一種基于深度學習的短時用電負荷預測算法研究

王潔

（貴州電子信息職業技術學院 貴州凱里 556000）

0 前言

建筑能耗節約一直是這幾年研究的重點，是目前改善大氣環境、實現國民經濟可持續發展的重要途經。對于建筑節能的本質而言是提高建筑物的能源利用率。如果能做到能耗及時預測并根據預測數據規劃電網能源運行中心的使用，那么就能降低建筑能耗的使用。

國內外不少學者都通過對建筑物電力負荷進行預測分析建模，提出了相關的模型和算法來保障電力負荷預測的精確度和預測系統的魯棒性[1]。其中常見的算法有SVR基于支持向量回歸的短時預測模型，和基于集合經驗的模態分解及粒子群優化等超短期預測方法[2]。另外還有小波函數協方差等卡爾曼濾波算法、線性回歸等傳統依靠人工經驗的的算法模型。隨著IOT及智能電網的迅速發展，可以通過IOT設備對電網數據進行實時采集，從而實現基于IOT的深度學習自動抓取電網中數據特征的低維-高維的算法也應運而生如文獻[3]中，該算法主要是利用單個小的數據對建筑物用電模式、時間進行對比分析，抓取數據特征轉化為高維模型，進行預測。

本文根據上述的文獻當中的研究成果，根據實際建筑物用電負荷歷史數據進行預處理，使數據統一化、對異常值分析處理等為后期數據規范輸入提供保障。使用向量學習機對電力負荷數據的淺層特征進行數學建模，并根據短時記憶網絡提取學習模型，最終通過相關的線性回歸方程進行整合，并同傳統預測方法進行對比，獲得精確的預測模型。

1 傳統預測模型與深度學習預測模型理論分析

1.1 傳統預測模型理論分析

1.1.1 趨勢推測法

趨勢推測法主要是基于電力負荷相關的數學模型同時間變化的關系，來計算未來負荷的發展趨勢，該方法的計算一般是線性關系。

1.1.2 時間序列測定法

時間序列測定法指對電力負荷的歷史收集數據進行分析，通過專業人員的先驗經驗找出電力負荷數據變化過程中的變化規律和基本特種，并對未來數據進行預判的方法。但存在系統魯棒性隨著時間推移變長而不穩定的特點，同時對專業人員的經驗和采集的歷史數據的精度有較高的要求。

1.1.3 回歸分析法

該方法來自于運籌學，建立相關線性分析模型；分析電力負荷樣本同相關環境參數之間的關系，實現負荷的預測。建立的模型一般是多元線性方程組進行分析。

1.2 深度學習預測模型理論分析

除了上文中提到的傳統預測方法以外，目前隨著人工智能發展，其理論研究持續深入；特別是人工神經網絡、小波變換等這些由信號分析領域的預測方法也能夠應用于短時電力負荷的預測。

1.2.1 人工神經網絡

人工神經網絡是模仿人類大腦系統的算法，具有自主學習、推理、優化等能力。目前，運用最廣泛的是RBF神經網絡（基于徑向基函數）和BP神經網絡（誤差反向傳播）。一般來說人工神經網絡包含輸出層、隱層、輸入層，將準備采集數據→預處理數據→樣本訓練→輸出數據。

1.2.2 小波變換算法

小波變換是一種時域-頻域得變化算法，主要根據現場測定數據選取適合得小波函數，按照信號頻率自動調節，可以根據需求提取局部采樣信息；在信號分析、時頻分析等領域具有較強的適應性。

2 基于深度學習的短時用電負荷預測實驗設計

2.1 電力負荷預測現場模型描述

根據實際工況下某地電力負荷采集建筑物的用電負荷需求，其中有功功率主要是針對電力照明類設置，而無功功率主要為建筑物類設備的正常運轉所使用，如電力驅動的提水水泵、冷暖空調設備等。另外根據采集的數據分析，其中在用電負荷方面存在相關的異常情況，如某年某月某日的的氣溫異常或者設備停機檢修等，都需要在考慮進模型當中。從前期采集的數據來看電力負荷會出現周期性的漲跌，雖然上述的因素可以作為數據采集當中的特征描述，但是不能作為主要用電類型的相互依存關系關鍵判別。

2.2 電力負荷預測算法模型分析

根據電力負荷預測現場模型前述情況來看，眾多因素都同電力負荷預測存在關聯，同時存在高度非線性關系。因此前期數據預處理對相關特征的抽取極為重要。但目前深度學習的淺層神經網絡不能對數據特征進行很好的提取，需要重新采用更加深層的神經網絡，因此選用SAE為代表的神經網絡更好的對數據特征提取，同時使用自編碼網絡同極限學習機相融合的方式提取電力負荷中時間序列數據，最后使用多元線性方程進行回歸分析，確定預測的準確性。

2.3 集成模型融合步驟

根據集成模型即AE自編碼器網絡及學習機方法對電力負荷時間序列進行數據特征提取、分析和預測。

其步驟為：

（1）通過貪婪分層訓練法對數據進行每一層的預訓練，獲得高階特征。為后續數據特征分析提供支撐。包含兩層及更多層的訓練模組。

（2）創建并訓練第一個隱含層 AE1，獲得初始特性給 g（1-n）n-1，然后將數據持續提供給下一個隱藏層AE2進行數據梳理，最終獲得第三層AE3的數據。

（3）根據AE3獲得的數據，進行查看編輯為新的訓練數據集，同時針對訓練數據集輸入到SVR中，構造出對應的ELM，最終生成輸出數據。

2.4 融合算法模型優化調整

根據實際情況經過反復計算確定融合算法模型最優結構，其中隱含層神經元個數為主要研究參考。在實驗中隱含層層數設置為2～5層，神經元個數為：150～800。根據實際工況情況進行了14個測試，優化神經元個數并對建筑物已采集的數據進行整理歸類，獲得建筑物8年的電力負荷參數2009-2017年，實驗建筑物電力負荷數據集見表1。

表1 實驗建筑物電力負荷數據集

根據調試結果最終將融合模型中的神經數量設置為97。其中訓練層進行源碼編程，平臺為Python。

之后根據預測數據，同傳統預測和淺層神經網絡分析情況進行對照，準確性提高30%，達到預測要求，優化完成。

2.5 實驗結果分析比對

通過融合模型同經驗公式分析的對比之后，選取在建筑物進行5d內短時用電負荷預測，根據實際工況僅做了5d的短時電力預測分析。根據實驗數據5d對比情況看與預測結果吻合。

3 總結與展望

本研究將深度學習神經網絡進行重構，提出一種新的融合算法，避免目前淺層神經算法出現的數據特征提取不足的問題，同時使用線性回歸進行比較綜合分析預測結果的準確性。并將所研究的融合算法應用于實際的建筑物電力負荷預測中，進行詳細的實驗以驗證模型的優越性，實驗結果顯示在短期電力負荷預測中，該融合算法的準確性較一般的神經網絡學習要高，展示出該融合算法的優越性。

但是該算法仍有許多不足，首先為對電力負荷同電網盈利性進行分析比較，并建立最佳經濟性使用模型，其次采用的是線性分析未對非線性算法進行對照，這些問題將在今后的研究中持續進行，進一步完善融合算法模型適當引入非線性算法進一步提高當前算法模型的預測精度。