基于開發(fā)智慧云平臺(tái)的日前建筑用電負(fù)荷預(yù)測(cè)方法研究

潘廣旭 ，宮池玉，李興玉，胡軍，李英杰，王瑞琪

（1.國(guó)網(wǎng)山東省電力公司日照供電公司，山東 日照 276800；2.國(guó)網(wǎng)山東綜合能源服務(wù)有限公司，山東 濟(jì)南 250002）

隨著國(guó)家對(duì)“能源革命”的大力推進(jìn)，終端用能環(huán)節(jié)的價(jià)值日益凸顯[1]。一方面，提高各類能耗數(shù)據(jù)采集的準(zhǔn)確性和安全性，確保數(shù)據(jù)采集和傳輸裝置的易部署性，做好數(shù)據(jù)的治理和分類存儲(chǔ)工作，是提高電負(fù)荷預(yù)測(cè)準(zhǔn)確性以及大幅提升其他數(shù)據(jù)利用環(huán)節(jié)工作效率的基礎(chǔ)和重要保障[2]；另一方面，改進(jìn)預(yù)測(cè)算法，提高電力負(fù)荷預(yù)測(cè)的準(zhǔn)確性有利于能源企業(yè)優(yōu)化資源配置[3-5]，有利于引導(dǎo)客戶科學(xué)用能，幫助客戶增效降本。

在電力負(fù)荷預(yù)測(cè)方面，文獻(xiàn)[6]提出了一種基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)方法，該方法為了提高傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度，引入了貓群算法（cat swarm optimization，CSO）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值或閾值；文獻(xiàn)[7]采用專家系統(tǒng)法進(jìn)行負(fù)荷預(yù)測(cè)，專家系統(tǒng)由于匯集了較為全面的專家知識(shí)和經(jīng)驗(yàn)，能考慮更多種影響因素，故利用該方法預(yù)測(cè)更容易獲得準(zhǔn)確的結(jié)論；文獻(xiàn)[8]提出了一種基于改進(jìn)卡爾曼濾波的短期負(fù)荷預(yù)測(cè)方法，該方法既保持了卡爾曼濾波算法收斂速度快的優(yōu)點(diǎn)，又引入了修正因子考慮電力負(fù)荷變化的周期性等規(guī)律，提高了預(yù)測(cè)精度；文獻(xiàn)[9]提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的中期電力負(fù)荷預(yù)測(cè)方法；文獻(xiàn)[10]提出了一種基于自適應(yīng)深度信念網(wǎng)絡(luò)的變電站負(fù)荷預(yù)測(cè)方法，這兩類均屬于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)技術(shù)，該預(yù)測(cè)方法最大的優(yōu)點(diǎn)是能夠模擬人腦處理事件，具備信息記憶、自主學(xué)習(xí)、知識(shí)推理和優(yōu)化計(jì)算等突出特點(diǎn)；文獻(xiàn)[11]提出了一種基于改進(jìn)粒子群優(yōu)化長(zhǎng)短期記憶（long shortterm mermory network，LSTM）網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)方法，利用柯西變異粒子群算法尋找最優(yōu)參數(shù)，克服了LSTM網(wǎng)絡(luò)參數(shù)選取難的問題，在一定程度上提高了預(yù)測(cè)精度；文獻(xiàn)[12]根據(jù)負(fù)荷特性考慮溫度影響，通過對(duì)當(dāng)日平均溫度和該時(shí)刻下一日預(yù)測(cè)溫度引入隸屬度概念進(jìn)行模糊化處理，從而減小室外溫度變化對(duì)負(fù)荷預(yù)測(cè)精度的影響；文獻(xiàn)[13]提出了一種基于深度長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)方法，該方法克服了傳統(tǒng)LSTM神經(jīng)網(wǎng)絡(luò)難以處理大量負(fù)荷數(shù)據(jù)的缺點(diǎn)，同時(shí)充分考慮了電力負(fù)荷的非線性特性并深度挖掘了負(fù)荷在時(shí)間序列方面的信息，確保模型在經(jīng)歷長(zhǎng)時(shí)間離線訓(xùn)練的過程中不會(huì)陷入局部最優(yōu)困擾；文獻(xiàn)[14]提出了一種基于灰色投影改進(jìn)隨機(jī)森林算法的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法，該方法主體部分采用隨機(jī)森林算法構(gòu)造電力負(fù)荷預(yù)測(cè)模型，同時(shí)引入灰色投影原理改進(jìn)灰色關(guān)聯(lián)相似日選取算法，從而提高預(yù)測(cè)精度。

上述用于電力負(fù)荷預(yù)測(cè)的深度神經(jīng)網(wǎng)絡(luò)模型缺乏對(duì)原始信號(hào)的降噪處理，未能對(duì)時(shí)序負(fù)荷周期性進(jìn)行分析，且缺乏對(duì)實(shí)際場(chǎng)景中氣候溫度、相對(duì)濕度等重要影響因素的考量。此外，上述提到的專家系統(tǒng)負(fù)荷預(yù)測(cè)方法缺乏自主學(xué)習(xí)能力，無法適應(yīng)突發(fā)事件和不斷變化的環(huán)境條件。

針對(duì)上述負(fù)荷預(yù)測(cè)方法存在的不足，本文結(jié)合小波變換方法和LSTM算法各自優(yōu)點(diǎn)，提出了考慮負(fù)荷周期性、下一日溫度和相對(duì)濕度的電力負(fù)荷預(yù)測(cè)方法。

首先利用小波變換捕捉和分析微小信號(hào)以及信號(hào)的細(xì)節(jié)部分，且對(duì)異常信號(hào)非常靈敏，能夠較好地處理突變信號(hào)，在保證原始信號(hào)特點(diǎn)的同時(shí)實(shí)現(xiàn)降噪處理，然后考慮負(fù)荷的周期性、下一日溫度和相對(duì)濕度，將分量信號(hào)送入LSTM網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，充分發(fā)揮小波變換和LSTM算法的各自優(yōu)點(diǎn)，且充分考慮實(shí)際場(chǎng)景中存在的影響因素，從而提升日前電負(fù)荷預(yù)測(cè)精度。利用實(shí)際建筑電力負(fù)荷數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，結(jié)果表明本文所提預(yù)測(cè)方法比傳統(tǒng)的預(yù)測(cè)方法精度高，同時(shí)成功將先進(jìn)算法應(yīng)用至開發(fā)云平臺(tái)上，體現(xiàn)了算法策略與平臺(tái)架構(gòu)的有效結(jié)合。

1 基于云平臺(tái)的數(shù)據(jù)管理系統(tǒng)

作為預(yù)測(cè)系統(tǒng)的數(shù)據(jù)源和載體，本文提出的基于阿里云平臺(tái)數(shù)據(jù)管理系統(tǒng)包括從數(shù)據(jù)采集、數(shù)據(jù)治理到數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)應(yīng)用再到結(jié)果展示的一整套工藝流程。該數(shù)據(jù)管理系統(tǒng)架構(gòu)圖如圖1所示。該系統(tǒng)可分為三層，自下而上分別為：感知層、應(yīng)用層和展現(xiàn)層。

圖1 數(shù)據(jù)管理系統(tǒng)架構(gòu)圖Fig.1 Architecture diagram of data management system

感知層是數(shù)據(jù)管理系統(tǒng)的基礎(chǔ)，是指用來感知各種事物的、可擴(kuò)展的網(wǎng)絡(luò)[15-17]。該層主要依靠各種傳感器來采集數(shù)據(jù)，然后通過無線傳輸?shù)姆绞綄?shù)據(jù)上傳至云平臺(tái)。本系統(tǒng)選用LoRa自組網(wǎng)無線通信方案。

作為負(fù)荷預(yù)測(cè)系統(tǒng)的核心，應(yīng)用層也具備服務(wù)端訂閱、數(shù)據(jù)治理、數(shù)據(jù)存儲(chǔ)、能耗監(jiān)測(cè)等一系列功能。為滿足預(yù)測(cè)所需數(shù)據(jù)源間隔標(biāo)準(zhǔn)需求，利用插值法對(duì)實(shí)時(shí)上傳數(shù)據(jù)自動(dòng)查缺補(bǔ)漏，為負(fù)荷預(yù)測(cè)系統(tǒng)提供數(shù)據(jù)保障，最終于本地服務(wù)器完成運(yùn)行且傳輸至展現(xiàn)層。

展現(xiàn)層是整個(gè)數(shù)據(jù)管理系統(tǒng)與客戶的交互界面，包括能耗信息監(jiān)測(cè)、室外氣象監(jiān)測(cè)和預(yù)測(cè)信息展示，界面效果如圖2所示。

圖2 智慧云平臺(tái)用戶界面Fig.2 User interface of smart cloud platform

2 日前負(fù)荷預(yù)測(cè)理論與建模

2.1 負(fù)荷預(yù)測(cè)理論基礎(chǔ)

2.1.1 小波分析

小波分析算法是一種時(shí)域-頻域的分析方法，小波變換的基本思想來源于傅里葉變換[18-19]。其在保留了傅里葉變換優(yōu)點(diǎn)的基礎(chǔ)上，又具有很多獨(dú)特的優(yōu)點(diǎn)[20]。例如，小波變換克服了短時(shí)傅里葉變換采樣步長(zhǎng)不變的缺點(diǎn)，可以根據(jù)信號(hào)源頻率的大小來自主調(diào)節(jié)采樣頻率，故其非常適合捕捉和分析微小信號(hào)以及信號(hào)的細(xì)節(jié)部分，對(duì)異常信號(hào)非常靈敏，能夠較好地處理突變信號(hào)、提高預(yù)測(cè)精度。設(shè)ψ（x）是一個(gè)平方可積函數(shù)，則有：

1）連續(xù)小波函數(shù)結(jié)果的定義式為

式中：a為比例因子；b為移位因子；f（t）為指原時(shí)域的信號(hào)；t為時(shí)間。

2）小波函數(shù)的容許性條件為

式中：ψ(ω)為小波母函數(shù)ψ(x)的傅里葉變換。

在滿足小波函數(shù)容許性條件時(shí)，稱ψ(x)為一個(gè)基本小波或者小波母函數(shù)。

2.1.2 LSTM算法理論基礎(chǔ)

長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）是一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNNs），它包括三個(gè)門，分別為輸入門、輸出門和遺忘門[21-23]。LSTM網(wǎng)絡(luò)的模型結(jié)構(gòu)示意圖如圖3所示。

圖3 LSTM網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖Fig.3 Structure diagram of LSTM network model

根據(jù)LSTM網(wǎng)絡(luò)的模型結(jié)構(gòu)示意圖，遺忘門的運(yùn)算過程是首先取前一神經(jīng)元的輸出結(jié)果ht-1和本神經(jīng)元的輸入xt進(jìn)行計(jì)算，然后輸出一個(gè)范圍為[0，1]的系數(shù)ft，運(yùn)算公式為

式中：ft為遺忘門限；σ()為激活函數(shù)；Wf為遺忘門權(quán)重矩陣；ht-1為前一神經(jīng)元的輸出；xt為本神經(jīng)元的輸入；bf為遺忘門偏差參數(shù)。

如果輸出系數(shù)為0，則表示本神經(jīng)元完全遺忘上一細(xì)胞狀態(tài)；如果輸出系數(shù)為1，則表示本神經(jīng)元對(duì)上一細(xì)胞狀態(tài)完全記憶。該系數(shù)乘以上一細(xì)胞狀態(tài)ct-1，即為輸出結(jié)果。遺忘門保證了LSTM網(wǎng)絡(luò)的長(zhǎng)期記憶性。

輸入門的運(yùn)算過程類似于遺忘門，輸出一個(gè)范圍為[0，1]的系數(shù)it，運(yùn)算公式為

式中：it為輸入門限；Wi為輸入門權(quán)重矩陣；ht-1為前一神經(jīng)元的輸出；bi為輸入門偏差參數(shù)。

然后根據(jù)下式即可得到當(dāng)前t時(shí)刻細(xì)胞狀態(tài)ct：

式中：ct-1為t-1時(shí)刻的細(xì)胞狀態(tài)；it為輸入門限；?表示標(biāo)量乘法。

最后，根據(jù)下式得到輸出門得到ot：

然后與經(jīng)過一層tanh運(yùn)算得出的ct相乘，得最終輸出ht如下：

2.1.3 注意力機(jī)制

注意力機(jī)制源于對(duì)人類視覺的研究，能夠突出重點(diǎn)而忽略其他不重要的因素。利用注意力機(jī)制進(jìn)行數(shù)據(jù)處理，可以快速篩選出高價(jià)值的信息，從而大幅度提高數(shù)據(jù)處理的效率和準(zhǔn)確性[24]。注意力機(jī)制的核心內(nèi)容就是為所有元素計(jì)算權(quán)重參數(shù)，其運(yùn)算過程如圖4所示。其中，Ki（i∈[1，…，n]）表示輸入信息中鍵值對(duì)的注意力分布，Q為給定目標(biāo)中的某個(gè)元素，通過計(jì)算Ki和Q的相似性得到ai，并進(jìn)行歸一化處理得到權(quán)重參數(shù)bi，bi與輸入信息中的控制向量valuei分別對(duì)應(yīng)相乘再相加，即得注意力值。

圖4 注意力機(jī)制計(jì)算原理Fig.4 The theory of attention mechanism

2.2 日前負(fù)荷預(yù)測(cè)模型介紹

2.2.1 特性分析

無論是居民社區(qū)用電還是商業(yè)、辦公用電，其電功率作為預(yù)測(cè)模型的輸入信號(hào)，具有很強(qiáng)的周期性。其與用戶行為活動(dòng)的周期性相關(guān)，例如商業(yè)建筑在工作日的用能相對(duì)較高，而休息日相對(duì)較低。負(fù)荷波動(dòng)除受人為行為因素影響外，氣候環(huán)境對(duì)建筑用能同樣具有較強(qiáng)影響，當(dāng)室外溫度、相對(duì)濕度過大并且偏離人體舒適度時(shí)，建筑用電量明顯上升，表現(xiàn)為與偏離人體舒適度程度關(guān)聯(lián)性較強(qiáng)。負(fù)荷變化與溫度、相對(duì)濕度之間不是單一的線性關(guān)系，具有強(qiáng)耦合、非線性的特點(diǎn)，因此單一的特性分析無法滿足負(fù)荷預(yù)測(cè)所需精度要求，需借助LSTM網(wǎng)絡(luò)完成以上特征向量對(duì)歷史負(fù)荷趨勢(shì)的反饋記憶與模型建立工作。

2.2.2 WT-LSTM模型結(jié)構(gòu)設(shè)計(jì)與分析

為解決商業(yè)建筑負(fù)荷日前預(yù)測(cè)過程中精度問題，本文提出了一種基于WT-LSTM的預(yù)測(cè)模型。首先通過db2小波變換對(duì)原始負(fù)荷粗糙數(shù)據(jù)分解為低頻信號(hào)a與其他兩個(gè)高頻信號(hào)d1和d2。其中低頻信號(hào)a能夠反映用能負(fù)荷的大致趨勢(shì)，高頻信號(hào)d1和d2則能具體表征負(fù)荷趨勢(shì)的突變情況。借助db2小波變換可協(xié)助LSTM網(wǎng)絡(luò)完成對(duì)不同信號(hào)之間的差異性辨識(shí)，從而有效解決單一LSTM網(wǎng)絡(luò)挖掘信息特性不充足的情況。

基于上述影響因素分析與負(fù)荷小波變換結(jié)果，分別建立3個(gè)WT-LSTM日前預(yù)測(cè)模型，如表1所示，其中，a模型輸入分別為下一日天氣預(yù)報(bào)的溫度與濕度值、當(dāng)天實(shí)際負(fù)荷經(jīng)小波變換后的低頻分量a，輸出為下一日負(fù)荷低頻分量a；d1與d2模型的輸入與輸出同理分別對(duì)應(yīng)各自高頻分量。因LSTM網(wǎng)絡(luò)對(duì)輸入形式要求（批次、時(shí)間步長(zhǎng)、變量維度），考慮其數(shù)據(jù)大小確定輸入形式為（30，24，3）或（30，24，1），輸出形式為（30，24，1）。其中模型a共有3個(gè)LSTM層和1個(gè)Dense層，各層的神經(jīng)元個(gè)數(shù)依次為60，40，30和30，采用了Adam優(yōu)化器并使用均方誤差作為優(yōu)化指標(biāo)，最后通過設(shè)置摒棄率來避免數(shù)據(jù)過擬合，確定的LSTM隱含層最優(yōu)參數(shù)如表2所示。

表1 模型輸入輸出表Tab.1 The input and output of the LSTM model

表2 LSTM隱含層最優(yōu)模型參數(shù)Tab.2 Optimal parameters used for the LSTM

WT-LSTM網(wǎng)絡(luò)整體模型框架如圖5所示，原始電負(fù)荷作為整個(gè)系統(tǒng)的輸入首先需對(duì)輸入信號(hào)進(jìn)行小波分解，然后將分解后的信號(hào)分量輸入到LSTM網(wǎng)絡(luò)分別預(yù)測(cè)得到結(jié)果，而后通過注意力機(jī)制模型提升數(shù)據(jù)處理效率，最后對(duì)分量預(yù)測(cè)結(jié)果進(jìn)行重組。

圖5 WT-LSTM網(wǎng)絡(luò)模型結(jié)構(gòu)圖Fig.5 Structure diagram of WT-LSTM

具體工作過程如下：根據(jù)帶噪聲的原始信號(hào)數(shù)據(jù)特征選擇恰當(dāng)?shù)男〔ê瘮?shù)；利用多種小波函數(shù)對(duì)原始信號(hào)進(jìn)行分解，輸出負(fù)荷低頻分量a與高頻分量d1，d2；對(duì)小波分解輸出的信號(hào)分量進(jìn)行歸一化處理得到當(dāng)日電負(fù)荷趨勢(shì)；將歸一化之后的當(dāng)日電功率信號(hào)輸入LSTM網(wǎng)絡(luò)，同時(shí)考慮下一日天氣溫度和相對(duì)濕度預(yù)報(bào)信息，經(jīng)過LSTM網(wǎng)絡(luò)的輸入層、隱藏層和輸出層的運(yùn)算，得到三個(gè)信號(hào)分量的預(yù)測(cè)值；對(duì)三個(gè)信號(hào)分量預(yù)測(cè)值相加得到重組預(yù)測(cè)結(jié)果。最終通過注意力機(jī)制來完成對(duì)預(yù)測(cè)模型的參數(shù)的高度篩選。

2.3 評(píng)價(jià)指標(biāo)與標(biāo)準(zhǔn)化處理

為了評(píng)價(jià)傳統(tǒng)預(yù)測(cè)方法以及本文所提方法預(yù)測(cè)建筑日前電力負(fù)荷的準(zhǔn)確性，引入均方根誤差RMSE如下：

式中：Lt為電力負(fù)荷的實(shí)際測(cè)量值；Pt為電力負(fù)荷的預(yù)測(cè)值；N為每日測(cè)量次數(shù)。

在利用LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行電力負(fù)荷預(yù)測(cè)之前，為了提高預(yù)測(cè)的精度和速度，引入歸一化處理函數(shù)：

式中：Yn為經(jīng)過小波變換處理過的信號(hào)；Ymax，Ymin分別為該輸入信號(hào)的最大值和最小值。

3 算例結(jié)果分析

原始信號(hào)與經(jīng)小波變換分解之后的結(jié)果如圖6所示。從圖中容易看出，原始電負(fù)荷呈現(xiàn)明顯的周期性，每周工作日（周一至周五）電功率峰值和平均值都大于休息日（周六至周日）。此外，利用小波分解變換將原始電負(fù)荷信號(hào)按照三個(gè)不同的采樣頻率進(jìn)行分解得到低頻分量a、高頻分量d1和d2。對(duì)比分量信號(hào)和原始信號(hào)可知，小波變換在保持了原始信號(hào)特征的同時(shí)，可以有效濾除噪聲干擾，有利于提高預(yù)測(cè)精度。

圖6 小波分解變換結(jié)果Fig.6 Results of wavelet decomposition transformation

圖7為分量預(yù)測(cè)結(jié)果和預(yù)測(cè)絕對(duì)誤差情況。一方面，對(duì)三種分量的預(yù)測(cè)在趨勢(shì)上能夠很好地跟蹤真實(shí)曲線的變化；另一方面，隨著小波變換分量的精細(xì)化程度不斷提高，預(yù)測(cè)誤差不斷減小。對(duì)于a分量，最大誤差達(dá)到322 kW，d1分量最大誤差為142 kW，而d2分量的最大誤差僅為105 kW。

圖7 分量預(yù)測(cè)結(jié)果及預(yù)測(cè)誤差Fig.7 The component prediction results and prediction errors

圖8是實(shí)際負(fù)荷、單一LSTM預(yù)測(cè)、WT-LSTM預(yù)測(cè)三者之間的對(duì)比情況。可以看出，WTLSTM預(yù)測(cè)曲線比單一LSTM預(yù)測(cè)曲線更能反映實(shí)際負(fù)荷的細(xì)節(jié)變化，例如在14 h左右，實(shí)際負(fù)荷有先下降后上升的趨勢(shì)，WT-LSTM預(yù)測(cè)算法很好地將該趨勢(shì)反映出來，而單一LSTM預(yù)測(cè)則無法反映該細(xì)節(jié)變化。此外，WT-LSTM預(yù)測(cè)比單一LSTM預(yù)測(cè)精度更高，根據(jù)上述提到的均方根誤差（RMSE）計(jì)算式（8），第1日的單一LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)RSME值為481.71，本文所提預(yù)測(cè)方法RSME值為185.56，預(yù)測(cè)準(zhǔn)確度提高了61.48%；第2日的單一LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)RMSE值為205.23，本文所提預(yù)測(cè)方法RMSE值為179.56，預(yù)測(cè)準(zhǔn)確度提高了12.51%。

圖8 基于LSTM的小波重組負(fù)荷預(yù)測(cè)結(jié)果Fig.8 The prediction results of LSTM based wavelet recombination load

4 結(jié)論

針對(duì)傳統(tǒng)電力負(fù)荷預(yù)測(cè)方法單一、考慮影響因素不全面、預(yù)測(cè)精度低以及底層數(shù)據(jù)資源傳輸和治理方面的問題，本文首先搭建了基于智慧云平臺(tái)的數(shù)據(jù)管理系統(tǒng)，在確保數(shù)據(jù)資源穩(wěn)定、可靠的基礎(chǔ)上展開電力負(fù)荷預(yù)測(cè)。在電力負(fù)荷預(yù)測(cè)方面，本文結(jié)合了小波變換和LSTM神經(jīng)網(wǎng)絡(luò)算法的優(yōu)點(diǎn)，同時(shí)考慮了負(fù)荷固有周期性、下一日溫度、相對(duì)濕度預(yù)報(bào)信息，有效減少了系統(tǒng)誤差、噪聲以及環(huán)境因素的影響，達(dá)到了理想的預(yù)測(cè)精度。最后，本文做了客戶端界面開發(fā)，能夠?qū)?shí)時(shí)的能耗信息和預(yù)測(cè)信息展示出來供客戶利用。