基于神經網絡的電力用戶行為預測

湯銘，丁一新，王凌，程昕云，肖茂然，李乃昊

（1.國網江蘇省電力有限公司信息通信分公司，南京 210024；2.國網電力科學研究院有限公司，南京 210037）

0 引言

隨著電力負荷種類的日益增多，電網難以單獨與用戶進行交易，而單一的用戶也難以滿足電網的要求［1-2］。大部分需求響應中的負荷預測側重于對用戶負載的預測，缺乏對用戶在LA 模式下的行為的不確定性預測［3］。本文分析了LA 模式下有關DR 原理，然后闡述LSTM 算法的典型特點，提出了基于LSTM 的用戶響應行為識別方法。最后通過算例分析，驗證了該方法能夠準確預測用戶的響應行為。

1 現狀分析

負荷聚合商模式下的需求響應實現過程如圖1所示，負荷聚合商模式包含3大因素，分別是電力企業、負荷聚合商和可參與需求響應的用戶［4-5］。其運行模式為：電力企業與負荷聚合商提前設定價格并簽訂合同，電力企業依據自身運行情況判斷是否需要用戶側參與調節，若需要則提前向負荷聚合商下發負荷調節量指標。由于不同用戶參與電網調節的成本各不相同，負荷聚合商根據自身利益調節各類負荷并給與相應的補貼［6-8］。

圖1 需求響應示意圖

在基于激勵的需求響應場景下，用戶對不同激勵的響應受到多種因素的影響，主要包含以下幾個因素［9-10］：備選方案的可用性、用戶的當前負載狀態、用電支出占總支出的比例、外部環境等。

2 基于LSTM的行為預測

2.1 LSTM模型

對于LSTM 網絡，它們輸入的影響因素越多，其預測結果越準確。基于LSTM 模型的輸入量如下：最大負荷、最小負荷、時間、當前收到的激勵［11］。圖2為典型LSTM的結構。

圖2 LSTM網絡結構

在LSTM 結構中，遺忘門決定何種信息被保留［15-17］。遺忘門讀取上一時刻的狀態信息ht-1和當前時刻的輸入信息xt，然后向細胞輸出0至1位數字，當輸出值為0，將丟棄所有信息，當輸出值為1，將保留所有信息。細胞中存儲的信息是前一次的狀態信息，根據遺忘門的輸入，只保留有用的信息。遺忘門更新公式見式（1）。

式中，σ表示信號函數，Wf代表特征加權，bf代表遺忘門的偏移數據，ht-1表示前一個時間段的輸出數據，xt表示當前時間段的輸入數據。

結合信號函數處理生成輸入量，同時使用tanh 函數生成候選值向量。輸入門更新公式見式（2）和式（3）。

式中，C～t表示一個候選值向量。

細胞記錄了上一時刻狀態，并基于當前輸入數據，更新細胞中的狀態信息。細胞格的更新公式見式（4）。

式中，bO是輸出門的偏移量。

2.2 行為預測

LSTM 具有記憶功能，能夠反映負荷數據在時間順序上的聯系。將LSTM 應用于用戶行為預測，其關鍵問題在于負荷數據的預處理、參數的確定以及解決由于數據雜亂，結構參數多帶來的訓練困難的問題。針對本文提出的基于LSTM 的用戶行為預測，具體步驟如下：

（1）獲取數據。輸入數據包括最小和最大負荷、平均負荷、相關激勵。由于不同的輸入數據單位不同，需要進行標準化處理，標準化的公式如下：

（2）初始化參數。結合正態分布特性，進一步初始化數據權重，平均值和標準差分別設置為0和1，所有初始偏置常數設置為0.1。

（3）訓練LSTM模型。在模型訓練時，結合實際情況采用梯度下降法對參數進行訓練，梯度下降法沿著梯度的相反方向以迭代方式更新參數θ。

式中，α表示學習率，LOSS 表示預測值和實際值之間的均方誤差。

（4）模型預測。在得到訓練模型之后，使用式（1）中的方法輸入數據集，通過訓練模型實現用戶行為預測。

2.3 評價指標

本文結合統計學誤差分析與電網數據特點，采用平均誤差、均方根誤差以及平均絕對百分比誤差作為評價指標［12-13］。計算方法分別見式（9）—（11）。

式中，yt表示實際負荷數據，y^t表示預測負荷數據，n為負荷數據數量。

3 實驗驗證

本文選取國家電網某公司提供的符合數據進行實驗驗證，數據以15分鐘為周期進行采樣，共獲得96 組12 小時的負荷數據。選擇80%的數據用于訓練數據集，剩下20%的數據作為測試集進行驗證。

本文將所提基于LSTM 模型的預測方法與最小二乘法及k鄰近（KNN）預測方法進行對比，如表1所示。

表1 準確率對比

根據表1的數據分析，可知基于LSTM模型的負荷預測方法的ME、RMSE、MAPE 分別為3.83MW、5.12MW、1.08%，平均誤差（mean error，ME）相比于最小二乘法低了7.41MW、相比于k鄰近預測方法低了11.92MW；均方根誤差（root mean square error，RMSE）相比于最小二乘法低了7.41MW、相比于k鄰近預測方法低了10.66MW；平均絕對百分比誤差（mean absolute percentage error，MAPE）相比于最小二乘法低了0.96%、相比于k鄰近預測方法低了2.29%。其模型各項指標都優于最小二乘法及k鄰近（KNN）預測方法。

為對比使用基于LSTM 模型的預測方法與最小二乘法及k鄰近（KNN）預測方法的預測效果，圖3 展示了這三種方法的預測值和真實值之間的差距，相比于其他兩種方法，基于LSTM 模型的負荷預測效果更優。

圖3 負荷預測結果與真實值對比

4 結語

本文針對目前缺少對于基于激勵的需求響應的用戶響應行為精準預測，對用戶需求響應特征和影響因素進行了深入分析，并對LSTM 神經網絡的適用性進行了理論分析。然后提出了基于LSTM 數據驅動的激勵型需求響應用戶行為預測方法，并通過算例進行驗證。通過仿真實驗可以看出，與線性回歸方法相比，本文提出的算法能夠提高單個用戶響應行為的預測精度，能夠準確預測用戶群體的響應行為。本文的工作可以進一步推進需求響應的精細化管理。