深度學習驅動的電力負荷預測方法研究

母先應 羅彬 陸志華 李顯軍 牟毅

關鍵詞：“ 雙碳”；深度學習；電力負荷預測；循環神經網絡；卷積神經網絡

0 引言

全球碳排放量的增長速度雖然有所放緩，但全球二氧化碳排放量仍未到達頂峰。同時，在極端天氣的影響下，國內有部分省市首次發生電力儲備不足等現象。在這樣的背景下。怎樣準確、高效地在各種情境下預測電力負荷，從而指導生產生活具備很強的現實意義[1]。目前許多學者已對電力負荷預測方向進行了探索[2-5]，例如，文獻[2]提出一種基于支持向量機方法的負荷預測模型對區域負荷進行短期預測，以此作為依據逐步開展針對城區的精細化負荷調度研究；文獻[3]提出一種改進流形正則化極限學習機的電力負荷預測方法，該方法通過流形正則化理論改善極限學習機的性能，并提出使用貝葉斯優化算法優化模型中各種超參數的選擇問題，在實際測試中取得了突出的效果；文獻[4]綜合考慮電力負荷的空氣溫度依賴性，使用模糊時間序列方法分別對韓國首爾市區的實際負荷數據對混合模型進行了測試，其結果優于其他典型的動態預測模型。

近年來，深度學習正開始在越來越多的工程領域發揮舉足輕重的作用[6-9]。就時序預測任務而言，循環神經網絡（Recurrent Neural Networks，RNN） 、卷積神經網絡（Convolutional Neural Network，CNN） 均展現出了對該領域強大的處理能力[10-12]。例如，文獻[10]通過在金字塔結構中使用卷積神經網絡（CNN） 層構建深度學習模型，相較于提取時序數據固定特征的傳統方法性能上有較大的提升；文獻[11]提出了一種基于互補集合經驗模態分解和長短期記憶網絡（Long Short-TermMemory Networks，LSTM） 的組合方法，該方法首先將負荷信號分解為高、低頻分量，此后使用LSTM神經網絡分別對分量進行預測，最后疊加重構得到最終預測結果。

綜上所述，深度學習已在電力負荷預測任務中展現出了較傳統方法更為優秀的能力，但怎樣選取適宜的深度學習結構，將縮短開發周期，提升算法的實用性。本文將聚焦此問題搭建適宜的深度學習模型用于電力負荷預測。

1 基于深度學習的電力負荷預測模型

1.1 循環神經網絡單元

循環神經網絡的輸出綜合考慮了先前的序列特征以及當前的序列特征，這樣特殊的結構能有效規避信息儲存及再利用的問題。因此使用RNN作為基礎單元處理電力負荷預測這一類時間序列任務將使模型具備獨特的優勢。目前，長-短期記憶網絡及門控循環單元（Gated Recurrent Unit，GRU） 已在各類科研領域中嶄露頭角，并成熟地應用在工程任務中。常規RNN容易失去較久前的特征信息，發生梯度消失現象。而LSTM及GRU均能通過設計“門控”結構彌補該種缺陷，其中，前者主要由遺忘門（圖1中A結構序號2部分）、輸入門（A結構序號3部分）、細胞狀態更新（A結構序號1及序號4部分）以及輸出門（A結構序號5） 構成。遺忘門通過一定概率將上一層的隱藏細胞狀態進行舍棄，從而減少部分冗余信息。其表達式為：

1.2 一維卷積神經網絡單元

卷積神經網絡對數據特征有較強的學習能力，其一維形式能對時序信號以特定感受野大小的形式，進行濾波并生成特征映射。每個特征圖可以被看作不同濾波器對當前時間步時序信號的卷積操作。由于具有權值共享的優勢，一個卷積核可以使用預先設定的核尺寸遍歷時序信號的局部特征，這個過程較大程度上提升了特征提取過程的效率，避免模型產生過擬合現象。基本的卷積單元包含卷積層和激活函數，其表達式分別為：

電力負荷預測基準模型將使用2個3×3的標準一維卷積單元作為自組織模型編碼的候選基因。其結構如圖2所示。

2 實驗結果分析

2.1 數據集及參數整定

本文選取網上某個地區某段時間內的電力負荷相關數據，共包含26280條信息。數據集中除去負荷數值，還包含溫度、濕度等信息，采集頻率為1h。此處僅考慮使用歷史負荷來預測未來負荷。具體而言，本文依據前24個時刻的負荷下一時刻的負荷，將整個數據集以60%、20%、20%的比例依次劃分訓練集、驗證集及測試集。訓練過程中每迭代一遍數據集將進行一次驗證，以掌握訓練過程中是否發生過擬合現象。每個染色體個體都將進行一次完整的訓練后進入到適應度選擇過程，完成后續的遺傳算法流程中。整個過程在如下硬件和軟件條件下完成：處理器為Intel（R） Core（TM） i7-11800H，顯卡為Nvidia GTX3060Ti（6G 顯存），RAM為16GB，深度學習框架為PyTorch。模型訓練和自組織的參數設置如表1所示：

模型訓練時的損失函數為均方誤差（Mean SquareError ， MSE） ，驗證與測試指標均為MAPE，其表達式分別如下：

式中：Yi 與Y ′i 分別表示第i個樣本的真實值及預測值； n為驗證集或測試集樣本總數。

2.2 對比實驗結果分析

對比實驗中選取雙向循環神經網絡固定層數（4 層）與固定神經元數（64） 分別與CNN搭配后的深度模型作為比較對象，則比較模型分別為：BILSTM、BIGRU、CNN+ BILSTM、CNN+ BIGRU。其指標數據及預測效果圖如圖3所示。其中預測效果圖隨機選取了測試集中的150個預測值進行比較。

可以看出，深度學習模型在融入了CNN后預測結果反而有所下降，本文經過不斷對比深度模型網絡結構得出雙向LSTM模型（深度為5層）的模型取得了最優效果，其在測試集合驗證集上的MAPE 值分別為4.73 及4.69，在對比網絡結構中均取得了最優表現效果。

3 總結

本文提出了一種基于深度學習驅動的電力負荷預測方法。該方法首先以循環神經網絡（LSTM、GRU） 作為主要的時序特征提取手段，此后輔以卷積神經網絡單元共同作為可組合成高質量預測模型的基礎結構；其次，以實際數據展示了該模型的表現效果，并與多種模型進行對比試驗，驗證了本算法的可行性和有效性。

但是，該方法僅將目前較為成熟的用于時序信號處理的深度學習結構作為主干網絡。今后的研究中將繼續探索如Transform等單元的具體表現，并設計更為全面、有效的深度學習結構。