基于深度學(xué)習(xí)的電力網(wǎng)絡(luò)終端負荷預(yù)測方法

摘要：電力網(wǎng)絡(luò)的終端負荷預(yù)測自適應(yīng)感知能力相對較差，所以在執(zhí)行的過程中極易出現(xiàn)誤差或者問題，造成大規(guī)模或者關(guān)聯(lián)性的預(yù)測問題。因此，對基于深度學(xué)習(xí)的電力網(wǎng)絡(luò)終端負荷預(yù)測方法進行設(shè)計與分析。確定終端負荷預(yù)測自編碼單元，關(guān)聯(lián)單元進行深度SAE-NN預(yù)測模型的設(shè)計，在此基礎(chǔ)之上，創(chuàng)建DNN深度預(yù)測訓(xùn)練結(jié)構(gòu)，利用SLF法實現(xiàn)電力網(wǎng)絡(luò)終端負荷的預(yù)測。最終的測試結(jié)果表明：在相同的測試環(huán)境之下，對比于傳統(tǒng)的聚類分解負荷預(yù)測組，本文所設(shè)計的深度學(xué)習(xí)的負荷預(yù)測組最終得出的預(yù)測百分比誤差相對較低，表明此種方法的預(yù)測效果更佳，具有一定的實際應(yīng)用意義。

關(guān)鍵詞：深度學(xué)習(xí) 電力網(wǎng)絡(luò) 終端負荷 預(yù)測方法 執(zhí)行指令 深度神經(jīng)網(wǎng)絡(luò)

Abstract： The adaptive sensing perception ability of terminal load forecasting of power network is relatively poor， so errors or problems are prone to occur in the process of execution， causing large-scale or relevance forecasting problems. Therefore， design and analysis of the power network terminal load forecasting method based on deep learning. The self coding unit of terminal load forecasting is determined， and the correlation unit designs the deep SAE-NN forecasting model. On this basis， the DNN deep forecasting training structure is created， and the SLF method is used to realize the terminal load forecasting of power network. The final test results show that under the same test environment， compared with the traditional cluster decomposition load forecasting group， the final prediction percentage error of the deep learning load forecasting group designed in this paper is relatively low， indicating that this method has better forecasting effect and has certain practical significance.

Key Words： Deep learning; Power network; Terminal load; Forecasting method; Execution instruction; Deep neural network

中圖分類號： TP399?? 文獻標(biāo)識碼：A

電力網(wǎng)絡(luò)的負荷預(yù)測實際上是對網(wǎng)絡(luò)的運行情況進行檢測的一種重要的監(jiān)督形式，同樣也是電力資源以及能量管理過程中重要且關(guān)鍵的一個工作環(huán)節(jié)。通常情況下，終端負荷預(yù)測的結(jié)果直接影響最終電力的調(diào)配以及供應(yīng)結(jié)果，而在這個過程中出現(xiàn)的預(yù)測誤差也會造成電網(wǎng)后續(xù)日常執(zhí)行以及安全校核的最后處理結(jié)果，所以電力網(wǎng)絡(luò)終端負荷的預(yù)測具有十分重要的意義，可以更好地提升電網(wǎng)動態(tài)估計的狀態(tài)，同時調(diào)節(jié)電力配網(wǎng)的負荷程度，以此來減少發(fā)電、配電的實際成本，有利于電力網(wǎng)絡(luò)的進一步創(chuàng)新與發(fā)展[1]。但是對于電力網(wǎng)絡(luò)終端的負荷預(yù)測在實際應(yīng)用的過程中也存在一定的問題和缺陷，這些因素也為預(yù)測帶來了較多的不確定因素，致使最終的預(yù)測結(jié)果并不具備準(zhǔn)確性以及可靠性[2]。由于電力負荷本身是處于時刻變化的，固定的電力負荷特性十分有限，并且適應(yīng)能力較弱，所以，在應(yīng)用的過程中一般會選擇非固定的電荷[3]。

傳統(tǒng)的預(yù)測方法主要是依據(jù)數(shù)據(jù)的測量以及預(yù)測指令的編制來實現(xiàn)的，雖然可以達到預(yù)期的效果，但是由于應(yīng)用過程中外部因素或者內(nèi)部電力供應(yīng)的異常，極有可能會發(fā)生誤差預(yù)測現(xiàn)象，再加上淺層預(yù)測的模式，最終致使結(jié)果不具有可信度[4]。所以，面對這樣的狀況，需要創(chuàng)建更加靈活且穩(wěn)定的預(yù)測方法，不同于傳統(tǒng)預(yù)測方法的是，本文所設(shè)計的方法是結(jié)合深度學(xué)習(xí)技術(shù)來實現(xiàn)的，實際的預(yù)測范圍精準(zhǔn)且具體，同時對于電力網(wǎng)絡(luò)負荷的異常數(shù)據(jù)也可以快速匯總整合，形成對應(yīng)的層級特征，為預(yù)測的效果增加可信度和準(zhǔn)確性。因此，對基于深度學(xué)習(xí)的電力網(wǎng)絡(luò)終端負荷預(yù)測方法進行設(shè)計與分析。在深度學(xué)習(xí)的背景之下，基于傳統(tǒng)的預(yù)測方法，結(jié)合多層級的預(yù)測結(jié)構(gòu)，降低預(yù)測模型的泛化性限制，從而確保預(yù)測實際效果，增強整體的預(yù)測質(zhì)量。

1方法設(shè)計

1.1 終端負荷預(yù)測自編碼單元確定

自編碼單元是一種無線恒等的數(shù)據(jù)處理程序，同時也是構(gòu)建SAE的基本單元[5]。所以，在無線的負荷范圍之內(nèi)，進行預(yù)測自編輸出比值的確定，完成計算之后，將其設(shè)定在深度學(xué)習(xí)下的三層神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)構(gòu)之中，依據(jù)得出的數(shù)據(jù)信息，可以將對應(yīng)的自編碼單元處理結(jié)構(gòu)劃分為以下幾部分，即可視預(yù)測層、隱藏預(yù)測層以及重構(gòu)預(yù)測層，每一個層級均具有其特有的功能，同時也是相互獨立的存在[6]。但是在應(yīng)用的過程中，每一個層級單元結(jié)構(gòu)也存在不同程度電力網(wǎng)絡(luò)的輸入和輸出，并對預(yù)測數(shù)據(jù)進行同構(gòu)，形成自編碼單元的同構(gòu)結(jié)構(gòu)，具體如圖1所示。

根據(jù)圖1中的數(shù)據(jù)信息，最終可以了解到自編碼單元的同構(gòu)結(jié)構(gòu)的創(chuàng)建，單個反向傳播結(jié)構(gòu)同時也與自編單元的恢復(fù)輸入值相一致，這樣可以盡快以最小的逼近條件來實現(xiàn)自編單元范圍的確定。并在這個范圍之內(nèi)進行自編單元誤差代價函數(shù)的計算，具體的如公式（1）所示：

1.2 深度SAE-NN預(yù)測模型設(shè)計

本研究利用神經(jīng)網(wǎng)絡(luò)的預(yù)測處理指令進行電力網(wǎng)絡(luò)日常數(shù)據(jù)信息的獲取與匯總。依據(jù)其設(shè)立對應(yīng)的電力網(wǎng)絡(luò)SAE-NN模型，但是需要注意的是，初始的預(yù)測模型之中還包含SAE模型以及LR模型兩部分，SAE模型為底層的初始模型，主要被用于電力網(wǎng)絡(luò)數(shù)據(jù)的匯總以及分析，而LR模型的應(yīng)用預(yù)測程度和范圍相對較高，應(yīng)用的區(qū)域以及層級也處于變化的狀態(tài)。

在兩個模型中，利用多個稀疏自編碼單元構(gòu)建因隱藏層級，再添加對應(yīng)的終端負荷預(yù)測輸入值，為了避免外部因素對最終的模型構(gòu)建產(chǎn)生直接干擾，還需要在此基礎(chǔ)之上，設(shè)計對應(yīng)的深度SAE-NN預(yù)測條件，分為限制條件和預(yù)測條件，但是需要注意的是，條件的創(chuàng)建需要考慮深度學(xué)習(xí)的電力網(wǎng)絡(luò)負荷變化程度，通常情況下，負荷變化呈現(xiàn)出負相關(guān)，再結(jié)合深度SAE-NN的執(zhí)行執(zhí)行指令，最終完成深度SAE-NN預(yù)測模型的設(shè)計。

1.3 DNN深度預(yù)測訓(xùn)練結(jié)構(gòu)創(chuàng)建

在電力網(wǎng)絡(luò)負荷預(yù)測模型之中輸入范圍矩陣，計算出實際的預(yù)測范圍，將其作為GRU網(wǎng)絡(luò)的實際執(zhí)行預(yù)測訓(xùn)練結(jié)構(gòu)，在矩陣結(jié)構(gòu)之中結(jié)合深度DNN深度預(yù)測訓(xùn)練條件，實現(xiàn)兩個矩陣的關(guān)聯(lián)處理，但是在這個過程中，DNN作為實際的預(yù)測的輸入指令，在設(shè)計的預(yù)測模型之中，實現(xiàn)全連接預(yù)測關(guān)聯(lián)效果。在此基礎(chǔ)之上，結(jié)合預(yù)測訓(xùn)練的整體環(huán)境，進行深度學(xué)習(xí)下?lián)p失函數(shù)的計算。在深度訓(xùn)練的過程中，Adam優(yōu)化訓(xùn)練法具有一定的優(yōu)化作用，是一種可替代的進階優(yōu)化預(yù)測模式，通過不斷地迭代更新，可以對電力網(wǎng)絡(luò)終端的負荷數(shù)據(jù)進行采集，并且利用預(yù)測模型來進行權(quán)重以及負荷預(yù)測偏差的計算，集合損失函數(shù)的預(yù)設(shè)范圍，計算DNN深度預(yù)測訓(xùn)練結(jié)構(gòu)的均方誤差，具體如公式（3）所示：

1.4 SLF法實現(xiàn)電力網(wǎng)絡(luò)終端負荷預(yù)測

通過深度模糊處理技術(shù)，進行電力網(wǎng)絡(luò)模糊執(zhí)行規(guī)則的創(chuàng)建，依據(jù)上述的預(yù)測條件，形成更加完整、全面的預(yù)測規(guī)則。隨后，將粗糙集引入SLF電力處理程序之中。根據(jù)電力網(wǎng)絡(luò)終端負荷獨有的冗余屬性，進行循環(huán)聚類中心值的識別分辨。在預(yù)測數(shù)據(jù)庫中，結(jié)合終端的實際聚類屬聚類，對負荷預(yù)測的連續(xù)值實現(xiàn)多目標(biāo)、多層級的設(shè)定，并以此來確定對應(yīng)的模糊值，實現(xiàn)模糊聚類預(yù)測數(shù)據(jù)的轉(zhuǎn)換，從而了解到對應(yīng)的預(yù)測情況。數(shù)據(jù)發(fā)生離散化之后，在預(yù)測的過程中存在一定的不確定性，在深度學(xué)習(xí)的泛化背景之下，結(jié)合SLF法進行歸一負荷預(yù)測比的計算：

2方法測試

本次測試主要是對深度學(xué)習(xí)的電力網(wǎng)絡(luò)終端負荷預(yù)測效果進行驗證。測試共分為兩組，一組為傳統(tǒng)的聚分解負荷預(yù)測方法，另一種為本文方法。

2.1測試準(zhǔn)備

測試環(huán)境如下：執(zhí)行程序為IntelXeon E5，預(yù)測的框架為B/S結(jié)構(gòu)下的GTX1080TI 11G框架。設(shè)計深度學(xué)習(xí)的預(yù)測工具，將B/S結(jié)構(gòu)與Tensorflow框架關(guān)聯(lián)。

2.2測試過程及結(jié)果分析

根據(jù)表1中的數(shù)據(jù)信息，最終可以得出實際的測試結(jié)論：在相同的測試環(huán)境之下，對比于傳統(tǒng)的聚類分解負荷預(yù)測組，本文所設(shè)計的深度學(xué)習(xí)的負荷預(yù)測組最終得出的預(yù)測百分比誤差相對較低，表明此種方法的預(yù)測效果更佳，具有一定的實際應(yīng)用價值。

3結(jié)語

電力網(wǎng)絡(luò)數(shù)據(jù)的海量化處理給傳統(tǒng)的預(yù)測模式增加了較多的預(yù)測壓力，在深度學(xué)習(xí)的背景之下，可以建立較為真實且具體的預(yù)測方法，能夠提升電力網(wǎng)絡(luò)的整體泛化性能，預(yù)測精準(zhǔn)度也得到了明顯的提高，有利于未來實現(xiàn)更加高效的預(yù)測效果。

參考文獻

[1]肖啟志，何葵東，肖楊.夏季城市用電短期負荷預(yù)測方法研究[J].山西電力，2021（5）：1-4.

[2]雷鳴，唐李洋，葉振宇等.一種基于深度學(xué)習(xí)的居民家庭短期用電預(yù)測方法[J].電腦知識與技術(shù)，2019，15（21）：240-242，254.

[3]朱尤成，王金榮，徐堅.基于深度學(xué)習(xí)的中長期風(fēng)電發(fā)電量預(yù)測方法[J].廣東電力，2021，34（6）：72-78.

[4]李正浩，李孟凡.基于深度學(xué)習(xí)的智能型負荷預(yù)測方法的研究[J].智慧電力，2020，48（10）：78-85，112.

[5]王曉霞，徐曉鐘，張彤，等.基于集成深度學(xué)習(xí)算法的燃氣負荷預(yù)測方法[J].計算機系統(tǒng)應(yīng)用，2019，28（12）：47-54.

[6]熊圖，趙宏偉，陳明輝，等.基于特征排序與深度學(xué)習(xí)的母線負荷預(yù)測方法[J].可再生能源，2019，37（10）：1511-1517.

作者簡介：陳佳鵬（1987—），男，碩士，工程師，研究方向為供電技術(shù)。

3970500589292