深度神經網絡在配電網公變短期負荷預測中的應用研究

黃宇騰，韓 翊，賴尚棟

（1.國網浙江省電力有限公司信息通信分公司，杭州 310007；2.浙江華云信息科技有限公司，杭州310007；3.國網浙江杭州市余杭區供電有限公司，杭州 311100）

0 引言

隨著電力生產和消費日益市場化，對負荷預測的準確性、實時性、可靠性和智能性提出了更高的要求，因此，負荷預測已經成為現代化電力系統運行和管理中的一個重要研究領域[1]。同時，電力負荷預測對于電力系統的生產和電網安全運行有著重要意義，準確的負荷預測是市場環境下編排調度計劃、供電計劃、交易計劃的重要基礎。針對電力負荷預測的研究方法和思路眾多，傳統的負荷預測研究往往面臨對象偏籠統，數據來源較單一，預測方法偏傳統等問題[2]。文獻[3]提出了基于地理區域網格化的負荷預測方法，文獻[4]提出了一種基于小波聚類的配電變壓器（以下簡稱配變）短期負荷預測方法，文獻[5]提出了一種基于區域負荷的配電網超短期負荷預測方法，文獻[6]提出了將神經網絡和最優化算法相結合進行配電網超短期負荷預測的研究方法，文獻[7]提出了一種使用雙隱含層BP（反向傳播）網絡結構進行短期負荷預測的方法，文獻[8]提出了一種基于人工智能算法改進極限學習機的電力負荷預測方法，文獻[9]介紹了一種基于支持向量機算法在電力負荷預測中的應用，文獻[10]介紹了一種基于粗糙集理論的神經網絡預測算法在短期負荷預測中的應用。上述研究中，負荷的預測對象往往是整個區域，具體到對單個公用變壓器（簡稱公變）進行負荷預測并投入實際應用的則相對較少；另外，預測方法中所使用的數據維度通常較少，數據來源偏單一，主要依賴歷史負荷數據，部分研究結合氣象數據、GIS（地理信息系統）位置數據[3]，但通常都未考慮到公變自身的屬性、公變下轄低壓用戶的屬性。影響負荷波動的因素眾多，情況復雜，綜合考慮多維影響因素，對提升負荷預測的精度具有顯著的現實意義和效果。

大數據技術和機器學習的快速發展，為電力負荷預測的研究和應用提供了新的解決方法和思路。文中以豐富的電力生產數據作為建模輸入，基于企業級大數據平臺，通過MXNet深度學習框架,采用深層神經網絡學習算法進行配電網公變短期負荷預測建模。模型的輸入因子綜合考慮了配變的自身屬性、歷史負荷數據、氣象數據以及配變下轄用戶的信息。結果表明，綜合多因子的深度神經網絡模型可有效提高負荷預測精度，在此基礎上，將模型結果部署于阿里云大數據平臺，實現將電力短期負荷預測結果應用于生產實踐中。

1 深度神經網絡原理

1.1 神經網絡原理

BP人工神經網絡是目前在負荷建模中應用最多的一種神經網絡，它是一種單向傳播的多層前向網絡。其學習算法遵循“誤差反向傳播原理”，學習的本質是對各連接權重的動態調整，當一組學習樣本提供給網絡后，神經元的激活值從輸入層經各中間層向輸出層傳播，在輸出層的各神經元獲得網絡的輸入響應，進而按照減少目標輸出與實際誤差的方向，從輸出層經過各中間層逐層修正各連接權值，最后回到輸入層，這樣完成一次權值修正。最終使誤差函數減小到極小值，得到最優擬合結果。一般的3層BP網絡結構如圖1所示，包括輸入層、隱含層、輸出層，上下層之間實現全連接，而同層神經元之間無連接。它具有較強的學習和自適應能力以及良好的非線性映射能力，可以逼近任意復雜的非線性關系[11]。

圖1 BP網絡結構

假設BP神經網絡的輸入層、隱含層和輸出層分別有m，p和n個節點，激活函數為Sigmoid函數， 采用 f（x）=1/（1+e-x）， 設學習樣本集共有 M個樣本（Xp， Yp），對第 p 個樣本（p=1，2，…，M），節點i的輸入總和記為netpi，則有式（1）成立：

其中：

若對于網絡的初值權值做任意設置，那么輸入樣本p、網絡輸出Opi與期望輸出dpi的誤差E為：

BP神經網絡的權值修正公式為：

其中：

式中：η是學習速度，可以加快網絡的收斂速度。一般情況下權值修正公式中還需要加慣性參數α，從而有：

α決定了上一次的權值對本次權值的影響，其具體算法步驟參見文獻[15]。

1.2 深度神經網絡及MXNet框架

受制于計算能力等因素，人工神經網絡只有單個或少數幾個隱藏層，訓練過程中會出現梯度稀疏（從頂層越往下，誤差修正信號越小）、收斂到局部最小值等問題。深度神經網絡是一種深層學習，相對于傳統的BP網絡，其學習過程中具有更多隱藏層數，相當于一個多層邏輯回歸的結構，十分接近大腦處理信息的結構。深度神經網絡模型通過對每層參數進行調優能夠解決這些問題，提高模型的可靠性[12]。

深度神經網絡算法對計算機的計算能力要求較高，較流行的深度學習框架包括Caffe，Torch，Theano，TensorFlow，MXNet等。 其中，MXNet是一款經量級、可移植、靈活的分布式深度學習框架，同時允許混合符號編程和命令式編程，從而最大限度提高效率和生產力。其核心是一個動態的依賴調度，能夠自動并行符號和命令的操作，具有出色的開發速度、可編程性和可移植性，并對多種編程語言有友好的接口，是被廣泛應用的深度學習框架之一[13]。

2 建模實例

下文以某省電力公司配電網公變短期負荷預測研究及應用為例，基于MXNet深度學習框架，通過深度神經網絡算法，構建不同的網絡形狀和參數，對結果進行對比，最終得到最優的模型結果，實現對配電網公變短期負荷的精準預測。

2.1 構建特征工程

根據可能影響配變短期負荷的因素及已有的數據，從公變基礎信息、歷史負荷數據、氣象因素以及配變下轄用戶信息4個維度構建特征工程，作為模型的輸入量。

（1）配電網公變基礎信息。反映配變的基礎信息情況，包括電壓等級、使用年限、受電容量等信息。

（2）歷史負荷數據。反映歷史負荷信息，包括過去14天的負荷數據、上月同期數據、上一年同期負荷數據及預測日的自然日屬性信息（如星期、月初、節假日等）。

（3）氣象數據。氣象因素直接關系到低壓居民的用電強度情況，因此對于短期負荷預測有著至關重要的影響。其中，常見的影響因素有溫度、風力、天氣類型等。從電力氣候學角度，選擇最高溫度、最低溫度、濕度、風力、天氣等信息作為模型的輸入因素。

（4）下轄用戶信息。每個配電網公變下轄若干低壓用戶，低壓用戶是公變的直接負荷使用者，對公變的負荷具有直接影響。因此提取低壓用戶的特征作為模型的輸入，包括下轄用戶數、用戶類型分類、用戶容量等數據。

2.2 樣本選擇

選擇某省2016-01-06至2017-08-31的配電網公變數據，隨機抽取798 083條樣本，共47個變量。其中，隨機抽取訓練樣本集300 000條，測試樣本集498 083條（詳見表1）。

表1 某T市日特征向量模糊化規則

2.3 模型訓練

2.3.1 聲明網絡結構

首先聲明網絡結構，在分別嘗試3層、4層、5層神經網絡的對比后，最終選擇效果最好的5層神經網絡模型。網絡結構如表2所示。

表2 網絡結構說明

2.3.2 模型訓練

根據上述樣本數據，以及定義的網絡結構及損失函數訓練模型結果。選擇基于GPU（圖形處理器）進行運算，通過調整不同的迭代次數和學習率參數，得到不同的模型結果，詳見表3。

表3 模型迭代率

通過上述結果可發現，隨著迭代次數的提高以及學習率的精準化，最終模型的準確率有顯著提升。因此，最終選擇迭代次數為80次，學習率為2e-6，模型的準確率為93.6%。

2.4 模型結果

基于深度神經網絡算法訓練的模型結果，對某省27萬個配電網公變2017年5—8月每天的數據進行預測，得到總計3 000余萬條日負荷數據記錄，平均預測誤差為5.14%。并與支持向量機方法和多項式加權方法預測結果進行對比（見表4），結果顯示，深度神經網絡算法訓練的模型預測公變平均總負荷誤差明顯小于支持向量機方法和多項式加權方法建模的誤差。

表4 不同模型預測誤差對比情況

通過實證發現，深度神經網絡模型能夠較準確地預測負荷的上升或下降趨勢。以某公變8月1日—8月20日負荷預測結果為例（見圖2），可以看到，基于深度神經網絡算法訓練的模型不僅精度明顯高于傳統模型,同時能夠準確識別未來的上升或下降趨勢，而傳統模型線性回歸模型則不能準確預測未來的上升或下降趨勢。

2.5 模型生命周期

圖2 某公變8月1日—8月20日負荷預測波動情況

基于深度神經網絡算法訓練的模型在預測配電網公變負荷時，誤差較傳統模型更小，泛化能力更強，趨勢預測更優。另外，文中使用的深度神經網絡模型訓練集考慮了公變類型、天氣、節假日、低壓居民等多種因素，樣本的時間周期長達20個月，因此模型本身具有較強的適應性和較長的生命周期，模型自2017年9月部署后，截至目前，預測準確率一直維持在93%~95%。

3 模型應用

上述配電網公變的短期負荷預測模型結果，其良好的預測精度完全適應于工業化應用。研究成果應用于配電網智能管控平臺配電網公變短期負荷預測模塊建設中，并基于阿里云大數據平臺進行部署開發。該大數據平臺主要包括企業統一云服務平臺和企業統一數據庫，其中企業統一云服務平臺提供計算資源、存儲資源、應用集成技術、數據分析技術、應用展現技術等一體化資源服務。企業統一數據庫提供企業全量數據的匯集、同步轉換，并制成應用產生的結構化、非結構化數據存儲和處理。云平臺將離線大數據計算服務和在線數據查詢服務分開，保證大數據計算和實時查詢的速度。

配電網公變短期負荷預測項目建設的數據架構遵循企業統一云平臺和統一數據庫的整體要求，由離線計算區和實時計算區構成，包括實時數據流、離線數據流、計算結果返回流和在線數據查詢，整體數據流架構如圖3所示。

（1）業務數據同步。通過CDP（持續數據保護）批量同步技術將業務系統數據同步至企業統一數據倉庫ODPS，實現數據整合。

（2）數據處理。通過ECS（云服務器）部署模型應用，從企業統一數據倉庫中抽取數據，進行離線計算和數據預處理，形成模型輸入寬表。

圖3 平臺數據流架構

（3）模型計算。通過部署的模型進行運算，得到每個公變的負荷預測結果，并同步至在線應用區RDS中，供系統調用。

（4）系統應用。系統界面調用RDS區的負荷預測表數據，進行系統展示和應用。

（5）應用場景。利用配電網公變的短期負荷預測結果，用于安排日調度計劃和周調度計劃，包括確定機組的起停調峰、水火電的協調、聯絡線交換功率、水庫調度等。

綜上所述，通過阿里云大數據平臺，實現每天對配電網公變短期負荷預測模型所需輸入變量的同步，通過模型實現對每臺公變未來每天負荷的預測，并將預測結果寫入RDS即時數據庫中，供配電網綜合管控系統調用和展示，從而輔助電力調度計劃，提高配電網管理水平。

4 結語

以配電網公變短期負荷預測為目的，介紹了MXNet深度神經網絡模型和深度學習框架MXNet，并以某省實例進行實證分析。實踐證明，綜合考慮配變基本信息、氣象、歷史負荷數據、公變下轄用戶數據等多種影響負荷波動的因素，通過深度神經網絡算法進行建模，能夠有效提高模型的預測準確率。模型結果部署于阿里云大數據平臺，可實現每天同步更新每臺公變的短期負荷預測結果，供業務系統進度調用、展示和分析，從而提高配電網管理水平。

另外，研究還有待優化，考慮到公變之間的差異性較大，因此很難用一個模型對所有的公變進行預測且獲得最優的效果，因此需對公變進行細分，并針對每一個群體分別建立預測模型，以獲得更好的結果。

[1]廖旎煥，胡志宏，馬瑩瑩，等.電力系統短期負荷預測方法綜述[J].電力系統保護與控制，2011，39（1）∶147-152.

[2]康重慶，夏清，張伯明.電力系統負荷預測研究綜述與發展方向的探討[J].電力系統自動化，2004（17）∶1-11.

[3]胡志亮.公變負荷預測方法研究[D].廣州：華南理工大學，2013.

[4]沈沉，秦建，盛萬興，等.基于小波聚類的配變短期負荷預測方法研究[J].電網技術，2016，40（2）∶521-526.

[5]劉健，勾新鵬，徐精求，等.基于區域負荷的配電網超短期負荷預測[J].電力系統自動化，2003（19）∶34-37.

[6]蘇慶新.一種配電網超短期負荷預測的神經網絡方法[D].曲阜：曲阜師范大學，2002.

[7]閆冬，趙建國.一種實用化的配電網超短期負荷預測方法[J].電力系統自動化，2001（22）∶45-48.

[8]杜莉，張建軍.神經網絡在電力負荷預測中的應用研究[J].計算機仿真，2011（10）∶297-300.

[9]蔣喆.支持向量機在電力負荷預測中的應用研究[J].計算機仿真，2010（8）∶282-285.

[10]龐清樂.基于粗糙集理論的神經網絡預測算法及其在短期負荷預測中的應用[J].電網技術，2010，34（12）∶168-173.

[11]周志華.機器學習[M].北京：清華大學出版社，2016.

[12]山世光，闞美娜，劉昕，等.深度學習：多層神經網絡的復興與變革[J].科技導報，2016（14）∶60-70.

[13]龐榮.深度神經網絡算法研究及應用[D].成都：西南交通大學，2016.

[14]康重慶，周安石，王鵬，等.短期負荷預測中實時氣象因素的影響分析及其處理策略[J].電網技術，2006，30（1）∶1-10.

[15]DIN，GHULAM MOHI UD，ANGELOS K MARNERIDES.Short term power load forecasting using Deep Neural Networks[C].Computing，Networking and Communications（ICNC），2017 International Conference on IEEE，2017.

[16]HOSEIN，STEFAN，PATRICK HOSEIN.Load Forecasting using Deep Neural Networks[C].Power&Energy Society Innovative Smart Grid Technologies Conference（ISGT），IEEE，2017.

[17]張魁，王亞明，劉明，等.基于大數據及智能算法的連云港電量負荷預測研究[J].江蘇電機工程，2016，35（3）∶49-52.

[18]樊唯欽，張偉，李勇鋼，等.基于改進人體舒適指數的微電網短期負荷預測[J].廣東電力，2017，30（4）∶137-142.

[19]劉曉菲，商立群.非線性主成分分析和RBF神經網絡的電力系統負荷預測[J].電網與清潔能源，2016，32（1）∶47-52.

[20]萬強，王清亮，王睿豪，等.基于支持向量機的某地區電網短期電力負荷預測[J].電網與清潔能源，2016，32（12）∶14-20.