基于深度學習的多特征短期負荷預測

龍雯 王同喜

摘要：精確的電力負荷預測對智能電網等基礎設施的高效管理至關重要。本文引入了幾種深度學習網絡：RNN、LSTM、DNN，對某地某家庭短期內實際電力負荷值的消耗進行仿真預測，實驗結果表明，RNN、LSTM和DNN模型下的預測值與真實值的大致趨勢均一致，模型效果差距不大，RNN略好于DNN，DNN略好于LSTM，整體仍有優化空間。

關鍵詞：電負荷預測;時間序列預測;深度學習

中圖分類號：TP311文獻標識碼：A

文章編號：1009-3044（2021）16-0186-02

開放科學（資源服務）標識碼（OSID）：

1引言

精確的電力負荷預測對智能電網等基礎設施的高效管理至關重要。隨著這些基礎設施在全國逐漸鋪開，電力系統負荷數據的數據量呈現指數型上漲，同時由于其非線性動態的性質，對此類負荷數據的精準預測仍然是一件充滿挑戰性的任務。近年來，深度學習從計算機視覺到自然語言處理領域都取得了不錯的成效，將深度學習模型應用到電力負荷預測問題中也成了許多研究者選擇的方式之一。本次實驗主要選取了RNN（循環神經網絡）、LSTM（長短期記憶網絡，RNN變體）、DNN（深度神經網絡）三種模型進行預測。

2問題描述

家庭總耗電情況與家里的電流電壓以及各類電器的使用等均有一定相關性。因此，預測某家庭短期電力負荷值消耗量是一個多變量多步預測單變量多步的時間序列預測問題。

3實驗與結果

3.1數據集

本文選取了某地某家庭電負荷消耗量。該數據集的主要數據特征有：廚房、洗衣房、電熱水器和空調等的有功功率（Wh）以及每分鐘的平均電壓（V）、平均電流（A）、有功功率（kW）、無功功率（kW）。是某家庭從2006年12月至2010年11月近四年的電力負荷數據，其中每1min作為一個采樣點。

3.2 數據預處理

3.2.1處理異常值與缺失值

對于本文數據集中存在的諸如“？”的異常值，均通過將其替換成nan的方式與缺失值一并處理。

對于本文數據集中存在的缺失值，因家庭電器的使用在1min內極可能具有連續性，故此處選擇使用其上一個非空采樣點的數據對缺失值進行填充。

3.2.2數據重采樣

采樣分為上采樣和下采樣。上采樣是將低頻次數據通過相應的方法轉換為高頻次數據，而下采樣則是將高頻次數據轉換為低頻次數據。

對于本文數據集，采用下采樣來對數據進行重新采樣，使采樣點的采樣周期從1min降低為15min。

3.2.3數據標準化

當訓練神經網絡，擬合網絡時，過大的數值數據可能影響網絡的收斂速度和學習效果，所以對網絡的輸入數據需要先進行縮放。數值數據縮放方式主要有兩種：歸一化和標準化。本文使用歸一化對數據縮放，使原始范圍內的所有值都處于0和1的范圍內。

3.2.4數據重塑

本文數據集本質是一個多變量時間序列數據集。而電力負荷預測問題本質是一個序列預測問題，因此需要將數據從序列數據轉換為輸入特征-輸出標簽對數據，來將問題重新構造為有監督學習的問題。

原數據集中屬性可以作為特征的有7個。此數據集中廚房、洗衣房、電熱水器和空調并不是家里所有的電路電能消耗，須增加一列其他的電能消耗量作為為新特征列，因此一共有8個特征。

將原數據重塑為有監督類型數據常用的方法有：（1）增加數據維度;（2）根據時間間隔設置時間窗口。該數據集特點符合持續性預測的特點，因此選用第二種方式將數據進行重塑，然后將前三天同一時間步的每分鐘有功功率，以及8個特征的前4個時間步共35個特征作為有監督學習問題的輸入特征，將當前時間步的每分鐘有功功率作為輸出標簽。

3.3實驗模型

循環神經網絡并不是單獨處理一個個輸入值，它的前一個輸入和后一個輸入存在相關性。由于這種特性，循環神經網絡及相關變體適合處理涉及序列信息的任務。而深度神經網絡由于自身的網絡結構特點適合處理復雜問題。因此，本實驗選取了兩種適合處理時間序列信息的神經網絡：RNN和LSTM，以及深度神經網絡DNN。

3.4結果分析

電力負荷預測問題本質是回歸預測問題，因此本實驗選取了三種常見的回歸預測評估指標：RMSE、MAE、MAPE。實驗結果表明：RNN、LSTM和DNN模型下的預測值與真實值的大致趨勢均一致，模型效果差距不大，RNN略好于DNN，DNN略好于LSTM。整體仍有優化空間。實驗的預測結果趨勢圖和預測評估指標表如下：

4 結語

本文將幾種不同的深度學習模型應用到短期電力負荷預測問題上。這幾種模型能夠實現短期負荷大致趨勢的預測，但從效果上并未出現明顯差異和優勢。接下來可以考慮從增加數據集，更換成RNN和CNN組合模型等角度進一步優化結果，增加預測的準確性。

參考文獻：

[1] 田敏.智能電網時序數據短期預測分析研究[D].北京：華北電力大學（北京），2016.

[2]簡獻忠，任成國，王如志. 深度學習在短期電力負荷預測中的應用[A]. 中國高科技產業化研究會智能信息處理產業化分會.第十二屆全國信號和智能信息處理與應用學術會議論文集[C].中國高科技產業化研究會智能信息處理產業化分會：中國高科技產業化研究會，2018：4.

[3] 劉建華，李錦程，楊龍月，等.基于EMD-SLSTM的家庭短期負荷預測[J].電力系統保護與控制，2019，47（6）：40-47.

[4] 王永志，劉博，李鈺.一種基于LSTM神經網絡的電力負荷預測方法[J].實驗室研究與探索，2020，39（5）：41-45.

[5]童準.基于深度學習的電網負荷預測技術研究[J].機電信息，2020（32）：82-83.

【通聯編輯：梁書】