基于LSTM與seq2seq模型的短期電力負(fù)荷預(yù)測方法

李建芳，紀(jì) 鑫，張海峰，趙曉龍，陳潤東

（1.國家電網(wǎng)有限公司大數(shù)據(jù)中心，北京 100052；2.北京國網(wǎng)信通埃森哲信息技術(shù)有限公司，北京 100052）

由于工業(yè)、農(nóng)業(yè)以及人們?nèi)粘Ｉ钪惺褂玫碾娖鲾?shù)量增加，電力系統(tǒng)產(chǎn)生的電力負(fù)荷隨之增加[1]。為了向生產(chǎn)和生活提供可靠、安全的電力能源，有必要對短期電力負(fù)荷進行預(yù)測，并根據(jù)預(yù)測結(jié)果調(diào)整電力系統(tǒng)的發(fā)電量，盡量達到收支平衡。

電網(wǎng)的運行特性、容量決策、自然條件、社會影響等都是影響電網(wǎng)負(fù)荷預(yù)測結(jié)果的重要指標(biāo)。準(zhǔn)確的負(fù)荷預(yù)報數(shù)據(jù)，不但可以提高電網(wǎng)的運行安全，而且可以極大地減少電網(wǎng)的運行費用，節(jié)省能源。現(xiàn)階段發(fā)展較為成熟的短期負(fù)荷預(yù)測方法應(yīng)用了注意力機制、神經(jīng)網(wǎng)絡(luò)等算法，然而傳統(tǒng)方法在實際應(yīng)用過程中，預(yù)測準(zhǔn)確率較低，影響了預(yù)報的可信性。為了解決上述傳統(tǒng)預(yù)測方法存在的問題，文中引入LSTM 與seq2seq 模型。通過LSTM 和seq2seq 算法的融合構(gòu)建模型，并將其應(yīng)用到短期電力負(fù)荷預(yù)測方法的優(yōu)化設(shè)計工作中，以期提高電力負(fù)荷的預(yù)測精度以及應(yīng)用價值。

1 短期電力負(fù)荷預(yù)測方法設(shè)計

電力短期負(fù)荷預(yù)測是將歷史負(fù)荷資料向未來時間進行預(yù)測，運用統(tǒng)計學(xué)、人工智能、經(jīng)驗分析等量化手段，揭示電網(wǎng)的負(fù)荷變化，并對其進行預(yù)測[2]。負(fù)荷的變化具有隨機性，受環(huán)境、人為、天氣、經(jīng)濟等因素的影響而實時發(fā)生變化。所以，在對電網(wǎng)的短期負(fù)荷進行預(yù)報時，必須充分地綜合以上各種影響因子和歷史負(fù)荷的變化情況。

1.1 收集歷史電力負(fù)荷數(shù)據(jù)

短期電力負(fù)荷數(shù)據(jù)的構(gòu)成具有時間特性，可以將任意時刻的電力負(fù)荷表示為：

式中，Ln為基礎(chǔ)負(fù)荷，Lw為天氣影響系數(shù)，Ls為經(jīng)濟影響系數(shù)，Lr為發(fā)電噪聲值。其中，Ln的量化計算公式如下：

式中，κ(t) 為負(fù)荷分量與時間之間的線性變化系數(shù)，Z(t) 為負(fù)荷的周期變化系數(shù)。根據(jù)式（1）的結(jié)構(gòu)，在電力管理系統(tǒng)數(shù)據(jù)庫中，采用數(shù)據(jù)挖掘技術(shù)提取預(yù)測時間前三個月的電力負(fù)荷數(shù)據(jù)作為歷史數(shù)據(jù)[3]。在數(shù)據(jù)補全、異常處理和標(biāo)準(zhǔn)化處理等步驟的實施下，確保了電網(wǎng)的短期負(fù)荷預(yù)報準(zhǔn)確率[4]。采用線性差分法來解決小間距的數(shù)據(jù)丟失問題。線性差分?jǐn)?shù)據(jù)處理過程可以表示為：

式中，xn和xn+1分別為n和n+1 時刻的電力負(fù)荷，xn+k表示中間缺失負(fù)荷數(shù)據(jù)的補充結(jié)果，i表示負(fù)荷數(shù)據(jù)集長度。標(biāo)準(zhǔn)化的輸入數(shù)據(jù)主要用于衡量各種指標(biāo)的比例，而在輸出數(shù)據(jù)上則是使其能夠更好地反映負(fù)載的變化趨勢[5-6]。歷史負(fù)荷數(shù)據(jù)的歸一化計算式如下：

式中，ximin和ximax分別為歷史負(fù)荷數(shù)據(jù)集i的最大值和最小值，xi為歷史負(fù)荷數(shù)據(jù)的采集值，為數(shù)據(jù)的歸一化處理結(jié)果[7]。根據(jù)以上步驟處理初始數(shù)據(jù)，得到精確的歷史電力負(fù)荷數(shù)據(jù)。

1.2 利用LSTM與seq2seq模型提取電力負(fù)荷變化規(guī)律

1.2.1 構(gòu)建LSTM與seq2seq模型

LSTM 的基礎(chǔ)架構(gòu)包括輸入門、輸出門和遺忘門三個部分，三個門控制進出單元的信息。LSTM 單元結(jié)構(gòu)原理如圖1 所示。

圖1 LSTM單元結(jié)構(gòu)原理

LSTM 把各個記憶單元連在一起，確保每一個記憶單元的數(shù)據(jù)都能在不改變的情況下進行傳輸[9]。利用LSTM 的三種門控結(jié)構(gòu)對數(shù)據(jù)的選擇性轉(zhuǎn)移進行控制，Sigmoid 函數(shù)的輸出是[0,1]區(qū)間內(nèi)的數(shù)字。遺忘門負(fù)責(zé)在ct中刪除并保存前一時間的有效信息，遺忘門的計算處理過程可以表示為：

式中，σ()?表示Sigmoid 激活函數(shù)，ωf為權(quán)重值，ht-1和xt分別為上一時刻LSTM 的輸出值以及當(dāng)前LSTM 的輸入值，bf表示偏置項。輸入門將當(dāng)前時刻有效的信息存放在狀態(tài)單元中，決定了細胞狀態(tài)的更新，輸出門的細胞狀態(tài)更新過程可以表示為：

式中，tanh()?為記憶單元更新函數(shù)，ωc、xt和bc分別對應(yīng)輸出門的權(quán)重值、輸入值以及偏置值。輸出層確定了LSTM 神經(jīng)單元所需的信息，并在此基礎(chǔ)上，利用所保存的遺忘門和輸入門的信息，生成新的單元，并將新的單元傳送到tanh 函數(shù)，由Sigmoid 確定當(dāng)前時間隱藏層的輸出值，最后LSTM 模型的輸出結(jié)果如下：

式中，變量ot和it分別表示輸入門和輸出門的輸出結(jié)果。

seq2seq 模型解碼端接收到編碼部分的最后狀態(tài)，將每個步驟的輸出值作為下一階段的輸入值。通過LSTM 模型與seq2seq 模型的構(gòu)建與組合，完成模型的構(gòu)建[10]。seq2seq 模型的運行以LSTM 模型隱含層狀態(tài)的輸出結(jié)果作為輸入序列，在此基礎(chǔ)上通過編碼與譯碼處理，得出最終的特征提取結(jié)果。

1.2.2 提取電力負(fù)荷變化特征

將收集的歷史電力負(fù)荷數(shù)據(jù)代入到構(gòu)建的LSTM 與seq2seq 模型中，分別從負(fù)荷峰值、負(fù)荷谷值、負(fù)荷均值等方面，提取歷史電力負(fù)荷的變化特征。以負(fù)荷峰值為例，模型輸出的特征提取結(jié)果可以表示為：

式中，變量xi和y分別為負(fù)荷影響因子和電力負(fù)荷分量，X(xi,y)為收集的歷史電力負(fù)荷數(shù)據(jù)集，J為歷史數(shù)據(jù)量[11]。同理可以迭代計算得出歷史電力負(fù)荷數(shù)據(jù)其他特征的提取結(jié)果。通過對單位時間內(nèi)電力負(fù)荷數(shù)據(jù)變化特征的提取與分析，確定該區(qū)域內(nèi)電力負(fù)荷的周期性浮動規(guī)律。

1.3 分析短期電力負(fù)荷影響因素

影響短期用電負(fù)荷的因素包括氣候、電價等，氣候因素具體包括溫度、濕度、風(fēng)速等。在夏季大量使用大功率的制冷設(shè)備，造成了一定時期內(nèi)的負(fù)載迅速增長，從而產(chǎn)生了較高的負(fù)載高峰[12-13]。以溫度影響因素為例，其影響機理可以表示為：

式中，λT為溫度影響系數(shù)，ΔT表示溫度浮動值，Lt0和Ltn分別對應(yīng)t0和tn時刻的電力負(fù)荷值。通過對歷史電力負(fù)荷以及溫度數(shù)據(jù)的分析，確定λT的具體取值[14]。同理可以得出電價因素以及其他因素對電力負(fù)荷數(shù)據(jù)的影響關(guān)系。

1.4 實現(xiàn)短期電力負(fù)荷預(yù)測

綜合短期電力負(fù)荷的周期性變化規(guī)律以及預(yù)測時間節(jié)點的影響因素，得出短期電力負(fù)荷的預(yù)測結(jié)果為：

式中，變量λ為綜合影響系數(shù)，tforecast和tcurrent分別對應(yīng)電力負(fù)荷的預(yù)測時間節(jié)點和當(dāng)前時間節(jié)點，χ為歷史電力負(fù)荷的變化規(guī)律系數(shù)[15-16]，該系數(shù)的具體取值由LSTM 與seq2seq 模型的特征提取結(jié)果決定。按照上述方式，可以得出電力系統(tǒng)任意時刻的短期電力負(fù)荷的預(yù)測結(jié)果。

2 實驗分析

以Inteli52.70 GHz CPU、NvidiaGeforce2080Ti*4和256 GB 內(nèi)存的服務(wù)器進行模型構(gòu)建和負(fù)荷數(shù)據(jù)預(yù)測，并設(shè)計預(yù)測性能測試實驗。在實驗環(huán)境中安裝Keras 工具，該工具支持LSTM 與seq2seq 算法的直接調(diào)用。為了體現(xiàn)出優(yōu)化設(shè)計短期電力負(fù)荷預(yù)測方法的性能優(yōu)勢，實驗設(shè)置了傳統(tǒng)的基于自組織特征神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機的短期電力負(fù)荷預(yù)測方法（方法一）作為對比方法。通過相關(guān)數(shù)據(jù)的統(tǒng)計與對比，體現(xiàn)出優(yōu)化設(shè)計方法的預(yù)測性能優(yōu)勢[17]。

2.1 短期電力負(fù)荷實驗數(shù)據(jù)集

此次實驗選擇了三個數(shù)據(jù)集用作負(fù)荷預(yù)測的訓(xùn)練和測試。分別從某省三個地區(qū)電力公司官網(wǎng)下載負(fù)荷數(shù)據(jù)，實驗選擇2022 年3 月1 日-3 月15 日的數(shù)據(jù)，數(shù)據(jù)的采樣周期為1 小時，共計6 000 個樣本。負(fù)荷數(shù)據(jù)樣本中包括工作時間負(fù)荷和休息時間負(fù)荷。在神經(jīng)網(wǎng)絡(luò)算法中，數(shù)據(jù)經(jīng)過處理后，要對數(shù)據(jù)進行分割，然后再將其輸入到模型中進行訓(xùn)練。若將所有的樣本數(shù)據(jù)都投入到模型中，會導(dǎo)致模型與整體數(shù)據(jù)的擬合過度，從而影響到預(yù)測結(jié)果的準(zhǔn)確性，所以將數(shù)據(jù)按8∶2 的比例劃分為兩個數(shù)據(jù)子集。

2.2 設(shè)置LSTM與seq2seq模型運行參數(shù)

由于優(yōu)化設(shè)計的短期電力負(fù)荷預(yù)測方法應(yīng)用了LSTM 與seq2seq 模型，為保證優(yōu)化設(shè)計的預(yù)測方法能夠在實驗環(huán)境中正常運行，分別針對LSTM 模型和seq2seq 模型的運行參數(shù)進行設(shè)置。LSTM 的基本參數(shù)分為基本參數(shù)和超參數(shù)兩種?；緟?shù)的初始權(quán)重被設(shè)定為[0,1]之間的任意分布，將隱藏層的層數(shù)設(shè)定為5、超參數(shù)中的批次尺寸設(shè)定為64，模型設(shè)置學(xué)習(xí)率的初始值為0.000 1，并在訓(xùn)練期間根據(jù)數(shù)據(jù)的收斂性來調(diào)整。選用枚舉法逐層選取seq2seq 模型中的隱藏單元參數(shù)。

2.3 設(shè)定預(yù)測性能測試指標(biāo)

實驗設(shè)置預(yù)測誤差來反映預(yù)測方法的運行性能，其中預(yù)測誤差的數(shù)值結(jié)果為：

式中，Lactual_t和Lforecast_t分別為t時刻的實際電荷值和預(yù)測電荷結(jié)果，參數(shù)T為預(yù)測目標(biāo)時段。計算得出ε的值越大，證明短期電力負(fù)荷預(yù)測性能越優(yōu)。

2.4 實驗過程與結(jié)果分析

選擇2022 年4 月1 日和2 日電力負(fù)荷作為短期電力負(fù)荷的預(yù)測目標(biāo)，預(yù)測時間分別為工作日和休息日，通過LSTM 與seq2seq模型以及短期電力負(fù)荷預(yù)測方法的運行，得出電荷預(yù)測精度結(jié)果如表1 所示。

表1 短期電力負(fù)荷預(yù)測精度測試數(shù)據(jù)表

將表1 中的數(shù)據(jù)代入式（11）中，得出傳統(tǒng)預(yù)測方法的工作日和休息日電力負(fù)荷的平均預(yù)測誤差分別為6.18 kW·h 和4.01 kW·h，而優(yōu)化設(shè)計預(yù)測方法在兩個工況中的電力負(fù)荷平均預(yù)測誤差分別為0.54 kW·h 和0.48 kW·h。由此可見，綜合工作日和休息日兩種情況，優(yōu)化設(shè)計的基于LSTM 與seq2seq模型的短期電力負(fù)荷預(yù)測方法的預(yù)測誤差更低，證明該方法的預(yù)測性能更優(yōu)。

3 結(jié)束語

短期電力負(fù)荷的預(yù)測可以為今后電網(wǎng)的建設(shè)和資源的最優(yōu)配置提供了理論依據(jù)。文中方法通過LSTM 與seq2seq 模型在電力負(fù)荷預(yù)測中的應(yīng)用，有效提高了預(yù)測性能，以及學(xué)習(xí)效率和預(yù)測能力。