基于CNN-LSTM網(wǎng)絡(luò)的電力負(fù)荷預(yù)測

摘要：為了及時(shí)掌握電力負(fù)荷的變動(dòng)信息，就需要對(duì)電力負(fù)荷進(jìn)行準(zhǔn)確預(yù)測。鑒于此，探究出一種CNN和LSTM的組合模型來預(yù)測一日到一周的電力短期負(fù)荷波動(dòng)情況。CNN模型負(fù)責(zé)從輸入信息中提取特征，LSTM模型利用CNN模型的輸出信息進(jìn)行負(fù)荷預(yù)測，最終得到預(yù)測結(jié)果。選取西班牙公開的電力數(shù)據(jù)為實(shí)驗(yàn)數(shù)據(jù)，運(yùn)用Python語言搭建預(yù)測模型，分別與CNN和LSTM單一模型進(jìn)行對(duì)比，驗(yàn)證了所提組合預(yù)測模型的可靠性，其在電力短期負(fù)荷預(yù)測領(lǐng)域應(yīng)用效果較好，可為供電部門電力規(guī)劃提供理論依據(jù)。

關(guān)鍵詞：短期負(fù)荷預(yù)測；長短期記憶網(wǎng)絡(luò)（LSTM）；卷積神經(jīng)網(wǎng)絡(luò)（CNN）；CNN-LSTM

中圖分類號(hào)：TM714；TP183" 文獻(xiàn)標(biāo)志碼：A" 文章編號(hào)：1671-0797（2023）07-0007-04

DOI：10.19514/j.cnki.cn32-1628/tm.2023.07.002

0" " 引言

準(zhǔn)確的電力短期負(fù)荷預(yù)測可以保障智能電網(wǎng)環(huán)境的安全、經(jīng)濟(jì)和可靠運(yùn)行[1]。不準(zhǔn)確的電氣電力短期負(fù)荷預(yù)測會(huì)降低電力系統(tǒng)的可靠性，甚至給電力系統(tǒng)帶來安全隱患，從而影響發(fā)電計(jì)劃制定，造成資源浪費(fèi)和環(huán)境污染，難以實(shí)現(xiàn)碳達(dá)峰、碳中和目標(biāo)[2]。

在電力負(fù)荷預(yù)測領(lǐng)域，學(xué)者將預(yù)測方法分類，包括物理模型法、統(tǒng)計(jì)法和人工智能法[3]。物理模型法可以預(yù)測電力負(fù)荷，但其預(yù)測準(zhǔn)確率低，很少被應(yīng)用；統(tǒng)計(jì)法則過多地依賴于歷史數(shù)據(jù)的周期性和異常值，面對(duì)復(fù)雜和非線性的電力負(fù)荷數(shù)據(jù)難以獲得準(zhǔn)確的預(yù)測結(jié)果。因此，越來越多的學(xué)者將人工神經(jīng)網(wǎng)絡(luò)用于負(fù)荷預(yù)測領(lǐng)域，人工神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能，可以根據(jù)數(shù)據(jù)情況隨時(shí)調(diào)整模型參數(shù)，從而使預(yù)測結(jié)果更接近真實(shí)值。一些發(fā)展中國家的電力部門仍然在用傳統(tǒng)的統(tǒng)計(jì)方法如回歸分析和自回歸綜合移動(dòng)平均線法（ARIMA）進(jìn)行負(fù)荷預(yù)測[4]，從而制定發(fā)電計(jì)劃和電力調(diào)度。然而，在一些發(fā)達(dá)國家，人工智能的預(yù)測方法被廣泛應(yīng)用于電力短期負(fù)荷預(yù)測領(lǐng)域。W. Pitts等人在1943年提出人工神經(jīng)網(wǎng)絡(luò)（ANN）并被應(yīng)用于語音識(shí)別；Saratha Sathasivam等人在1982年提出循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）并應(yīng)用于圖像識(shí)別；鄧斌等人[5]用RNN模型實(shí)現(xiàn)了中長期電力負(fù)荷的精準(zhǔn)預(yù)測；Sepp Hochreiter等人在1997年提出長短期記憶網(wǎng)絡(luò)（LSTM），解決了RNN網(wǎng)絡(luò)隨時(shí)間反向傳播中權(quán)重消失的問題并被應(yīng)用于文字識(shí)別；李丹等人[6]用長短期記憶網(wǎng)絡(luò)結(jié)合分位數(shù)回歸法，提高了電力短期負(fù)荷預(yù)測效率；Yann LeCun在1998年提出卷積神經(jīng)網(wǎng)絡(luò)（CNN）；毛鈞毅等人[7]提出一種卷積神經(jīng)網(wǎng)絡(luò)設(shè)置閾值模型，實(shí)現(xiàn)了異常用電檢測；郭海燕等人提出了改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)方法，提升了預(yù)測算法的健壯性；文獻(xiàn)[8]將CNN模型用于短期電力負(fù)荷預(yù)測，還考慮了一年中四季的特征，提高了預(yù)測的精度。但電力負(fù)荷數(shù)據(jù)量龐大，波動(dòng)范圍廣，不穩(wěn)定性強(qiáng)，需要多種模型組合預(yù)測，單一的網(wǎng)絡(luò)模型預(yù)測精度遠(yuǎn)遠(yuǎn)不夠。

針對(duì)電力負(fù)荷數(shù)據(jù)的隨機(jī)性和波動(dòng)性，單一模型無法準(zhǔn)確預(yù)測電力短期負(fù)荷的情況，本文提出了一種基于CNN-LSTM組合模型對(duì)電力短期負(fù)荷進(jìn)行預(yù)測的方法，該方法挖掘了各個(gè)模塊的優(yōu)勢，將它們巧妙融合在一起，CNN負(fù)責(zé)對(duì)輸入數(shù)據(jù)的特征因子進(jìn)行提取，LSTM用于接收CNN的輸出數(shù)據(jù)進(jìn)行預(yù)測。本文所提模型不僅預(yù)測精度高，而且對(duì)預(yù)測峰谷部分有較好的擬合效果，與其他兩個(gè)預(yù)測模型相比，該模型具有最佳的預(yù)測性能。

1" " 基于神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測模型

1.1" " 卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型

卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型是LeCun在1998年首次提出的一種網(wǎng)絡(luò)模型，該模型在特征提取方面有較好的性能，可以彌補(bǔ)其他網(wǎng)絡(luò)模型在提取特征方面的不足。數(shù)據(jù)特征提取的準(zhǔn)確與否直接影響預(yù)測的準(zhǔn)確性，CNN模型由5個(gè)功能模塊組成：輸入層負(fù)責(zé)輸入原始數(shù)據(jù)；卷積層負(fù)責(zé)提取重要特征，卷積層也是該模型中最重要的組成部分；池化層負(fù)責(zé)降低數(shù)據(jù)維度；全連接層負(fù)責(zé)對(duì)處理后的數(shù)據(jù)進(jìn)行分類；最終將結(jié)果輸出到下一網(wǎng)絡(luò)模型中。CNN網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

1.2" " 長短期記憶網(wǎng)絡(luò)（LSTM）模型

長短期記憶網(wǎng)絡(luò)（LSTM）模型是Hochreiter和Schmidhuber在1997首次提出的一種網(wǎng)絡(luò)模型，是由RNN網(wǎng)絡(luò)模型變化而成的，原始的RNN有記憶功能，LSTM通過添加遺忘門，可以選擇性舍棄次要信息。實(shí)驗(yàn)表明，LSTM網(wǎng)絡(luò)模型在多變量、多輸入、大數(shù)據(jù)預(yù)測中有良好的性能，在時(shí)序數(shù)據(jù)的預(yù)測方面表現(xiàn)突出。LSTM模型主要由三個(gè)門和一個(gè)存儲(chǔ)單元組成：輸入門負(fù)責(zé)存儲(chǔ)輸入數(shù)據(jù)，遺忘門可以選擇性遺忘次要信息，存儲(chǔ)單元可以儲(chǔ)存重要特征，輸出門負(fù)責(zé)輸出當(dāng)前狀態(tài)。LSTM網(wǎng)絡(luò)可以發(fā)揮遺忘門的重要特性，在學(xué)習(xí)過程中選擇性舍棄相關(guān)性低的歷史信息，釋放網(wǎng)絡(luò)空間，消除了RNN網(wǎng)絡(luò)的缺陷。LSTM模型中的記憶功能，在充分獲取電力負(fù)荷數(shù)據(jù)時(shí)間序列特征的同時(shí)還能精準(zhǔn)掌握負(fù)荷與輸入數(shù)據(jù)間的非線性關(guān)系，預(yù)測電力負(fù)荷表現(xiàn)突出，準(zhǔn)確性更高。LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

1.3" " CNN-LSTM組合模型

CNN-LSTM模型由輸入層、CNN層、LSTM層和輸出層組合而成，結(jié)構(gòu)如圖3所示。

為了更好地預(yù)測電力短期負(fù)荷變化情況，本文構(gòu)建了CNN-LSTM組合模型，該模型分為四層：首先，將處理好的數(shù)據(jù)通過輸入層輸入到模型中；其次，用卷積層提取電力負(fù)荷數(shù)據(jù)中的重要信息，通過池化層降維，獲取輸出數(shù)據(jù)；然后，輸出數(shù)據(jù)進(jìn)入LSTM層進(jìn)行訓(xùn)練；最后，訓(xùn)練好的輸出數(shù)據(jù)進(jìn)入輸出層，得到輸出值。

2" " 短期電力負(fù)荷預(yù)測分析及結(jié)果驗(yàn)證

2.1" " 數(shù)據(jù)集

本文使用的數(shù)據(jù)來自西班牙電力公開數(shù)據(jù)集，以2014年12月31日至2018年12月31日的電力負(fù)荷和天氣數(shù)據(jù)為實(shí)驗(yàn)數(shù)據(jù)，負(fù)荷數(shù)據(jù)采樣時(shí)間間隔為1 h，相關(guān)參數(shù)有生物質(zhì)發(fā)電、生成化石氣、代化石硬煤、代化石油、發(fā)電抽水蓄能消耗、發(fā)電水力徑流和磅數(shù)、發(fā)電水庫、瓦倫西亞最低溫、瓦倫西亞最高溫、瓦倫西亞壓力、瓦倫西亞濕度等。

選擇2014年12月31日至2017年12月31日的電力數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，將2018年1月1日至2018年12月31日的電力數(shù)據(jù)作為預(yù)測數(shù)據(jù)集。

2.2" " 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理

原始數(shù)據(jù)不做清理會(huì)影響電力短期負(fù)荷預(yù)測的準(zhǔn)確性。數(shù)據(jù)采集和記錄時(shí)可能會(huì)發(fā)生遺漏，導(dǎo)致原始數(shù)據(jù)中存在少量缺失值，可以用缺失值前后兩個(gè)數(shù)據(jù)的均值進(jìn)行填充，若某列數(shù)據(jù)的缺失值較多，直接刪除該列數(shù)據(jù)特征。

數(shù)據(jù)與數(shù)據(jù)間值的區(qū)間范圍差異明顯，差值過大，為解決各條數(shù)據(jù)單位不同的情況，必須歸一化處理數(shù)據(jù)，利于模型預(yù)測。

歸一化公式如下：

2.3" " 數(shù)據(jù)特征參數(shù)提取

本文采集的氣象數(shù)據(jù)集中氣象因素是影響短期電力負(fù)荷的重要因素，但氣象數(shù)據(jù)中特征較多，應(yīng)選擇與電力負(fù)荷相關(guān)性強(qiáng)的特征輸入到模型中，參與短期負(fù)荷預(yù)測。皮爾遜相關(guān)系數(shù)可以體現(xiàn)變量之間關(guān)聯(lián)程度，皮爾遜相關(guān)系數(shù)的取值介于-1到1之間，數(shù)值的絕對(duì)值越接近1，表明變量之間相關(guān)程度越高，數(shù)值為正則為正相關(guān)，數(shù)值為負(fù)則為負(fù)相關(guān)，數(shù)值為0時(shí)，兩個(gè)變量之間不相關(guān)。

表1顯示了各氣象數(shù)據(jù)特征與負(fù)荷之間的皮爾遜相關(guān)系數(shù)值。

從表1可以看出，溫度、濕度和風(fēng)速這三個(gè)氣象特征相關(guān)系數(shù)值相對(duì)較高，可以作為特征因素輸入到預(yù)測模型中，參與電力短期負(fù)荷預(yù)測，而氣壓、風(fēng)向和云量量級(jí)較低，皮爾遜相關(guān)系數(shù)數(shù)值較小，對(duì)電力負(fù)荷影響甚微，可以直接刪除。

2.4" " 選擇評(píng)價(jià)指標(biāo)

為了更清晰地體現(xiàn)本文所提模型的優(yōu)越性，用平均絕對(duì)百分比誤差（MAPE）、均方根誤差（RMSE）和平均絕對(duì)誤差（MAE）來評(píng)估模型的預(yù)測結(jié)果。分別根據(jù)式（2）（3）（4）來計(jì)算模型預(yù)測結(jié)果與實(shí)際值之間的誤差，計(jì)算值越小，表明預(yù)測誤差越低，模型預(yù)測結(jié)果更精確。表達(dá)式如下：

2.5" " 實(shí)驗(yàn)結(jié)果和分析

筆者制作了三種模型預(yù)測誤差對(duì)比表，如表2所示。

由表2可知，CNN模型的RMSE為2.359 MW，MAE為1.793 MW，MAPE為2.601%；LSTM模型的RMSE為2.556 MW，MAE為2.041 MW，MAPE為2.912%；CNN-LSTM組合模型的RMSE為2.198 MW，MAE為1.582 MW，MAPE為2.311%。可以看出三種模型都有較高的預(yù)測精度，但CNN-LSTM組合模型的三個(gè)誤差指標(biāo)均為最小值，模型預(yù)測精準(zhǔn)性更高一些，預(yù)測精度優(yōu)于其他兩種模型。

筆者繪制了CNN-LSTM模型負(fù)荷預(yù)測曲線，如圖4所示。

由圖4可以看出，CNN-LSTM組合模型的預(yù)測值幾乎與真實(shí)值一致，預(yù)測精度較高。

筆者繪出了三種模型預(yù)測誤差對(duì)比柱狀圖，如圖5所示。

從圖5三個(gè)評(píng)價(jià)指標(biāo)的對(duì)比來看，本文所提的組合預(yù)測模型三個(gè)誤差評(píng)價(jià)指標(biāo)均為最低，有良好的預(yù)測精度。該結(jié)果表明，將CNN引入LSTM模型進(jìn)行特征提取時(shí)，該混合神經(jīng)網(wǎng)絡(luò)在電力短期負(fù)荷預(yù)測領(lǐng)域具有更好的效果。

3" " 結(jié)論

根據(jù)國內(nèi)外電力短期負(fù)荷預(yù)測研究現(xiàn)狀，CNN和LSTM模型存在預(yù)測精度低、模型結(jié)構(gòu)單一等缺點(diǎn)。本文提出了一種基于CNN-LSTM組合模型對(duì)電力短期負(fù)荷進(jìn)行預(yù)測的方法，該方法挖掘了各個(gè)模塊的優(yōu)勢，將它們巧妙融合在一起，CNN負(fù)責(zé)對(duì)輸入數(shù)據(jù)的特征因子進(jìn)行提取，LSTM用于接收CNN的輸出數(shù)據(jù)進(jìn)行預(yù)測。實(shí)驗(yàn)結(jié)果表明，CNN-LSTM模型對(duì)復(fù)雜非線性問題具有良好的預(yù)測能力，適合用在電力短期負(fù)荷預(yù)測領(lǐng)域，能夠預(yù)測短期內(nèi)負(fù)荷需求，為電力部門制定發(fā)電計(jì)劃和電力調(diào)度提供理論支撐。

[參考文獻(xiàn)]

[1] 蔡幟，張國芳，王淼，等.電力市場環(huán)境下區(qū)域和省級(jí)電網(wǎng)協(xié)同安全校核及校正[J/OL].中國電機(jī)工程學(xué)報(bào)：1-11.（2022-03-23）[2022-11-04].https：//kns.cnki.net/kcms2/article/abstract？v=3uoqIhG8C45S0n9fL2suRadTyEVl2pW9UrhTDCdPD65djwFi6aRxPaR9kiqqN0VhG_99N_xklOfRDLXHiM9NpJDkmsGyc0qgamp;uniplatform=NZKPT.

[2] 魏泓屹，卓振宇，張寧，等.中國電力系統(tǒng)碳達(dá)峰·碳中和轉(zhuǎn)型路徑優(yōu)化與影響因素分析[J].電力系統(tǒng)自動(dòng)化，2022，46（19）：1-12.

[3] MA Y J，ZHAI M Y.Day-ahead prediction of microgrid electricity demand using a hybrid artificial intelligence model[J].Processes，2019，7（6）：320.

[4] 朱劍飛，陳文剛，宰洪濤，等.基于ARIMA與LSTM在電力負(fù)荷預(yù)測中的對(duì)比討論[J].電氣應(yīng)用，2022，41（2）：27-31.

[5] 鄧斌，張楠，王江，等.基于LTC-RNN模型的中長期電力負(fù)荷預(yù)測方法[J].天津大學(xué)學(xué)報(bào)（自然科學(xué)與工程技術(shù)版），2022，55（10）：1026-1033.

[6] 李丹，張遠(yuǎn)航，楊保華，等.基于約束并行LSTM分位數(shù)回歸的短期電力負(fù)荷概率預(yù)測方法[J].電網(wǎng)技術(shù)，2021，45（4）：1356-1363.

[7] 毛鈞毅，韓松，李洪乾.適用于電網(wǎng)異常負(fù)荷動(dòng)態(tài)判別的CNN閾值模型[J].計(jì)算機(jī)工程，2020，46（6）：308-313.

[8] WANG Y，CHEN Q X，GAN D H，et al.Deep learning-based socio-demographic information identification from smart meter data[J].IEEE Transactions on Smart Grid，2019，10（3）：2593-2602.

收稿日期：2023-02-17

作者簡介：孟磊（1995—），男，陜西人，碩士研究生，研究方向：智能電網(wǎng)、電力負(fù)荷預(yù)測。