基于深度學(xué)習(xí)的電網(wǎng)短期負(fù)荷預(yù)測?

趙從杰 潘文林

（1.云南民族大學(xué)電氣信息工程學(xué)院 昆明 650500）（2.云南民族大學(xué)數(shù)學(xué)與計算機科學(xué)學(xué)院 昆明 650500）

1 引言

電力工業(yè)對于我國經(jīng)濟建設(shè)、國家安全、社會穩(wěn)定、生活質(zhì)量具有至關(guān)重要的作用，為了提高電力行業(yè)的安全性和經(jīng)濟性需要對電力負(fù)荷進行預(yù)測。經(jīng)過多年的研究，電力負(fù)荷預(yù)測方法也越來越成熟，電力負(fù)荷預(yù)測方法主要有電力彈性系數(shù)法、負(fù)荷密度、基于時間序列的ARMA 模型、回歸分析法、人工神經(jīng)網(wǎng)絡(luò)（ANN）、機器學(xué)習(xí)、深度學(xué)習(xí)和混合技術(shù)等［1］。Ferlito等利用一種比較法引入了多種數(shù)據(jù)驅(qū)動技術(shù)來解決電網(wǎng)中的預(yù)測問題［2］。Heydari 等提出了一種人工神經(jīng)網(wǎng)絡(luò)方法實現(xiàn)對微電網(wǎng)中的風(fēng)能和太陽能發(fā)電量預(yù)測［3］。Moradzadeh等提出了一種基于支持向量回歸（SVR）和長-短期記憶（LSTM）模型的混合預(yù)測方法，對微電網(wǎng)進行了短期負(fù)荷預(yù)測［4］。在文獻［5］中，提出了一種季節(jié)性調(diào)整支持向量機（SSA-SVM）的機器學(xué)習(xí)應(yīng)用混合技術(shù)進行短期電力負(fù)荷預(yù)測。Wen 等［6］使用各種深度學(xué)習(xí)算法、多層感知器（MLP）和支持向量機（SVM）對微電網(wǎng)進行了負(fù)荷預(yù)測。在其他一些研究中，也提出了將機器學(xué)習(xí)模型與優(yōu)化算法相結(jié)合的負(fù)荷預(yù)測方法。在文獻［7］中，采用支持向量機和粒子群優(yōu)化算法（PSO）的混合模型對微電網(wǎng)負(fù)荷進行短期預(yù)測。在文獻［8］中，提出了一種將小波變換（WT）與果蠅優(yōu)化（FFO）算法相結(jié)合的短期負(fù)荷預(yù)測方法。在大多數(shù)情況下，這類混合模型由于輸入數(shù)據(jù)的高維性以及相關(guān)數(shù)據(jù)的時間序列特征無法識別出合適的數(shù)據(jù)模式，因而存在過擬合等問題。在最近的研究中，深度學(xué)習(xí)技術(shù)被用作一種強有力的工具。它們在預(yù)處理、處理和從原始數(shù)據(jù)中提取特征以及解決短期預(yù)測問題［9］中表現(xiàn)出色。在以往的研究中，人們提出了一些用于處理和預(yù)測時間序列數(shù)據(jù)的深度學(xué)習(xí)技術(shù)，如卷積神經(jīng)網(wǎng)絡(luò)（CNNs）、深度自動編碼器（DAEs）、遞歸神經(jīng)網(wǎng)絡(luò)（RNNs）和深度信念神經(jīng)網(wǎng)絡(luò)（DBNNs）。但DAE和DBNN 技術(shù)在理解與預(yù)期時間相關(guān)的時間序列樣本中的長依賴性方面存在困難［10］，而CNN 方法具有最少的單元數(shù)和內(nèi)存，可以提取時間序列數(shù)據(jù)的基本特征。但是，過濾器選擇和層數(shù)是一些問題，如果選擇不當(dāng)，可能會導(dǎo)致訓(xùn)練階段的過度擬合等問題。基于RNN 的LSTM 和GRU 等技術(shù)在時間序列數(shù)據(jù)處理中表現(xiàn)良好，能夠?qū)?fù)雜的非線性參數(shù)進行建模。GRU 網(wǎng)絡(luò)主要提取LSTM 網(wǎng)絡(luò)不能獲得的特征，并且比LSTM 網(wǎng)絡(luò)復(fù)雜。然而，一些研究表明，由于前向訓(xùn)練，LSTM 算法在識別大容量數(shù)據(jù)模式時遇到了數(shù)據(jù)缺失和過度擬合等問題［11］。

為了預(yù)測微電網(wǎng)的短期負(fù)荷，解決現(xiàn)有方法存在的問題，提出了一種稱為雙向LSTM（bilstm）的深度學(xué)習(xí)方法。雙向LSTM 是一種基于時間序列的技術(shù)，它考慮了一段時間內(nèi)的所有數(shù)據(jù)行為，影響網(wǎng)絡(luò)負(fù)荷的數(shù)據(jù)具有長期的互聯(lián)行為和模式。因此，該方法的雙向運動及其層間相互關(guān)聯(lián)的結(jié)構(gòu)消除了訓(xùn)練階段的數(shù)據(jù)丟失和過度擬合等問題。

2 電力負(fù)荷數(shù)據(jù)及數(shù)據(jù)預(yù)處理

2.1 電力負(fù)荷數(shù)據(jù)

本文從歐洲互聯(lián)電網(wǎng)下載了相關(guān)數(shù)據(jù)（https：//transparency.entsoe.eu/generation/r2/dayAheadAggregatedGeneration/show），以2019 年1 月1 日至2020年1 月1 日的瑞士電網(wǎng)負(fù)荷數(shù)據(jù)為案例，數(shù)據(jù)以每個小時整點記錄一次，共計8760 條數(shù)據(jù)，負(fù)荷數(shù)據(jù)分布圖如圖1所示。

圖1 瑞士2019年負(fù)荷分布圖

很多外界因素都會影響電力負(fù)荷數(shù)據(jù)，進而影響電力負(fù)荷預(yù)測的精準(zhǔn)度?？紤]到瑞士的環(huán)境因素和人文因素，將瑞士當(dāng)?shù)匕l(fā)電能源種類及占比，家庭人口數(shù)量及占比，電價，日期等因素作為電力負(fù)荷預(yù)測的重要影響因子。如圖2 所示為2019 年瑞士不同能源發(fā)電占比分布圖，圖3為2019年瑞士電價分布圖。

圖2 2019年瑞士能源發(fā)電分布圖

2.2 數(shù)據(jù)預(yù)處理

1）數(shù)據(jù)補全

在下載數(shù)據(jù)過程中發(fā)現(xiàn)由于記錄數(shù)據(jù)設(shè)備故障或一些人為操作有部分電等原因?qū)е码娏ω?fù)荷數(shù)據(jù)缺失，為了達(dá)到較為準(zhǔn)確的預(yù)測效果，需要對缺失的數(shù)據(jù)進行補全。本文采用雙線性插值法進行數(shù)據(jù)補全。

2）歸一化處理

由于單價、負(fù)荷量、發(fā)電能源種類及占比等因素是不同量綱的，且雙向長短時記憶網(wǎng)絡(luò)對數(shù)據(jù)的敏感度較高，數(shù)據(jù)尺度過大也會影響負(fù)荷預(yù)測結(jié)果。故對數(shù)據(jù)進行如式（1）的歸一化處理。

式中xnorm為數(shù)據(jù)歸一化處理后的負(fù)荷數(shù)據(jù)，在0～1之間。x為原始數(shù)據(jù)，xmin最小電荷值，xmax為最大電荷值。

3 基于雙向長短時記憶的負(fù)荷預(yù)測

長短時記憶網(wǎng)絡(luò)（LSTM）是在循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的基礎(chǔ)上演化而來，主要解決了梯度消失或梯度爆炸的問題［12］。LSTM將RNN的輸入數(shù)據(jù)x(t)和隱藏層信息a(t-1) 變?yōu)檩斎霐?shù)據(jù)x(t)，隱藏層信息a(t-1) 和記憶單元c(t-1) 。參數(shù)的求解方法也發(fā)生了變化。雙向長短時記憶（BiLSTM）是在LSTM的基礎(chǔ)上結(jié)合了輸入序列在前向和后向兩個方向上的信息。對于t時刻的輸出，前向LSTM 層具有輸入序列中t時刻以及之前時刻的信息，而后向LSTM 層中具有輸入序列中t時刻以及之后時刻的信息。前向LSTM 層t時刻的輸出記作h→t，后向LSTM 層t時刻的輸出結(jié)果記作h←t，兩個LSTM 層輸出的向量可以使用相加、平均值或連接等方式進行處理。如圖4 所示為雙向長短時記憶網(wǎng)絡(luò)結(jié)構(gòu)圖。

圖4 雙向長短時記憶網(wǎng)絡(luò)結(jié)構(gòu)圖

輸入數(shù)據(jù)主要包括真實電荷值，發(fā)電能源種類及占比，家庭人口數(shù)量及占比，電價，日期；輸出層為電力負(fù)荷值。

4 仿真與驗證

利用第1 節(jié)中的數(shù)據(jù)對本文提出的基于雙向長短時電網(wǎng)負(fù)荷預(yù)測方法進行驗證。此外還跟文獻［13］提出雙循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測方法進行對比，實現(xiàn)對一天、一周的電網(wǎng)負(fù)荷預(yù)測。本文用相關(guān)系數(shù)（R）、均方誤差（MSE）和均方根誤差（RMSE）等指標(biāo)來評價Bi-LSTM 網(wǎng)絡(luò)的性能。R 指數(shù)顯示了預(yù)測值與實際值之間的一種相關(guān)性，R 的最大值表明了網(wǎng)絡(luò)的高精度。MSE 和RMSE 指標(biāo)顯示了為每個樣本計算的這些指標(biāo)的預(yù)測誤差。一天負(fù)荷預(yù)測的R 值為0.9987，MSE 和RMSE 分別為0.0799 和0.2826。如圖5為雙循環(huán)神經(jīng)網(wǎng)絡(luò)一天的電網(wǎng)負(fù)荷預(yù)測結(jié)果，圖6 為雙長短時記憶一天的電網(wǎng)負(fù)荷預(yù)測結(jié)果，圖7 為雙循環(huán)神經(jīng)網(wǎng)絡(luò)一周的電網(wǎng)負(fù)荷預(yù)測結(jié)果，圖8 為雙長短時記憶一周的電網(wǎng)負(fù)荷預(yù)測結(jié)果。

圖5 雙循環(huán)神經(jīng)網(wǎng)絡(luò)一天的電網(wǎng)負(fù)荷預(yù)測結(jié)果

圖6 雙長短時記憶一天的電網(wǎng)負(fù)荷預(yù)測結(jié)果

圖7 雙循環(huán)神經(jīng)網(wǎng)絡(luò)一周的電網(wǎng)負(fù)荷預(yù)測結(jié)果

圖8 雙長短時記憶一周的電網(wǎng)負(fù)荷預(yù)測

5 結(jié)語

本文為了實現(xiàn)對瑞士電網(wǎng)的點和預(yù)測，提出了一種稱為雙向長短時記憶的深度學(xué)習(xí)算法。與其他深度學(xué)習(xí)技術(shù)不同，bilstm 方法由于其獨特的結(jié)構(gòu)和雙向的訓(xùn)練程序，提供了處理大量時間序列數(shù)據(jù)的強大能力。此外，在訓(xùn)練階段避免數(shù)據(jù)丟失和過度擬合的問題。利用輸入數(shù)據(jù)對bilstm 網(wǎng)絡(luò)進行訓(xùn)練，并以1h 為間隔對微網(wǎng)負(fù)荷進行預(yù)測。通過相關(guān)系數(shù)（R）、均方誤差（MSE）、均方根誤差（RMSE）等性能評價指標(biāo)對預(yù)測結(jié)果進行分析。將雙長短時記憶法與循環(huán)神經(jīng)網(wǎng)絡(luò)進行比較評價，結(jié)果表明本文提出的深度學(xué)習(xí)方法在電網(wǎng)短期負(fù)荷預(yù)測中具有較好的效果。