基于LASSO 和PSO-LSTM 的綜合能源系統負荷預測＊

黃文靜，戚建國

（1.河北工業職業技術大學，河北 石家莊 050091；2.醫科達（北京）醫療器械有限公司，北京 100000）

當前能源危機和環境保護的壓力與日俱增，為緩解能源危機，多能互補、綜合利用的綜合能源系統應運而生[1]。合理、科學規劃集電、冷、熱等能源網為一體的綜合能源系統，能最大化利用可再生能源，盡量挖掘系統潛力，合理配置能源網荷儲[2]。因此，對綜合能源系統進行科學合理的負荷預測具有必要性與現實意義。

由于負荷預測是綜合能源系統優化運行的關鍵，因此學者們積極開展了研究：文獻[3]分析了聚合混合模態分解和TCN 神經網絡相結合進行電、冷和熱負荷預測效果，有效解決了預測誤差修正；文獻[4]研究了模糊C均值聚類算法的電-熱互聯綜合能源系統負荷預測，具有很高的預測精度；文獻[5]研究了一種多核LS-SVM 預測模型，能夠有效綜合各個核函數的優點，充分挖掘非線性信息。目前負荷預測方法包括時間序列、貝葉斯、模糊理論、小波分析、回歸分析、人工神經網絡、支持向量機等。

基于上述分析，本文針對影響負荷預測的大量氣象因素研究基于LASSO 原理對氣象因素進行數據分析和降維，獲得對負荷影響最大的氣象指標。LSTM神經網絡由于其清晰的算法流程、完善的理論體系被成功應用于負荷預測。PSO 粒子群算法是一種結構簡單且具有極強的全局搜索能力的群體智能優化算法。本文利用PSO 算法優化LSTM 神經網絡參數，提高了LSTM 神經網絡性能。通過對河北某教育園區區域綜合能源系統進行電、冷、熱負荷預測，驗證了本文模型的可行性，保障了區域綜合能源系統優化運行。

1 通過LASSO 原理進行變量選擇

由于綜合能源系統負荷受溫度、濕度、風速等多種氣象因素的影響，因此需要對冗余數據進行去除，選擇對系統負荷影響最大的氣象因素。LASSO 模型方法通過構造一個懲罰函數獲得一個精煉的模型，可以實現變量的選擇[6]。

對于樣本數據（xi1，xi2，…，xip；yi），i=1，2，…，n，設α為常數項，β1，β1，…，βp為回歸系數，ε為隨機擾動項，其線性模型公式如下：

設s為約束參數，常數項和回歸系數的LASSO 定義為：

2 PSO 優化LSTM 神經網絡

2.1 LSTM 神經網絡

LSTM 在長序列預測問題的處理上具有良好的效果，有助于提高預測精度，已成為當今最流行的深度學習框架之一[7]。LSTM 計算步驟如下。

第一，變換單元狀態。設xt為t時刻的輸入，Ct為t時刻的長期記憶，ht為t時刻的短期記憶，ht-1為t－1時刻的單元狀態。xt與ht-1結合后經過sigmoid的非線性處理得到遺忘門輸出ft。ft的表達式為：

式中：δ為sigmoid函數；Wfx和bf分別為遺忘門的權重和偏置。

第二，由輸入門it負責決定哪些新信息將要存儲到新單元狀態Ct中。首先經過sigmoid函數得到輸入門，如式（1）所示，然后經過tanh函數激活后創建一個新的候選值向量，如式（2）所示。

式中：Wix和bi分別為輸入門的權重和偏置；WCx和bC分別為用于創建新候選值的輸入門的權重和偏差。

第三，將舊記憶單元狀態Ct-1更新為新記憶單元狀態Ct，表達式為：

第四，經sigmoid函數計算輸出門Ot，再經過tanh函數激活得到最終的結果ht，計算公式如下：

式中：Wox和b0為輸出門的權重和偏置。

2.2 PSO 優化LSTM 神經網絡步驟

PSO 是一種新型群體優化智能算法，具有原理復雜度低、需要設置的參數少、運行速度快等優點，應用于LSTM 神經網絡的參數尋優具有良好的優勢[8]。PSO 優化LSTM 神經網絡算法步驟如下。

第一，載入樣本數據，確定慣性權重、迭代次數、學習因子等粒子群參數。

第二，根據樣本數據初始化LSTM 神經網絡。

第三，計算適應度值，選取LSTM 神經網絡的均方誤差指標為適應度函數：

式中：M為訓練樣本數；q為網絡輸出層節點數；yo=[yo1，yo2，…，yoq]T為網絡實際輸出；d=[d1，d2，…，dq]T為網絡期望輸出。粒子在適應度函數最小時尋出LSTM 神經網絡的最優值。

第四，根據式（3）適應度值計算確定粒子群個體最優位置pbest，進而確定群體總最優位置gbest。不斷地調整粒子的位置和速度，直到適應度函數最小，確定最優位置。

3 綜合能源負荷預測實例分析

本文從北方某園區綜合能源系統提取2021-07-01—2021-07-07 的數據點用本文所提出的預測方法進行驗證。數據采集間隔為每天24 h，每隔1 h進行1 次記錄采樣，負荷數據總共96 個點。選取2021-07-01—2021-07-06 的電負荷和冷負荷以及氣象因素作為樣本數據，2021-07-07 的負荷作為校驗數據。

3.1 LASSO 算法數據選擇及處理

影響負荷的因素包括X1—日出時間、X2—日落時間、X3—紫外線指數、X4—風向、X5—風速、X6—最高溫度、X7—最低溫度、X8—平均溫度、X9—氣壓、X10—濕度、X11—污染指數、X12—大霧指數，對數據進行歸一化處理后運用LASSO 方法進行變量選取。選擇路徑如圖1 所示。

圖1 氣象因素LASSO 算法選擇路徑

經AⅠC 標準計算，在s=0.386 時AⅠC 取最小值。由圖1 觀察分析將系數很小或者為0 的因素刪除，得到了4 個氣象因素，分別是X6—最高溫度、X8—平均溫度、X10—濕度、X3—紫外線指數。

同時還要考慮周一到周日的日類型不同，周一至周五的工作日負荷較重，而周六、周日休息日的負荷較輕。因此根據負荷的規律性，采用數字表示日類型，設周一到周五為0.8，周六為0.4，周日為0.3。將當天的日類型及當天t－1 時刻的最高溫度、平均溫度、濕度、紫外線指數，以及前3 天t時刻、t－1 時刻、t+1時刻的電、冷負荷數據及最高溫度、平均溫度、濕度、紫外線指數作為輸入向量輸入到PSO 優化的LSTM 神經網絡中進行負荷預測。

3.2 PSO-LSTM 負荷預測

根據數據分析，采用PSO-LSTM 神經網絡進行電負荷和冷負荷預測。同時選用BP 神經網絡、LSTM 神經網絡與本文模型進行對比。電負荷預測結果如圖2所示，冷負荷預測結果如圖3 所示。

圖2 電負荷預測結果

圖3 冷負荷預測結果

從圖2 和圖3 可知，采用PSO-LSTM 神經網絡算法得到的預測曲線與實際曲線更為貼近。

為進一步說明本文模型的優越性，選用平均絕對百分比誤差（MAPE）評價3 種負荷預測方法，可以體現預測準確性。3 種方法的誤差對比如表1 所示。

表1 負荷預測誤差對比

由表1 可知，PSO-LSTM 神經網絡算法進行電負荷與冷負荷預測的誤差值均小于其他2 種算法，采用本文模型進行電負荷預測的誤差為3.6%，進行冷負荷預測的誤差僅為2.1%，可以得出本文模型預測精度最高，使用PSO-LSTM 神經網絡算法可以有效地進行綜合能源負荷預測。

4 結論

通過構建LASSO 和PSO-LSTM 神經網絡的組合模型，并利用模型對綜合能源系統進行負荷預測，得到如下結論：①LASSO 可以進行參數的選擇和收縮，尤其適合對綜合能源系統所包含的多種氣象因素大數據進行選擇和分析，具有很強的現實意義；②利用PSO-LSTM 神經網絡可以有效確定LSTM 模型隱含層神經元的個數及迭代次數，準確、快速地實現綜合能源負荷預測；③通過對園區電、冷負荷預測實驗表明，基于LASSO 和PSO-LSTM 神經網絡結合的方法可以有效提高綜合能源系統負荷預測精度，及時掌握負荷用度變化，提高調度運行效率，有較高的應用價值。