基于多模型長短時記憶神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測方法研究

楊金喜 高 潔 孔伯駿 吳佳佳 薛 晨

（國網(wǎng)江蘇省電力公司揚州供電公司，江蘇揚州225002）

0 引言

近年來，隨著深度學(xué)習(xí)理論研究的深入發(fā)展，將深度學(xué)習(xí)理論應(yīng)用于電力系統(tǒng)的用電需求預(yù)測成為一項很有意義的工作。深度神經(jīng)網(wǎng)絡(luò)是由多個單層非線性網(wǎng)絡(luò)疊加而成的，與單層神經(jīng)網(wǎng)絡(luò)不同。理論證明，兩層神經(jīng)網(wǎng)絡(luò)可以無限逼近任意連續(xù)函數(shù)；也就是說，面對復(fù)雜的非線性分類任務(wù)，兩層（帶一個隱藏層）神經(jīng)網(wǎng)絡(luò)可以分類地很好[1-4]。

綜合國內(nèi)外在短期負(fù)荷預(yù)測方面的最新研究進(jìn)展[5-6]，本文提出了一種基于多模型長短時記憶神經(jīng)網(wǎng)絡(luò)（LSTM）的電力負(fù)荷預(yù)測方法，該方法的優(yōu)勢在于能夠?qū)⑸窠?jīng)網(wǎng)絡(luò)與聚類、分類的思想相結(jié)合，適用于短期負(fù)荷預(yù)測問題。由于在回歸分析中，輸入與輸出之間的線性相關(guān)性越強(qiáng)，對輸出的結(jié)果影響越大；進(jìn)行預(yù)測的輸入，與當(dāng)日負(fù)荷屬于同一類負(fù)荷，因此，同一類之間特征較為明顯，預(yù)期具有較好的預(yù)測效果；同時略去了一些極端條件的預(yù)測。通過算例仿真，發(fā)現(xiàn)該方法相比于典型方法，能夠精確預(yù)測出對應(yīng)日期的用電負(fù)荷，提升預(yù)測效果，同時縮短網(wǎng)絡(luò)訓(xùn)練時間，提升程序運行速度。

1 系統(tǒng)結(jié)構(gòu)

進(jìn)行預(yù)測的模型如圖1所示。本文按如下方法確定預(yù)測所需的數(shù)據(jù)：輸入矩陣X為有功負(fù)荷值曲線L（每1 h采樣一次）、預(yù)測日當(dāng)日氣溫預(yù)測值T以及預(yù)測日星期序號C（1～7）合并而成，即X=[L，T，C]。由于神經(jīng)網(wǎng)絡(luò)的輸出對輸入數(shù)據(jù)十分敏感，因此，對于輸入負(fù)荷數(shù)據(jù)及氣溫需要進(jìn)行歸一化處理，轉(zhuǎn)化成（0，1）范圍內(nèi)的數(shù)據(jù)，對于日期類型，采用one hot編碼方法處理。

圖1 基于多模型長短時記憶神經(jīng)網(wǎng)絡(luò)的臺區(qū)短期負(fù)荷預(yù)測方法流程圖

對歷史電力負(fù)荷數(shù)據(jù)進(jìn)行密度聚類（DBSCAN），DBSCAN優(yōu)勢在于，無需設(shè)置區(qū)分的類數(shù)，同時可以排除離所有中心過遠(yuǎn)的離群值。根據(jù)聚類結(jié)果以及歷史日期星期序號、歷史溫度訓(xùn)練高斯分類器。

分類完訓(xùn)練輸入之后，分別對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)具體結(jié)構(gòu)以及參數(shù)設(shè)計將在下一小節(jié)中詳細(xì)闡述。

網(wǎng)絡(luò)訓(xùn)練完成，設(shè)置預(yù)測日期，輸入其特征因素至訓(xùn)練好的分類器，判斷其日負(fù)荷曲線更有可能屬于哪一類，選擇該類對應(yīng)的神經(jīng)網(wǎng)絡(luò)模型做出預(yù)測。網(wǎng)絡(luò)的輸出為預(yù)測負(fù)荷曲線Y。

值得注意的是，DBSCAN聚類算法會產(chǎn)生離群類，且離群類越多則說明該臺區(qū)或線路負(fù)荷隨機(jī)波動性越強(qiáng)，越難以預(yù)測。對此，本文采取的策略是：不進(jìn)行離群類曲線的預(yù)測；對于一些曲線低于一定閾值的正常類，也采用相同的處理方法。

2 LSTM臺區(qū)負(fù)荷預(yù)測算法

如圖2所示，網(wǎng)絡(luò)由兩層LSTM網(wǎng)絡(luò)與單層感知器網(wǎng)絡(luò)組成，考慮到網(wǎng)絡(luò)層數(shù)過多可能會導(dǎo)致網(wǎng)絡(luò)過擬合以及訓(xùn)練時間急劇增加，一些網(wǎng)絡(luò)參數(shù)設(shè)計如下：優(yōu)化方法使用Adam（自適應(yīng)矩估計迭代次數(shù)設(shè)置為200），對于預(yù)測的輸出Y，選擇參考前10天的輸入數(shù)據(jù)X，LSTM層隱藏元均設(shè)置為50。

圖2 深度網(wǎng)絡(luò)具體結(jié)構(gòu)

3 仿真分析

為了評估所提預(yù)測方法的性能，選取揚州市200002451709號臺區(qū)2016年第三季度的數(shù)據(jù)進(jìn)行預(yù)測。揚州市臺區(qū)發(fā)用電數(shù)據(jù)為每日間隔15 min采樣一次，每日共96點的日負(fù)荷曲線；氣象數(shù)據(jù)及日期類型可從互聯(lián)網(wǎng)取得。同時，采用其他方法作為對照：不進(jìn)行聚類的深度LSTM網(wǎng)絡(luò)算法（Deep LSTM）、普通單層LSTM及感知器網(wǎng)絡(luò)（FNN），并統(tǒng)計各方法平均絕對誤差（MAPE）以及訓(xùn)練網(wǎng)絡(luò)所花的時間。

根據(jù)圖3及表1可知，本文所提根據(jù)聚類結(jié)果對輸入分別訓(xùn)練的LSTM網(wǎng)絡(luò)方法，平均誤差顯著低于其余方法。

根據(jù)表1，由于FNN網(wǎng)絡(luò)較為簡單，因此，其迭代時間顯著低于其余方法。深層LSTM網(wǎng)絡(luò)（有聚類）的方法相比于無聚類的方法，由于聚類過程減少了輸入量，因此訓(xùn)練速度快于原有方法。

圖3 2016第三季度第200002451709號臺區(qū)負(fù)荷預(yù)測結(jié)果

表1 各方法訓(xùn)練時間及平均誤差

4 結(jié)語

本文提出了一種基于多模型長短時記憶神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測方法，該方法能夠精確預(yù)測出對應(yīng)日期的用電負(fù)荷，提升了預(yù)測效果，同時縮短了網(wǎng)絡(luò)訓(xùn)練時間，提升了程序運行速度。仿真分析驗證了所提策略的正確性和可行性。此外，該方法可以推廣應(yīng)用于其余短期高維時間序列預(yù)測問題。