基于傳統(tǒng)CNN-LSTM模型和PGAN模型的用電量預(yù)測對比研究

陳露東,盧嗣斌,徐常

(貴州電網(wǎng)有限責(zé)任公司電網(wǎng)規(guī)劃研究中心配網(wǎng)規(guī)劃室,貴陽 550003)

0 引 言

隨著時(shí)代變遷,人工智能在半個世紀(jì)的時(shí)間內(nèi)曲折前進(jìn)。大量的學(xué)者認(rèn)為,在計(jì)算機(jī)時(shí)代,整個世界將進(jìn)入人工智能時(shí)代[1]。隨著工業(yè)和人民生活水平的提高,對電力能源的供應(yīng)量和供應(yīng)效率都提出了更高的要求[2-4]?！爸悄茈娋W(wǎng)”一詞大量出現(xiàn)在各大期刊和出版物上,已經(jīng)引起了國內(nèi)外學(xué)者的廣泛關(guān)注[5-6]。并且,在全球倡導(dǎo)綠色低碳,可持續(xù)發(fā)展的大背景下,智能電網(wǎng)已經(jīng)從廣大學(xué)者的想法中找到了一條可行的道路,與人工智能相結(jié)合,應(yīng)對設(shè)計(jì)和建設(shè)智能電網(wǎng)的挑戰(zhàn)。未來的智能電網(wǎng)是將信息和通信納入發(fā)電、輸電和消費(fèi)的各個方面,盡量減少對環(huán)境的污染,增強(qiáng)電力能源的利用效率,降低成本的同時(shí)增強(qiáng)可靠性[7]。在智能電網(wǎng)發(fā)展下,大多數(shù)的電力問題通常都源于配電系統(tǒng)。其組件數(shù)量龐大,運(yùn)行和控制相對緩慢需,并且需要較高的資本進(jìn)行維護(hù)。配電網(wǎng)智能化升級是智能電網(wǎng)發(fā)展的核心,其中用電量的預(yù)測被認(rèn)為是關(guān)鍵一步[8]。目前,傳統(tǒng)電網(wǎng)是一個剛性系統(tǒng),電能的傳輸、儲存和分配等都缺乏彈性[9],使得傳統(tǒng)電網(wǎng)存在著效率低,電能浪費(fèi)嚴(yán)重,信息交互能力弱和自動化程度低的缺點(diǎn)[10-11]。

以時(shí)間序列和回歸分析法為代表的傳統(tǒng)方法中,利用混沌時(shí)間序列方法進(jìn)行了短期內(nèi)的用電量預(yù)測[12]。此外還有研究表明稀疏懲罰分位數(shù)回歸分析在短期用電量預(yù)測內(nèi)有著顯著的成效[13]。雖然傳統(tǒng)的預(yù)測方法能達(dá)到不錯的效果,但受到多種因素的共同影響,無法獲得精確的預(yù)測。近些年來以深度學(xué)習(xí)為代表的前沿智能學(xué)習(xí)方法運(yùn)用在用電量分析的過程中,其無需建立準(zhǔn)確的數(shù)學(xué)模型,就可以抽象出時(shí)間序列的特征。其中長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)在用電量領(lǐng)域已經(jīng)有所研究,但其仍然處于預(yù)測方法的初級階段[14]。還有學(xué)者通過改進(jìn)粒子群算法,依據(jù)不同粒子慣性權(quán)重選擇小波神經(jīng)網(wǎng)絡(luò)尋優(yōu)策略進(jìn)行用電量預(yù)測[15]。然而在實(shí)際用電量預(yù)測中,對于復(fù)雜對象的用電量預(yù)測,單一測算法仍存在著很大的局限性。在統(tǒng)籌全局的情況下,選擇合適的智能算法,并且在權(quán)衡計(jì)算資源耗費(fèi)的同時(shí),達(dá)到用電量預(yù)測的最高效化。

一晃二十年過去了，他看著易非的父親從樓上跳下來，看著易非的母親處理喪事，看著易非求學(xué)和長大。他們都沒有斷聯(lián)系。他覺得易叔就像一棵被雷劈火燒過的樹木，死了，但枝干還在，怒指蒼穹，易非從死干上長出新枝，而長得愈發(fā)的急迫和頑強(qiáng)。對，就是急迫，就是這種感覺，可惜田有園表達(dá)不出來。

以產(chǎn)業(yè)園區(qū)用電量為例,分析兩種被廣泛應(yīng)用的時(shí)間序列預(yù)測方法(自回歸模型和長短時(shí)記憶網(wǎng)絡(luò)模型),并提出了生成對抗網(wǎng)絡(luò)模型進(jìn)行用電量預(yù)測。對比了三種智能算法在產(chǎn)業(yè)園區(qū)用電量預(yù)測中的效果,所得結(jié)果未來可以用于各大電網(wǎng)發(fā)電量、輸電量和損耗等預(yù)測。同時(shí)根據(jù)三種預(yù)測方法的效率和計(jì)算量,設(shè)計(jì)一套智能電網(wǎng)自動控制系統(tǒng),對幾種方法進(jìn)行合理高效的分配。將智能用電量預(yù)測和智能調(diào)控相結(jié)合,將大大地減少電力損耗,實(shí)現(xiàn)綠色可持續(xù)發(fā)展。

1 預(yù)測算法

介紹了對用電量預(yù)測的方法,其中包括自回歸模型預(yù)測,卷積神經(jīng)網(wǎng)絡(luò)與長短時(shí)記憶網(wǎng)絡(luò)預(yù)測,和生成對抗網(wǎng)絡(luò)預(yù)測模型。這在結(jié)果章節(jié)對比這些智能算法所得結(jié)果。

1.1 自回歸方法

運(yùn)用了差分整合移動平均自回歸模型(ARIMA),進(jìn)行時(shí)間序列預(yù)測從而達(dá)到對用電量的預(yù)測。ARIMA是典型的時(shí)間序列模型之一,由三部分組成:自回歸模型(AR);滑動平均模型(MA)和差分階數(shù)(I)。

其中AR模型為:

yt=a0+a1yt-1+a2yt-2+…+apyt-p+εt

(1)

式中y1,y2,y3,…,yt為一個時(shí)間序列;p為自回歸階數(shù);εt是均值為0,方差為σ2的白噪聲序列。值得注意的是,為滿足平穩(wěn)性條件,要滿足|a|<1。

MA模型為:

yt=c+εt+θtεt-1

(2)

GAN用于時(shí)間序列預(yù)測問題,實(shí)質(zhì)為生成器和鑒別器不停對抗的過程中,預(yù)測值不斷的逼近真實(shí)值,實(shí)現(xiàn)預(yù)測。生成器的輸入包括兩個方面,用電量數(shù)據(jù)的時(shí)間序列的概率分布和噪聲向量。鑒別器中輸入用電量數(shù)據(jù)和單步預(yù)測的標(biāo)簽(真實(shí)觀測數(shù)據(jù))。

自回歸移動平均模型(ARMA):

yt=c+a1yt-1+a2yt-2+…+apyt-p+εt+θ1εt-1+

θ2εt-2+…+θqεt-q

(3)

MA滑動平均過程在任何情況下都是平穩(wěn)的,由于AR需滿足平穩(wěn)性要求,故ARMA同樣要滿足平穩(wěn)性要求:即等式的根均分布在單位圓外。如果存在有跟落在單位圓上,則此時(shí)的ARMA(p,q)過程稱為差分自回歸移動平均過程(ARIMA(p,d,q))。

在預(yù)測前,首先設(shè)計(jì)了三種簡單的方案進(jìn)行初步預(yù)測,作為預(yù)測結(jié)果的對比標(biāo)準(zhǔn),方案一為將一周前同期的用電量作為預(yù)測值,方案二為將一月前同期的用電量作為預(yù)測值,方案三為將一年前同期的用電量作為預(yù)測值。從測試集中隨機(jī)抽取一周數(shù)據(jù),分別應(yīng)用三種方案所得結(jié)果如圖4所示,根據(jù)計(jì)算均方誤差的結(jié)果可以看出,三種方案存在著明顯的差異,其中方案三的效果最好,方案一、二效果接近,這可能與季節(jié)氣候變化、節(jié)假日安排和經(jīng)濟(jì)狀況有著一定的關(guān)系。方案三效果較好,但是總體均方誤差仍處于較大的水平(均方根誤差>450),只能大致預(yù)測用電量變化,難以精確預(yù)測。將這三組數(shù)據(jù)作為預(yù)測結(jié)果的比較標(biāo)準(zhǔn),對三種不同的算法進(jìn)行評估。

yt-yt-1=(a-1)yt-1+εt

(4)

Δyt=yt-yt-1=(a-1)yt-1+εt

(5)

Δ(Δyt)=2yt=(yt-yt-1)-(yt-1-yt-2)

(6)

在ARIMA模型中,差分運(yùn)算的作用是使得時(shí)間序列恢復(fù)平穩(wěn)。

1.2 長短時(shí)記憶網(wǎng)絡(luò)預(yù)測

條件生成對抗網(wǎng)絡(luò)(CGAN)是GAN的一個擴(kuò)展,它使模型限定在一些額外的信息y上,y可以是任何類型的輔助信息。因此設(shè)置的新值函數(shù)為:

在時(shí)間序列處理的研究中,LSTM網(wǎng)絡(luò)是一種十分常用的時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)(如圖1所示)。其通過引入記憶單元對傳統(tǒng)的遞歸神經(jīng)網(wǎng)絡(luò)(RNN)進(jìn)行了升級。其內(nèi)部主要包含三個步驟,首先是忘記步驟,通過忘記門σf對上一時(shí)刻的輸入狀態(tài)ct-1進(jìn)行控制,過濾不重要的信息。其次是選擇階段,通過選擇門的控制信號σi來記錄有用信息。兩個步驟所得結(jié)果為當(dāng)前狀態(tài)ct。最后一步為輸出,通過控制信號σo對輸出門進(jìn)行控制,得到最終輸出ht。其中,tanh為激活函數(shù)對狀態(tài)量和輸入量進(jìn)行放縮,X為輸入的時(shí)間序列。

各地湖泊管理單位根據(jù)自身情況建立了相應(yīng)的高郵湖湖泊巡查網(wǎng)絡(luò)，完善巡查制度，湖泊巡查工作有序開展，為維護(hù)湖泊良好的水事秩序，對控制涉湖違法水事案件的發(fā)生起到了積極顯著的作用。

圖1 長短時(shí)記憶網(wǎng)絡(luò)(LSTM)框架圖

1.3 生成對抗網(wǎng)絡(luò)預(yù)測

近年來,生成對抗網(wǎng)絡(luò)(GAN)被應(yīng)用于序列數(shù)據(jù)領(lǐng)域的各種問題,并取得了顯著的效果。目前GAN多用于生成聽覺,圖像和文字?jǐn)?shù)據(jù),但由于這些研究不涉及預(yù)測,其結(jié)果是可以被評估的[16]。 在預(yù)測中應(yīng)用GAN是具有十分大的挑戰(zhàn),因?yàn)槟壳皼]有一個統(tǒng)一的評估標(biāo)準(zhǔn)。

GAN是一類從數(shù)據(jù)概率分布中給定一組樣本模擬概率分布的算法,其結(jié)構(gòu)如表1所示。

表1 生成對抗網(wǎng)絡(luò)的結(jié)構(gòu)

一個GAN由兩個神經(jīng)網(wǎng)絡(luò)組成,即發(fā)生器G和鑒別器D,這兩個神經(jīng)網(wǎng)絡(luò)在對抗過程中同時(shí)被訓(xùn)練。首先,從已知概率分布Pnoise(z)(通常為高斯分布)中采樣噪聲向量z。G以噪聲矢量z為輸入,訓(xùn)練生成一個分布服從Pdata的樣本。另一方面,對D進(jìn)行優(yōu)化,以區(qū)分生成的數(shù)據(jù)和真實(shí)的數(shù)據(jù)。D和G用值函數(shù)進(jìn)行以下兩人極小極大對策:

V(G,D)

(7)

(8)

CNN是一種包含輸入層、卷積層、池化層、全連接層和輸出層的一種前饋神經(jīng)網(wǎng)絡(luò),CNN網(wǎng)絡(luò)的目的是對目標(biāo)進(jìn)行特征提取,通過對數(shù)據(jù)的卷積和池化處理,可以提取出隱藏在數(shù)據(jù)背后的特征關(guān)系。

Ez～Pz(z)[log(1-D(G(z|y))]

(9)

比如，當(dāng)教師在講解課文《我們愛你啊，祖國》時(shí)，便可以通過以下方式開展教學(xué)：首先，教師可以通過信息技術(shù)在網(wǎng)絡(luò)平臺上下載與教學(xué)內(nèi)容相關(guān)的素材，加深學(xué)生的感受，營造合適的教學(xué)氛圍。其次，教師可以為學(xué)生展示巍峨聳立的泰山、莊嚴(yán)肅穆的故宮以及宏偉壯麗的布達(dá)拉宮。在一幅幅動態(tài)或靜態(tài)的畫面中，學(xué)生能夠感受到中國的偉大，同時(shí)也能夠加深對祖國的熱愛之情，形成一定的知識記憶。

從表2可以看出，攀枝花優(yōu)質(zhì)鈦精礦經(jīng)流態(tài)化氧化→流態(tài)化還原→常壓一段流態(tài)化浸出及過濾、洗滌、干燥煅燒后，鈦精礦中TiO2品位可從47%左右提高至約90%，CaO+MgO總含量從7.5%左右降至約1.5%，其中CaO含量在0.75%左右，SiO2含量5%左右，不滿足大型沸騰氯化法生產(chǎn)鈦白粉對原料的要求。為了進(jìn)一步降低產(chǎn)品中雜質(zhì)元素含量，對人造金紅石產(chǎn)品進(jìn)行了磁選試驗(yàn)。經(jīng)磁選后人造金紅石TiO2含量≥92%，CaO+MgO總含量約0.6%，其中CaO含量在0.3%以上，SiO2含量4%左右，仍高于氯化鈦白原料對CaO和SiO2的指標(biāo)要求。

構(gòu)建體育教師教育專業(yè)化框架，首先要分析專業(yè)發(fā)展的所屬范疇。專業(yè)化框架歸根到底是實(shí)施主體作用機(jī)制下制度、層級、模式及相互關(guān)系的建設(shè)。構(gòu)成體育教師教育專業(yè)化框架要遵循專業(yè)發(fā)展發(fā)展的基本運(yùn)行機(jī)制，制度層面的設(shè)置基于體育專業(yè)標(biāo)準(zhǔn)及體育教學(xué)課程標(biāo)準(zhǔn)的教育培訓(xùn)制度和資格認(rèn)證制度；層級層面體現(xiàn)出體育教師教育培訓(xùn)和資格認(rèn)證的等級性和終身性；模式層面設(shè)置體育教師的教育培訓(xùn)模式和資格認(rèn)證模式等?；趯I(yè)社會學(xué)的理論，可以整合出兩個維度來分析體育教師的專業(yè)化框架構(gòu)建的問題，且這兩個維度在一定程度上包含了以上各個層面所涉及的內(nèi)容。

以貴州產(chǎn)業(yè)園區(qū)用電量的歷史數(shù)據(jù)為基礎(chǔ),進(jìn)一步建立超前值xt+1的概率分布模型:

對發(fā)電機(jī)整體在安裝彈性支撐為10kN/mm的彈性支撐時(shí)進(jìn)行模態(tài)仿真分析，彈性支撐主要參數(shù)如表4和表5所示，前9階振動頻率如表6所示，其中前9階靜態(tài)剛度時(shí)振型如圖3所示(由于前9階振型一致只是頻率不一致，動態(tài)剛度振型圖在此省略)。

c={x0,…,xt}

(10)

P(xt+1)

(11)

使用CGAN進(jìn)行模擬:

P(xt+1|c)

(12)

如圖2所示,建立預(yù)測生成對抗網(wǎng)絡(luò)模型(PGAN),歷史數(shù)據(jù)作為條件提供給發(fā)生器和鑒別器。發(fā)生器從平均值為0和標(biāo)準(zhǔn)偏差為1的高斯分布中抽取噪聲向量,并根據(jù)條件窗口c預(yù)測xt+1。鑒別器獲取xt+1并檢查它是否是跟蹤c的有效值。因此,進(jìn)一步更新函數(shù)為:

突然響起一波噓聲，我抬起頭，看見電視屏幕上出現(xiàn)了首相，她的頭發(fā)甚至比平日更加灰白。她站在唐寧街首相官邸外面，一身穿著和她離開前往外星人母艦時(shí)一模一樣。

圖2 預(yù)測型生成對抗網(wǎng)絡(luò)框架圖

Ez～Pz(z)[log(1-D(G(z|c))]

(13)

通過訓(xùn)練該模型,最優(yōu)生成器對給定條件下xt+1的全概率分布進(jìn)行建模。掌握了完整的概率分布后,可以通過抽樣來提取關(guān)于任何可能結(jié)果及其發(fā)生概率的信息。

通常,預(yù)測模型是通過優(yōu)化某一個點(diǎn)的狀態(tài)誤差作為損失函數(shù)來訓(xùn)練的,而GAN采用對抗性訓(xùn)練來訓(xùn)練神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)預(yù)測目的。將均方根誤差(RMSE)優(yōu)化為損失函數(shù)來訓(xùn)練該模型,并將其結(jié)果與另外兩種常用的預(yù)測模型的結(jié)果進(jìn)行了比較。

在訓(xùn)練GAN時(shí),生成器G學(xué)習(xí)將已知的概率分布Pz轉(zhuǎn)換為與Pdata相似的生成器分布PG。

2 用電量預(yù)測結(jié)果分析

在智能電網(wǎng)覆蓋城市的大背景下,對用電量進(jìn)行預(yù)測,并且進(jìn)行自動化調(diào)控,檢測工廠、發(fā)電站和第三產(chǎn)業(yè)用電等。文中選取了中國貴州某產(chǎn)業(yè)園區(qū)3年以來的用電情況作為例子,來研究數(shù)據(jù)采集準(zhǔn)備方法,和不同方法架構(gòu)之間的比較。

2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)集包含日期、時(shí)間信息,有功功率,無功功率,平均電壓,平均電流這6個變量。對于用電量預(yù)測實(shí)驗(yàn)來說,數(shù)據(jù)集中的數(shù)據(jù)是不完整的,并且得到的數(shù)據(jù)集中包含了大量的異常值。兩種方法可以去替換異常值:(1)利用異常值前一天和后一天同時(shí)間值的平均值代替。(2)利用一年前同時(shí)間的值代替。由于季節(jié)和節(jié)假日等因素影響,方案2的效果更加理想。每種屬性以時(shí)間序列記錄,其采樣周期為1分鐘如圖3(a)。由于預(yù)測不需要做到分鐘的精度,這樣不僅耗費(fèi)資源,浪費(fèi)時(shí)間,也沒有實(shí)際意義。對每段時(shí)間序列進(jìn)行了降采樣,以天為單位如圖3(b),這樣可以大大提升用電量預(yù)測的效率和實(shí)際意義。數(shù)據(jù)集中包含3年的數(shù)據(jù),用前2年的數(shù)據(jù)作為訓(xùn)練集,最后1年的數(shù)據(jù)作為測試集,定義RMSE為衡量預(yù)測結(jié)果好壞的標(biāo)準(zhǔn),RMSE值越小,說明模型預(yù)測結(jié)果越好,均方根誤差值越大,說明模型預(yù)測結(jié)果越大。并且從測試集中隨機(jī)抽取一周數(shù)據(jù),來展示預(yù)測效果。

圖3 數(shù)據(jù)集中的時(shí)間序列圖例

2.2 建立基礎(chǔ)預(yù)測標(biāo)準(zhǔn)

差分運(yùn)算表達(dá)式:

圖4 簡單模型方案下一周用電預(yù)測結(jié)果

2.3 ARIMA模型預(yù)測結(jié)果

使用循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)作為產(chǎn)生器和鑒別器的主要組成部分。圖7中,生成器獲取條件用電量時(shí)間序列并通過RNN層傳遞條件來構(gòu)造其表示。然后,將條件表示與噪聲向量連接起來,通過兩個密集層,得到預(yù)測的t+1時(shí)概率模型(xt+1)。如圖8所示,鑒別器從產(chǎn)生器或數(shù)據(jù)集中沿著相應(yīng)的條件用電量時(shí)間序列獲取xt+1,并在條件用電量時(shí)間序列的末尾連接xt+1以獲得{x0,…,xt+1}。并檢查時(shí)間序列的有效性。結(jié)果如圖9所示,相比基礎(chǔ)預(yù)測標(biāo)準(zhǔn)的均方根誤差出現(xiàn)了顯著的下降,如圖10。GAN預(yù)測的結(jié)果優(yōu)于CNN與CNN-LSTM預(yù)測結(jié)果,并且預(yù)測時(shí)間也較其有所縮短。對兩類模型的均方根誤差進(jìn)行t檢驗(yàn),自回歸模型的均方根誤差顯著低于基礎(chǔ)預(yù)測標(biāo)準(zhǔn)(P< 0.05)。

圖5 ARIMA模型以及預(yù)測結(jié)果

結(jié)果如圖5(c)所示,均方根誤差出現(xiàn)了明顯的下降,與基礎(chǔ)預(yù)測標(biāo)準(zhǔn)相同的是,星期天與星期六的用電量預(yù)測值仍然誤差較大。但整體的準(zhǔn)確性得到了大幅提高,即預(yù)測天數(shù)的平均均方誤差得到了顯著的降低(簡單模型平均均方誤差約為 514,自相關(guān)函數(shù)模型平均均方根誤差約為369)。如圖5(d),對兩類模型的均方根誤差進(jìn)行t檢驗(yàn),自回歸模型的均方根誤差顯著低于基礎(chǔ)預(yù)測標(biāo)準(zhǔn)(P< 0.001)。

2.4 CNN與CNN-LSTM預(yù)測結(jié)果

考慮到降采樣后,訓(xùn)練集的數(shù)據(jù)較少。故在進(jìn)行深度學(xué)習(xí)預(yù)測前,更改采樣周期,放棄標(biāo)準(zhǔn)周的限定,而是對每7天的數(shù)據(jù)進(jìn)行一次采樣,對已有訓(xùn)練集進(jìn)行擴(kuò)充。將數(shù)據(jù)集擴(kuò)大7倍。對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練并且得出預(yù)測結(jié)果(見圖6),發(fā)現(xiàn)CNN所得結(jié)果的確較基礎(chǔ)預(yù)測標(biāo)準(zhǔn)有了明顯提高,但是與ARIMA模型所得結(jié)果差距不大,并且訓(xùn)練所花費(fèi)的時(shí)間也遠(yuǎn)遠(yuǎn)大于ARIMA模型所花費(fèi)的時(shí)間,所以認(rèn)為CNN不適合應(yīng)用在用電量預(yù)測方面。相較CNN,增加了LSTM結(jié)構(gòu)后,大大的增加了神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確率,并且兩者組合的模型更加穩(wěn)定,預(yù)測誤差效果更加理想。卷積神經(jīng)網(wǎng)絡(luò)去提取特征,長短時(shí)記憶網(wǎng)絡(luò)去解釋這些特征。預(yù)測結(jié)果如圖6所示,準(zhǔn)確率大大提高,平均均方根誤差降低到了350以下。在用電量方面有了質(zhì)的飛躍。

圖6 利用CNN和CNN-LSTM模型預(yù)測用電量結(jié)果

2.5 PGAN預(yù)測結(jié)果

式中c表示常數(shù)項(xiàng);θ表示系數(shù)。

作品以行刺秦王為題材，意在展現(xiàn)一群仁人志士當(dāng)燕國國勢迫急之際而展現(xiàn)出來的為信義而輕生死的精神力量，這種精神力量在與強(qiáng)秦以欺詐和暴虐吞并列國的行為對比中，在“勢”與“道”之爭中，建起了另一座價(jià)值豐碑。

首先畫出自相關(guān)函數(shù)圖和部分自相關(guān)函數(shù)圖,來確定開始模型的滯后觀測值設(shè)置,如圖5(a)所示,自相關(guān)圖中,發(fā)現(xiàn)了較為顯著的滯后觀測量,并且隨著滯后的增加相關(guān)性逐漸減小。圖5(b)中,自相關(guān)系數(shù)呈現(xiàn)出拖尾特征,逐漸減小,部分自相關(guān)系數(shù)的前6階不在置信區(qū)間內(nèi),并且關(guān)注到在第7個分量處出現(xiàn)了明顯的不同,因此選取6階附近的幾個階數(shù)作為AR模型的階數(shù),然后對結(jié)果進(jìn)行比較,最終選擇模型為AR(7),此時(shí)均方根誤差為最低。

圖7 生成器結(jié)構(gòu)圖

圖8 鑒別器結(jié)構(gòu)圖

圖9 GAN模型預(yù)測一周用電量結(jié)果

圖10 CNN和CNN-LSTM模型與GAN模型統(tǒng)計(jì)結(jié)果對比

2.6 智能預(yù)測用電量網(wǎng)絡(luò)設(shè)計(jì)

如表2所示,三種算法在用電量預(yù)測方面的應(yīng)用各有優(yōu)劣,面對的用電量預(yù)測這一個實(shí)際問題,要考慮許多現(xiàn)實(shí)因素。CNN-LSTM模型計(jì)算精度高,但是計(jì)算時(shí)間長,占用資源大,不適宜廣泛應(yīng)用于各類用電量預(yù)測。ARIMA模型精度較低,但是計(jì)算時(shí)間短,可以高效地預(yù)測大規(guī)模的用電量。GAN網(wǎng)絡(luò)較好的綜合了兩者優(yōu)點(diǎn),訓(xùn)練時(shí)間較短并且預(yù)測正確率較高。

表2 用電量預(yù)測RMSE平均值結(jié)果比較

在智能電網(wǎng)的大背景下建立用電用戶自動篩選系統(tǒng),在該系統(tǒng)中集成ARIMA模型,CNN-LSTM模型和GAN模型,利用ARIMA對智能電網(wǎng)下各類用電量進(jìn)行初步預(yù)測,根據(jù)用電用戶重要性和優(yōu)先級選擇用電量預(yù)測方法。并且建立反饋通路,將預(yù)測的結(jié)果與實(shí)際的比較結(jié)果作為校正值反饋給模型,如果遇到誤差持續(xù)過大的情況,可以利用更高級的模型進(jìn)行計(jì)算,并且對其進(jìn)行校正,這樣大大提高了用電量檢測的效率。圖11中的流程圖,是根據(jù)對方法的研究,設(shè)計(jì)的多算法融合用電量預(yù)測系統(tǒng)。根據(jù)算法的復(fù)雜程度將預(yù)測的模型分為初級模型,中級模型和高級模型。從智能電網(wǎng)數(shù)據(jù)庫中讀取各類用電量數(shù)據(jù),并與安裝在終端的智能傳感器采集的環(huán)境數(shù)據(jù)結(jié)合,生成用電量歷史數(shù)據(jù)集,對用電用戶進(jìn)行評估,分別用三種模型進(jìn)行預(yù)測,對于一些不間斷用電的用電用戶,可以直接給出預(yù)測值。預(yù)測值發(fā)送到智能配電網(wǎng)和智能發(fā)電廠進(jìn)行電力資源的調(diào)配。同時(shí),設(shè)計(jì)一個反饋系統(tǒng),從智能電表上采集實(shí)時(shí)用電量,與預(yù)測值進(jìn)行比較,反饋誤差來對系統(tǒng)進(jìn)行自動調(diào)控。

圖11 智能電網(wǎng)中預(yù)測用電量流程圖

從現(xiàn)有數(shù)據(jù)集中選擇產(chǎn)業(yè)園區(qū)連續(xù)6個月的用電量,并且按照不同類型(工業(yè)用電,生活用電和基礎(chǔ)設(shè)施用電)的用電量分為三組,分別模擬國家依據(jù)可靠性要求分為三類符合用戶對象:一類用戶(突然中斷供電將會造成人身傷亡或會引起周圍環(huán)境嚴(yán)重污染的,將會造成經(jīng)濟(jì)上的巨大損失的,將會造成社會秩序嚴(yán)重混亂或在政治上產(chǎn)生嚴(yán)重影響的用戶)、二類用戶(突然中斷供電會造成經(jīng)濟(jì)上較大損失的,將會造成社會秩序混亂或政治上產(chǎn)生較大影響的用戶)、三類用戶(不屬于上述一類和二類負(fù)荷的其他用戶)。以第1個月的數(shù)據(jù)作為數(shù)據(jù)集,后5個月為測試集。對提出的智能預(yù)測用電量網(wǎng)絡(luò)測試。按照用電量的等級,選擇相對應(yīng)的預(yù)測方法,并且對結(jié)果進(jìn)行評估。提出一個效率評價(jià)指標(biāo)E,它等于均方根誤差與時(shí)間的乘積的倒數(shù)。在實(shí)際試驗(yàn)中,隨著數(shù)據(jù)量的增加,平衡時(shí)間與準(zhǔn)確性,智能用電量預(yù)測模型的效率評價(jià)指標(biāo)越高,并且顯著的高于使用單一預(yù)測方法的效率評價(jià)指標(biāo)。故所提出的智能預(yù)測用電量網(wǎng)絡(luò)為未來智能電網(wǎng)下的用電量規(guī)劃提供了一種新的思路

基于無公害中藥選肥原則：選用國家生產(chǎn)綠色食品的肥料使用準(zhǔn)則中允許使用的肥料種類，所有的肥料應(yīng)以對環(huán)境和作物不產(chǎn)生不良后果的方法使用。黃芩施肥應(yīng)堅(jiān)持以基肥為主、追肥為輔和有機(jī)肥為主、化肥為輔的原則。有機(jī)肥包括高溫腐熟、殺菌處理后的堆肥、廄肥、沼肥、綠肥、作物秸稈、泥肥、餅肥等；生物菌肥包括腐殖酸類肥料、根瘤菌肥料、磷細(xì)菌肥料、復(fù)合微生物肥料等；微量元素肥料即以銅、鐵、硼、鋅、錳、鉬等微量元素及有益元素為主。

3 討論

當(dāng)下,很多研究者對智能電網(wǎng)展開研究。結(jié)合物聯(lián)網(wǎng)、大數(shù)據(jù)和智能算法等,已經(jīng)做出了十分多的用電量預(yù)測方案[17]。有研究者提出基于多表融合的方法對用戶短期用電量進(jìn)行預(yù)測,將水、電、氣三表數(shù)據(jù)合一,利用機(jī)器學(xué)習(xí)算法對用戶用電量做出了預(yù)測,得到十分理想的效果[16,18-19]。

用電量預(yù)測已經(jīng)成為智能電網(wǎng)規(guī)劃中重要的一環(huán),其發(fā)展關(guān)系到智能電網(wǎng)的建設(shè)以及城市的發(fā)展。本文利用了ARIMA模型、CNN-LSTM模型和PGAN模型對用戶用電量進(jìn)行預(yù)測,并對其在用電量預(yù)測中的效果進(jìn)行了評估,結(jié)合各類方法的特點(diǎn),提出智能電網(wǎng)中用電量預(yù)測具體的實(shí)現(xiàn)模型。并且對未來的智能電網(wǎng)的部分系統(tǒng)結(jié)合用電量預(yù)測模塊設(shè)計(jì)出控制圖,具有很理想的實(shí)際意義。

4 結(jié)束語

文章主要研究生成對抗網(wǎng)絡(luò)等模型在用電量預(yù)測方面的應(yīng)用。綜合各類算法的優(yōu)劣,設(shè)計(jì)了用電量預(yù)測系統(tǒng),并將該系統(tǒng)運(yùn)用在智能電網(wǎng)系統(tǒng)中。為智能電網(wǎng)動態(tài)規(guī)劃和優(yōu)化提供了新的思路和方法。對產(chǎn)業(yè)園區(qū)用電數(shù)據(jù)進(jìn)行預(yù)測,得出結(jié)論:

總體而言，對人的主體性關(guān)切已經(jīng)成為學(xué)界闡釋馬克思實(shí)踐觀的核心入路，在這一基礎(chǔ)上，研究者們從不同的視域進(jìn)行了各具特色的詮釋。以上所述關(guān)于實(shí)踐的本體論、價(jià)值論、人類學(xué)等不同視域?qū)︸R克思實(shí)踐范疇的理解和闡釋充分說明了馬克思實(shí)踐觀在馬克思哲學(xué)體系中的核心地位，就此而言，對馬克思實(shí)踐范疇的理解從根本上影響著研究者對整個馬克思哲學(xué)的認(rèn)識和把握。

(1)創(chuàng)新性的將生成對抗網(wǎng)絡(luò)運(yùn)用在用電量預(yù)測中,并且在用電量預(yù)測中有著很好的效果。

所謂防風(fēng)固沙林，是指以通過降低風(fēng)速，防止或者減緩風(fēng)蝕、固定沙地，保護(hù)耕地、果園、牧場等以及農(nóng)作物免受風(fēng)沙侵襲為主要目的，而營造的喬木林和灌木林。如：油松、樟子松、楊樹、檉柳、橡櫟、山杏、白蠟、紫穗槐、沙棘、荊條、梭梭、胡枝子等等。

但考慮到訓(xùn)練時(shí)間和對計(jì)算資源的占用,這種算法并不適合運(yùn)用在全面的用電量預(yù)測中;

2017年省級黨委和政府扶貧開發(fā)工作成效考核反饋廣西的問題清單中，關(guān)于扶貧資金使用管理的問題共有12項(xiàng)，直接點(diǎn)名的有馬山、田東、寧明等10個縣(市)。上述各縣(市)對整改工作責(zé)無旁貸；其他市、縣也要擺正心態(tài)，根據(jù)中央和自治區(qū)檢查反饋的問題，主動對號入座，對本地區(qū)脫貧攻堅(jiān)工作開展全面自查自糾，形成問題清單。各市、縣要以問題清單為線索，深入分析導(dǎo)致問題的主觀原因、制度原因、作風(fēng)原因，真正把問題找全、把根源找準(zhǔn)，做到精準(zhǔn)整改，重點(diǎn)突破，確保問題全面整改到位。

(2)針對未來智能電網(wǎng)中用電用戶的復(fù)雜程度、規(guī)模旁大和優(yōu)先級順序等特點(diǎn),設(shè)計(jì)智能用電量預(yù)測系統(tǒng),對不同的用電用戶加以區(qū)別,分別采用不同種類的預(yù)測方法,使得實(shí)驗(yàn)效率最優(yōu)化。

文中不僅將生成對抗網(wǎng)絡(luò)應(yīng)用在用電量預(yù)測中,更在智能電網(wǎng)的規(guī)范發(fā)展上提出了一種高效精準(zhǔn)的用電量預(yù)測方案,可以結(jié)合環(huán)境、政策和經(jīng)濟(jì)等因素變化,實(shí)現(xiàn)良好的自我調(diào)節(jié)。并且對于用電量的預(yù)測從側(cè)面也可以很好地把握國家的宏觀經(jīng)濟(jì)調(diào)控和走勢,使得國家可以及時(shí)對發(fā)展戰(zhàn)略進(jìn)行調(diào)整,掌握產(chǎn)業(yè)發(fā)展特點(diǎn)。