利用溫度信息及深度學習方法實現高精度電力負荷預測

徐先峰 龔美 黃劉洋

摘 要：負荷預測是電力系統規劃的重要組成部分，直接影響著電網運行的安全性及可靠性，實時高精度的負荷預測結果更是提高整個電網運行效率的關鍵。為了解決現存算法預測精度低的問題，在深入分析了溫度與用電量強相關性的基礎上，構建了長短時記憶深度學習網絡（LSTM），執行歷史用電數據特點的深度挖掘及用電量與溫度相關性的深度自學習，實現了電力負荷預測。與傳統負荷預測技術相比，預測精度顯著提高?；诠雀鑄ensor-flow平臺進一步研究了不同激活函數組合對于所提算法預測性能的影響。仿真結果表明，使用ELU激活函數比使用其他常用激活函數預測精度更高，有效解決了當前預測算法普遍存在的精度低問題。

關鍵詞：負荷預測;深度學習;LSTM;溫度信息;Tensor-flow;激活函數

中圖分類號：TP301.6文獻標識碼：A文章編號：2095-1302（2019）09-00-05

0 引 言

負荷預測在電力和能源系統的運行和規劃中起著至關重要的作用[1-5]。提前1小時至1天或1周的短期負荷預測常被用于制定安排日開停機計劃和發電計劃，對于確定發電機組最優組合、實現潮流最優計算、指導電力市場交易、滿足實時經濟調度等意義重大。預測結果越準確、精度越高，越有利于提高發電設備的利用率和經濟調度的有效性。

近年來，電力負荷預測方法層出不窮，針對短期電力負荷預測，國內外的研究主要分為兩類：一類是以自回歸平均滑動模型（Auto Regressive Integrated Moving Average Model，ARIMA）為代表的時間序列法[6];另一類是以BP神經網絡[7]、梯度下降決策樹[8]等為代表的人工神經網絡法。前者大多以數學理論為根基，雖然將數據的時序性特點重點考慮，但缺乏靈活性，在非線性關系數據的預測方面準確度較低，難以滿足負荷預測的精度要求。后者雖然在解決自變量和因變量之間的非線性關系方面表現出了一定的優勢，但受限于網絡結構，無法考慮時序數據的相關性問題，往往會導致學習能力差、預測精度低等后果。此外，兩類研究方法處理的數據大都針對單一的歷史負荷，并未將溫度等外部影響因素考慮在內，而這也是造成預測精度低的一個重要原因。

為了充分融合上述兩類方法的優勢，越來越多的學者將研究方向定位于能夠解決神經網絡中長期依賴問題的LSTM網絡。長短時記憶網絡（Long Short Memory Network，LSTM）最早由Hochreiter和 Schmidhuber于1997年提出[9]，并于近期被Alex Graves進行了改良和推廣[10]。在很多問題上，LSTM都取得了巨大的成功，并得到了廣泛使用。Mirza等人將LSTM模型應用于計算機網絡入侵檢測，顯示出了很強的適用性[11];Baek等人利用LSTM網絡對股票市場價值進行預測，準確率較高[12];近期，Xu Liwen等人將LSTM網絡應用于短期電力負荷預測，取得了很好的預測精度[13]，但文獻中卻未將溫度的影響考慮在內，從而無法進一步提高預測精度。

為了構建高精度負荷預測模型，本文在深入分析了電量與溫度因素強相關性的基礎上，在預測過程中引入溫度因素，建立LSTM深度學習預測模型，并借助Tensor-flow平臺進一步測試了激活函數的各種組合，以期得到最優的預測性能。

1 用電量與溫度因素的相關性分析

溫度是對負荷特性影響最大的氣象因素，它直接影響空調負荷、農業灌溉負荷等的變化。隨著經濟的發展，人民生活水平逐步提高，空調等用電設備的使用量逐年増加，直接導致溫度對負荷特性的影響越來越大[14]。因此，為了深入分析用電量與溫度之間的相關性，本節以2014年全球能源預測競賽（2014 Global Energy Forecasting Competition，GEF2014）中2006年3月1日至2008年2月28日，共計8 760個24點日負荷數據和溫度數據為基礎，綜合運用數據分析法、相關系數法對春（3～5月）、夏（6～8月）、秋（9～11月）、冬（12～2月）各季節溫度與用電量之間的相關性進行檢驗。

根據處理后的數據分別繪制與四個季節相對應的變化曲線，如圖1～圖4所示。

（1）春秋兩季氣溫適宜，溫度對用電量的影響明顯減弱。輕微的氣溫變化在人體可接受的舒適度范圍內，因此并不會導致用電量驟變。

（2）夏季天氣炎熱，空調和其他降溫負荷突出，用電量與溫度的變化趨勢非常相似，二者變化曲線上的峰點和谷點所出現的日期也基本重合。溫度和用電量的相關系數計算結果為0.783，屬于高度線性相關。

（3）冬季氣溫下降，用電幅度變化不大，但相較于春秋季，因供暖設備等的使用，導致用電量整體上升，溫度與用電量之間呈現負相關，其中以深冬季節尤為突出。

基于以上分析，一年之中，用電量的多少明顯受溫度變化的突出影響，因此在電力負荷的預測過程中，溫度因素不可忽視。

2 基于LSTM神經網絡的模型建立

2.1 LSTM預測模型結構

LSTM是一種特殊的循環神經網絡，其在原有RNN網絡的基礎上加入了遺忘門（Forget gate）、輸入門（Input gate）和輸出門（Output gate），能夠有效控制信息的流動量，因此在解決長時依賴問題上有著很大的優勢，常被用作處理和預測時間序列問題，其結構如圖5所示。

2.2 基于電力負荷預測的LSTM網絡結構

LSTM網絡通常應用于時間序列分析[16]。當預測未來某個時刻的用電量時，可以將歷史溫度、負荷數據等作為先驗知識。在本文所提出的用于電力負荷預測的LSTM網絡中，輸入數據均為時間序列，結構如圖6所示。在該二維網絡中，橫向維度表示時域變化，垂直維度表示同一時刻用電量（elec）及溫度數據（temp）的索引。

在特定時刻t內，每個存儲器單元的輸入是與t-1時刻輸出狀態密切相關的矢量，處理過程由矢量發生器完成，即圖中橢圓部分。第k個存儲器單元將向量xk，t作為先驗知識，并輸出基于存儲器單元內部計算的預測結果。這樣，用電量及溫度數據和時間的相關性就被集成在2D LSTM網絡中。

2.3 引入溫度數據前后的LSTM模型預測結果分析

2.3.1 實驗運行環境及數據處理

實驗在tensorflow1.8.0，python3.6環境下運行。選取的數據樣本為GEF2014中2006年1月1日至2010年12月31日，共計43 728個24點日負荷數據和溫度數據，并且將最后4天（共96個數據）取出用于驗證訓練模型的有效性。

實驗表明，單純增加LSTM層數、隱藏層數或節點數量等將使網絡結構變得極其復雜，無法有效改善預測模型的性能，只會減慢網絡的訓練速率。因此，在仔細對比分析了不同模型訓練后所得性能指標的基礎上，最終選取雙層LSTM+1個全連接層+1個輸出層的情形，全連接層節點數設置為50，其由Tensor Board生成的對應Graph如圖7所示。

2.3.4 引入溫度數據前后的模型預測結果分析

利用傳統BP神經網絡能夠穩定和較準確地對電力負荷進行預測，但由于用電量數據具有時序相關性，導致BP神經網絡的預測能力在很大程度上受到制約。因此，本節實驗在基于溫度與用電量之間的強相關性分析基礎上，建立改進后的LSTM模型，并將傳統BP神經網絡預測方法作為參照，如圖8所示（BP表示不考慮溫度的BP網絡模型;LSTM為不考慮溫度的LSTM模型;LSTM_T表示考慮溫度的LSTM模型;real表示真實數據值）。設置提前1 h對電力數據進行預測的場景來對比分析引入溫度因素前后的LSTM模型預測結果。實驗結果表明，LSTM模型本身具有較高的預測精度，在引入溫度因素后，MAPE值降低0.31%，MSE值降低288.43 kW·h，RMSE值降低5.04，各項預測誤差均顯著降低。

各模型下的性能指標計算結果見表4所列。

3 激活函數不同組合的預測結果分析

3.1 激活函數的不同組合情形

激活函數是用于評估和捕獲數據變化趨勢或特征模式的決定性參數。在訓練多層神經網絡模型時，激活函數在調整權重和偏倚量方面起著重要作用。在前述已經搭建了雙層LSTM網絡結構的基礎上，為了進一步探究不同激活函數的組合對于算法預測性能的影響，本節將全連接層層數（不包含輸出層）與激活函數的組合分為以下6種情況，并通過比較遴選出最佳性能組合：

3.2 不同組合下的預測結果對比

本例中繼續采用43 824條連續用電量數據及溫度數據來對不同激活函數組合情況下的LSTM模型進行訓練，并采用96條用電量數據對訓練出的模型進行測試。最終得到的預測結果如圖9所示。

各組合情形下的性能指標計算結果見表5所列。

由表5可以直觀看出在構建雙層LSTM模型的基礎上，ELU激活函數+1個全連接層組合預測得到的MAPE為1.64%，各性能指標均為最佳，明顯優于其他組合。

分析原因：ELU激活函數與其他激活函數相比，具有改進的學習特性，其與Sigmoid和ReLU激活函數相比，輸出值在x軸上為負，使得輸出的平均值更接近于0，從而加快了學習速率，并使梯度更接近于自然梯度，具有良好的學習性能。

4 結 語

本文利用深度學習方法實現了短期電力負荷預測，在深入研究了溫度與用電量之間強相關性的基礎上，將歷史用電數據及溫度數據作為LSTM神經網絡的輸入，并通過測試激活函數和全連接層層數的多種組合，最終得到了高精度負荷預測模型。結果顯示，當針對MAPE，MSE及RMSE等性能指標進行評估時，ELU激活函數加單個全連接層的組合預測得到的MAPE為1.64%，各性能指標均為最佳，比其他組合表現更好。所提算法對于解決短期電力負荷預測問題，兼具理論指導意義及工程應用價值。

參 考 文 獻

[1] WU R Z，BAO Z R，WANG W T，et al. Short-term power load forecasting method based on pattern matching in hadoop framework [J]. Transactions of China electrotechnical society，2018，33（7）：1542-1551.

[2]蔣敏，顧東健，孔軍，等.基于在線序列極限支持向量回歸的短期負荷預測模型[J].電網技術，2018，42 （7）：2240-2247.

[3]卓欣.基于多元回歸的中長期負荷預測[J].高電壓技術，2016，42 （13）：95-98.

[4]張濤，顧潔.高比例可再生能源電力系統的馬爾科夫短期負荷預測方法[J].電網技術，2018，42 （4）：1071-1078.

[5]殷豪，董朕，孟安波.基于結合混沌縱橫交叉的粒子群算法優化極限學習機的短期負荷預測[J].計算機應用研究，2018，35 （7）：2088-2091.

[6] MAI H K，XIAO J H，WU X C.Research on ARIMA model parallelization in load prediction based on R language [J]. Power system technology，2015，39（11）：3216-3220.

[7] LI Z，ZHOU B X，LIN N. Classification of daily load characteristics curve and forecasting of short-term load based on fuzzy clustering and improved BP algorithm [J]. Power system protection and control，2012，40（11）：56-60.

[8] SALGADO R M，LEMES R R.A hybrid approach to the load forecasting based on decision trees [J]. Journal of control，automation and electrical systems，2013，24（6）：854-862.

[9] HOCHREITER S，SCHMIDHUBER J. Long short-term memory [J]. Neural computation，1997，9（11）：1735-1780.

[10] GRAVES A. Generating sequences with recurrent neural networks [Z]. Computer science，2013：1-43.

[11] MIRZA A H，COSAN S. Computer network intrusion detection using sequential LSTM Neural Networks autoencoders [J]. IEEE singal processing letters，2018：1-4.

[12] BAEK Y J，KIM H Y. ModAugNet：a new forecasting framework for stock market index value with an overfitting prevention LSTM module and a prediction LSTM module [J]. Expert systems with applications，2018，113：457-480.

[13] XU L W，LI C D，XIE X Y. Long-short-term memory network based hybrid model for short-term electrical load forecasting [J]. Information （Switzerland），2018，9（7）：1-17.

[14] MONTEIRO C.New probabilistic price forecasting models： application to the Iberian electricity market [J]. International journal of electrical power and energy systems，2018，103：483-496.

[15] ESHIMA N，TABATA M. Three predictive power measures for generalized linear models：the entropy coefficient of determination，the entropy correlation coefficient and the regression correlation coefficient [J]. Computational statistics and data analysis，2011，55（11）：3049-3058.

[16] FAZLE K. LSTM fully convolutional networks for time series classification [J]. IEEE access，2017（6）：1662-1669.