn)負(fù)荷規(guī)律并呈不同程度的上下波動(dòng)。其中在0:00—5:00時(shí)段，功率負(fù)載率呈下降趨勢(shì)，且曲線較為密集，關(guān)聯(lián)度很高，即在不同天較為嚴(yán)格的執(zhí)行同一行為習(xí)慣規(guī)律，預(yù)測(cè)時(shí)會(huì)更為準(zhǔn)確一些。但在12:00—16:00時(shí)段曲線比較分散，預(yù)測(cè)時(shí)精確度受到較大的影響。因此，各天在此時(shí)段會(huì)執(zhí)行較為松散的行為習(xí)慣規(guī)律。

圖1 某臺(tái)區(qū)功率負(fù)載率日分布圖Fig.1 Daily distribution of power load rate in a certain area

若不區(qū)分時(shí)段，則各個(gè)不同時(shí)間段的行為規(guī)律會(huì)相互影響，且看作相同的關(guān)聯(lián)密集程度，對(duì)最后整體預(yù)測(cè)的效果產(chǎn)生一定的影響，所以本文接下來分析臺(tái)區(qū)負(fù)荷不同運(yùn)行規(guī)律時(shí)間段的行為相似度，并考慮歷史數(shù)據(jù)的變化趨勢(shì)來輔助完成負(fù)荷預(yù)測(cè)。

本文首先通過計(jì)算每2天之間目標(biāo)時(shí)間段的皮爾遜相關(guān)系數(shù)，生成行為矩陣，再進(jìn)一步計(jì)算目標(biāo)時(shí)間段的行為相似度，行為相似度不同則對(duì)相同時(shí)間段歷史數(shù)據(jù)的參考程度不同。在考慮天氣維度和時(shí)間維度的基礎(chǔ)上，將行為相似度作為新特征考慮加入LSTM 預(yù)測(cè)模型，利用訓(xùn)練集數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，再根據(jù)測(cè)試集數(shù)據(jù)對(duì)模型效果進(jìn)行驗(yàn)證。

2 負(fù)荷行為相似度計(jì)算

文獻(xiàn)［18］指出電力負(fù)荷存在區(qū)域性、時(shí)間性等特性，雖然整體上具有峰谷的典型現(xiàn)象，但不同地方臺(tái)區(qū)負(fù)荷在不同時(shí)間的負(fù)荷變化趨勢(shì)存在差異，在1 天的各個(gè)時(shí)間段，負(fù)荷也呈現(xiàn)出不同的負(fù)荷運(yùn)行規(guī)律。

如何完成負(fù)荷行為時(shí)段分區(qū)成為提升負(fù)荷預(yù)測(cè)準(zhǔn)確度的關(guān)鍵，分區(qū)粗糙可能使得較多的強(qiáng)關(guān)聯(lián)時(shí)段行為特征丟失，分區(qū)過細(xì)可能會(huì)對(duì)歷史運(yùn)行數(shù)據(jù)的時(shí)間噪聲敏感，盲目增加計(jì)算量，影響負(fù)荷預(yù)測(cè)效果。本文選取以1 h 為時(shí)間段分區(qū)單位，計(jì)算時(shí)間段內(nèi)不同負(fù)荷規(guī)律的行為相似度。

假設(shè)訓(xùn)練集包含D天數(shù)的電力數(shù)據(jù)，樣本的采樣頻率為15 min/點(diǎn)。以每日的第t0整時(shí)點(diǎn)為初始時(shí)間點(diǎn)，第t1整時(shí)點(diǎn)為截止時(shí)間點(diǎn)，形成包含L=4(t1-t0)+1個(gè)連續(xù)數(shù)據(jù)點(diǎn)，將該目標(biāo)時(shí)間段編號(hào)記為m，生成第d天臺(tái)區(qū)負(fù)荷在編號(hào)m的目標(biāo)時(shí)間段內(nèi)的狀態(tài)序列為

式中:為第d天臺(tái)區(qū)負(fù)荷在編號(hào)m的第L個(gè)目標(biāo)時(shí)間點(diǎn)的負(fù)荷負(fù)載率。

則第d天臺(tái)區(qū)負(fù)荷在編號(hào)m的目標(biāo)時(shí)間段內(nèi)的狀態(tài)平均值為

對(duì)訓(xùn)練集臺(tái)區(qū)負(fù)荷在編號(hào)m的目標(biāo)時(shí)間段內(nèi)每2 天狀態(tài)序列之間的皮爾遜相關(guān)系數(shù)r進(jìn)行計(jì)算，得出D天臺(tái)區(qū)負(fù)荷在編號(hào)m的目標(biāo)時(shí)間段內(nèi)的相關(guān)矩陣Pm為

該臺(tái)區(qū)負(fù)荷在編號(hào)m的目標(biāo)時(shí)間段內(nèi)的行為相似度ωm的計(jì)算方法如式（6）所示

3 考慮分時(shí)段負(fù)荷行為的短期負(fù)荷預(yù)測(cè)方法

3.1 LSTM原理

傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)只能單獨(dú)輸入當(dāng)前時(shí)刻的數(shù)據(jù)，無法聯(lián)系到歷史數(shù)據(jù)之間的變化規(guī)律，這樣則損失了具有明顯周期特征的數(shù)據(jù)變化特點(diǎn)。

LSTM 網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)的變形結(jié)構(gòu)［19］，廣泛應(yīng)用于時(shí)間序列預(yù)測(cè)、文本分析預(yù)測(cè)、自然語言處理等方面。LSTM 網(wǎng)絡(luò)與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)相比，具有遺忘門，輸入門和輸出門等多種功能結(jié)構(gòu)，能夠?qū)^去時(shí)間的數(shù)據(jù)進(jìn)行記憶結(jié)合，是一種時(shí)間上的深度神經(jīng)網(wǎng)絡(luò)。LSTM 內(nèi)部一個(gè)網(wǎng)絡(luò)單元的結(jié)構(gòu)如圖2所示。

圖2 LSTM內(nèi)部網(wǎng)絡(luò)單元圖Fig.2 Diagram of network elements inside LSTM

圖2中ft，it和ot分別為網(wǎng)絡(luò)中的遺忘門、輸入門和輸出門，還具有一條代表長(zhǎng)期記憶的信息流。c1t為t時(shí)刻輸入的狀態(tài)，ct和ht分別為t時(shí)刻的網(wǎng)絡(luò)長(zhǎng)期狀態(tài)和輸出向量?？梢钥闯鲈趖時(shí)刻，該單元輸入變量xt，以及上個(gè)時(shí)刻即(t-1)時(shí)刻的網(wǎng)絡(luò)長(zhǎng)期狀態(tài)ct-1和輸出向量ht-1，在輸出端輸出t時(shí)刻的網(wǎng)絡(luò)長(zhǎng)期狀態(tài)ct和輸出向量ht。

首先輸入t時(shí)刻的變量xt，結(jié)合上個(gè)時(shí)刻的數(shù)據(jù)，通過遺忘門對(duì)信息進(jìn)行選擇性遺忘，并保留一部分信息下來，遺忘門函數(shù)如式（7）所示

式中:ft為長(zhǎng)期記憶的遺忘比例，在0～1內(nèi)取值；Wf和bf分別為遺忘門的權(quán)重系數(shù)向量和偏置系數(shù)向量。

通過輸入門決定了當(dāng)前時(shí)刻輸入的信息保留的部分，輸入門函數(shù)如式（8）所示

式中:it為新輸入信息的保留比例，在0～1 內(nèi)取值；Wi和bi分別為輸入門的權(quán)重系數(shù)向量和偏置系數(shù)向量。

再用一個(gè)tanh層提供要輸入到長(zhǎng)期記憶中的候選信息c1t，計(jì)算方法如式（9）所示

式中:Wc和bc分別為網(wǎng)絡(luò)長(zhǎng)期記憶的權(quán)重系數(shù)向量和偏置系數(shù)向量。

在遺忘門決定好遺忘的信息和保留的信息之后，對(duì)長(zhǎng)期記憶進(jìn)行更新，并將c1t與it進(jìn)行點(diǎn)乘，將此信息添加到長(zhǎng)期記憶之中，如式（10）所示

接著運(yùn)行輸出門ot，決定長(zhǎng)期記憶輸出到輸出向量ht的比例，同樣也在0～1內(nèi)取值，如式（11）所示

式中:Wo和bo分別為輸出門的權(quán)重系數(shù)向量和偏置系數(shù)向量。

最后結(jié)合ot，對(duì)輸出向量進(jìn)行輸出，如式（12）所示

3.2 負(fù)荷預(yù)測(cè)模型

文獻(xiàn)［16］在歷史負(fù)荷數(shù)據(jù)的基礎(chǔ)上，引入天氣維度和時(shí)間維度等相關(guān)因素信息，對(duì)未來數(shù)據(jù)進(jìn)行預(yù)測(cè)。其中考慮的影響因素中天氣維度包含當(dāng)日的最低溫度，最高溫度，平均溫度，時(shí)間維度包括當(dāng)前是星期幾，是否放假等信息。負(fù)荷預(yù)測(cè)輸入量如表1 所示，在輸出端則得到預(yù)測(cè)日t時(shí)刻的預(yù)測(cè)負(fù)荷數(shù)據(jù)。

表1 負(fù)荷預(yù)測(cè)輸入?yún)?shù)Tab1e 1 Load forecast input parameters

本文在文獻(xiàn)［16］考慮天氣維度和時(shí)間維度的基礎(chǔ)上，對(duì)負(fù)荷行為時(shí)間段進(jìn)行細(xì)分，增加考慮行為維度，將不同時(shí)間段的行為相似度因素引入長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模型，根據(jù)已有的歷史負(fù)荷數(shù)據(jù)對(duì)未來的負(fù)荷數(shù)據(jù)進(jìn)行預(yù)測(cè)。其中行為相似度的計(jì)算方法在上一節(jié)有過相關(guān)介紹，這里根據(jù)此方法對(duì)日范圍內(nèi)每1 h 的行為相似度進(jìn)行計(jì)算，根據(jù)當(dāng)前輸入時(shí)刻所屬當(dāng)日的時(shí)段信息來將對(duì)應(yīng)的行為相似度作為特征輸入到LSTM 模型之中，這樣模型能充分準(zhǔn)確利用歷史數(shù)據(jù)的變化趨勢(shì)來輔助完成負(fù)荷預(yù)測(cè)，本文方法框架圖如圖3所示。

圖3 本文方法框架圖Fig.3 Framework diagram of this article

由于神經(jīng)網(wǎng)絡(luò)激活函數(shù)的特性，模型對(duì)［0，1］之間的輸入數(shù)值比較敏感，能加快訓(xùn)練和收斂的速度，提高模型的效率，故將輸入的信息都進(jìn)行了歸一化處理。不同類型的信息進(jìn)行的預(yù)處理操作不同。將數(shù)值量負(fù)荷，溫度以及行為相似度進(jìn)行歸一化，如式（13）所示

式中:X為整個(gè)數(shù)據(jù)樣本；x為樣本X中的某一個(gè)數(shù)據(jù)；xg為x歸一化之后的數(shù)據(jù)；max(X)為樣本X最大值；min(X)為樣本X最小值。

對(duì)于非數(shù)值量日類型，用0和1的邏輯量進(jìn)行表示。對(duì)于星期類型因素，為了消除此類數(shù)據(jù)距離間的影響，即輸入星期三和星期四的不同程度和輸入星期三和星期五的不同程度是一樣的，星期類型特征用one?hot 編碼為一個(gè)7 維向量，比如星期六表示為［0，0，0，0，0，0，1，0］，而判斷類型因素比如是否節(jié)假日或是否周末，是用1表示，不是則用0表示。

4 仿真實(shí)驗(yàn)結(jié)果分析

本文選取南方電網(wǎng)2個(gè)臺(tái)區(qū)長(zhǎng)達(dá)1月的日96點(diǎn)功率負(fù)載率數(shù)據(jù)，分別進(jìn)行2個(gè)案例實(shí)驗(yàn)，同時(shí)選取文獻(xiàn)［16］方法作為本文的對(duì)比算法，驗(yàn)證本文方法的有效性。2個(gè)案例實(shí)驗(yàn)都取前90%的數(shù)據(jù)作為訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，后10%的數(shù)據(jù)作為測(cè)試集，對(duì)模型預(yù)測(cè)結(jié)果進(jìn)行評(píng)估。模型采用雙隱含層設(shè)計(jì)，2 個(gè)隱含層的神經(jīng)元數(shù)量都設(shè)為50，使用表1 中的多維數(shù)據(jù)作為輸入值，輸出下一時(shí)刻的功率負(fù)載率，即模型的結(jié)構(gòu)為12-50-50-1，上面4 層網(wǎng)絡(luò)結(jié)構(gòu)分別代表LSTM 網(wǎng)絡(luò)的輸入層，2 個(gè)隱含層，輸出層的神經(jīng)元數(shù)量，迭代次數(shù)設(shè)為200。模型的損失函數(shù)設(shè)置為實(shí)際值和預(yù)測(cè)值之間的均方根誤差，并采用Adam優(yōu)化算法［20］對(duì)模型進(jìn)行優(yōu)化訓(xùn)練。

為了評(píng)估模型的精度，本文選用平均絕對(duì)百分比誤差MAPE和均方根誤差RMSE作為評(píng)價(jià)標(biāo)準(zhǔn)。

式中:n為樣本量；yi為實(shí)際值；為預(yù)測(cè)值。

對(duì)案例1 臺(tái)區(qū)各個(gè)時(shí)段的行為相似度進(jìn)行計(jì)算，該臺(tái)區(qū)各時(shí)段行為相似度分布圖如圖4 所示。可以看出在不同的時(shí)間段，當(dāng)前時(shí)間段行為規(guī)律的執(zhí)行程度具有一定差異，行為相似度可以作為對(duì)歷史負(fù)荷軌跡的參照程度，輔助后續(xù)添加行為維度因素進(jìn)行負(fù)荷預(yù)測(cè)。

圖4 案例1各時(shí)段行為相似度分布圖Fig.4 Behavior similarity distribution map of each time period in case 1

案例1臺(tái)區(qū)負(fù)荷測(cè)試集3天功率負(fù)載率的預(yù)測(cè)結(jié)果和典型片段圖如圖5和圖6所示。可以看出本文方法預(yù)測(cè)值與實(shí)際值更為接近，在加入考慮負(fù)荷行為相似度因素后，負(fù)荷預(yù)測(cè)的效果具有一定的提升。

圖5 案例1預(yù)測(cè)結(jié)果Fig.5 Forecast results of case 1

圖6 案例1預(yù)測(cè)結(jié)果部分片段圖Fig.6 Segmentation diagram of forecast result for case 1

案例1的預(yù)測(cè)結(jié)果對(duì)比如表2所示，可以看出，本文綜合考慮天氣維度，時(shí)間維度和行為維度，能取得較好的負(fù)荷預(yù)測(cè)精度。

表2 案例1預(yù)測(cè)結(jié)果對(duì)比Table 2 Comparison of prediction results for case 1

案例2 的預(yù)測(cè)結(jié)果圖和典型片段圖如圖7 和圖8 所示?？梢钥闯?，在功率負(fù)載率下降區(qū)段，文獻(xiàn)［16］方法和本文方法都與實(shí)際曲線貼合較緊，預(yù)測(cè)效果較好，但在峰谷的位置可以看出本文方法綜合考慮了負(fù)荷行為習(xí)慣，并根據(jù)不同時(shí)段區(qū)別對(duì)待，預(yù)測(cè)的更為精準(zhǔn)。

圖7 案例2預(yù)測(cè)結(jié)果Fig.7 Forecast results of case 2

圖8 案例2預(yù)測(cè)結(jié)果部分片段圖Fig.8 Segmentation diagram of forecast result for case 2

案例2 的整體預(yù)測(cè)結(jié)果對(duì)比如表3 所示，可以看出，在案例2臺(tái)區(qū)負(fù)荷預(yù)測(cè)中，本文方法同樣取得了較好的預(yù)測(cè)精度，并驗(yàn)證了本文方法的有效性和適用性。

表3 案例2預(yù)測(cè)結(jié)果對(duì)比Table 3 Comparison of prediction results for case 2

案例2 的預(yù)測(cè)算法時(shí)間對(duì)比如表4 所示，可以看出，同樣預(yù)測(cè)3天時(shí)長(zhǎng)的功率負(fù)載率數(shù)據(jù)，本文方法由于新增考慮了負(fù)荷行為相似度特征，所用時(shí)間略有增加。

表4 案例2算法時(shí)間對(duì)比Table 4 Comparison of algorithm time for case 2 s

綜合考慮表3 和表4 結(jié)果，發(fā)現(xiàn)本文方法在預(yù)測(cè)時(shí)間相差不大的情況下取得較好的預(yù)測(cè)精度。

5 結(jié)束語

臺(tái)區(qū)負(fù)荷在1天內(nèi)的各個(gè)時(shí)間段具有不同的行為規(guī)律，且遵守程度不同。本文在歷史負(fù)荷數(shù)據(jù)的基礎(chǔ)上，綜合考慮了天氣維度，時(shí)間維度以及行為維度，相比其他預(yù)測(cè)模型［21—22］，介紹了一種計(jì)算行為維度的各時(shí)段行為相似度的方法，并將此行為相似度引入基于LSTM 的負(fù)荷預(yù)測(cè)模型，提出了一種考慮分時(shí)段負(fù)荷行為的短期負(fù)荷預(yù)測(cè)方法，在南方電網(wǎng)2 個(gè)臺(tái)區(qū)的實(shí)際數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果證明了本文方法的有效性。