基于Attention-LSTM 的電力負荷自動預測方法

茍秦晉，楊 旭，李 濤，馮顯彬

（1.國網西安供電公司，陜西西安 710032；2.重慶星能電氣有限公司，重慶 400039）

電力負荷預測是電網公司日常生產計劃的必要內容之一，能夠支撐電力系統的現代化發展。電力負荷自動預測大多在室外復雜環境下完成，具有一定的波動性和不可確定性，常規性的方法難以實現自動化精準預測，為了解決該問題，眾多學者提出不同的解決方案。

文獻[1]提出一種基于序列分解的短期電力負荷預測方法，在常規的電力負荷預測方法基礎上進行差分分解和誤差補償等算法，有效提升電力負荷預測方法精準度，但是該方法在預測方法的自動化方面缺乏設計，整個方法的運行需要消耗大量的人力資源。文獻[2]提出基于優化聚類的改進SG Boost 短期電力負荷預測方法，運用遺傳算法和K-means 算法對電力負荷采集數據進行初始聚類優化，相比傳統的電力負荷預測具有較高的精度，且在算法應用方面有著一定的自動化發展特點，但是該方法的自動化局限性較大，僅能夠適應基于優化聚類的改進SG Boost 短期電力負荷預測方法，在數據處理和預測流程的實現等方面仍需要人為操作，不具備自動化功能。

文中利用Attention-LSTM 的長期記憶能力和自動學習能力設計電力負荷預測方法，在傳統電力負荷預測方法基礎上強化預測精準度和自動化方面功能。

1 電力負荷數據處理

實現Attention-LSTM 電力負荷自動預測方法需要具有大量的電力負荷數據基礎，依靠多級電網聯絡點完成電力負荷數據的采集過程，通過各個聯絡點完成數據采樣，根據采樣數據構建整套電力負荷大數據采集算法，算法主要在空間辨識度較高的場所中運用，可以將其描述為：

其中，A(x)表示電力負荷終端用戶的數據合集；B表示配電網中的電能屬性合集；a(x)和b(x)均表示電能屬性。采集到的樣本數據根據電網中交直流環境，分配電力負荷樣本，數據分配參數包括電壓諧波、電壓波動和有無干擾等情況，修正異樣的樣本數據，剔除所有采集樣本數據的干擾因素，為構建電力負荷數據模型創造高質量的數據庫[3-4]。

從低頻振蕩和超低頻振蕩兩種角度剔除干擾因素，利用諧波對電力負荷干擾分量分解的功能，將電力負荷樣本數據進行結構重組，排除原始結構中的干擾分量，離散處理干擾分量，建立的離散模型如下所示：

其中，z(t)表示干擾分量；Y表示低頻振蕩和超低頻振蕩干擾分量集合；W表示電力負荷樣本數據的穩態特征量[5-6]。

完成離散后的樣本數據滿足應用在Attention-LSTM 中應用的條件，將原始的電力負荷數據集合代入電力負荷模型中的重構函數中，實現自主剔除樣本數據的干擾分量[7-8]，為后續的Attention-LSTM 電力負荷預測自動化創造數據處理層次的自動化基礎。

2 電力負荷自動預測

2.1 自動預測模型

長短期記憶網絡（LSTM）在自動預測模型中以遺忘門、輸入門和輸出門的形式表現，避免電力負荷數據在不同RNN 梯度轉換過程中出現的數據消失問題，同時也增加自動預測模型的穩定性和數據處理精準度。長短期記憶網絡工作過程如圖1 所示。

圖1 長短期記憶網絡工作過程

遺忘門、輸入門和輸出門之間的動作狀態取決于上一階段數據處理結果。當數據處理結果值為0時，代表電力負荷樣本數據傳輸信號被阻斷，此時的遺忘門可以接收樣本數據的任何狀態信息，輸入門可以對采集到的樣本數據進行狀態更改，使新采集到的數據在時間序列中，幫助LSTM 建立更完善的學習模型，輸出門則根據樣本數據的實時狀態，確定采用某個種類的相關信息[9-10]。三個門在自動預測模型中，重復對采集樣本數據的訓練和篩選工作，保持LSTM 與電力負荷序列之間非線性關系的穩定性[11-12]。

電力負荷樣本數據通過LSTM 后受Attention 機制控制，Attention 機制在自動預測模型中具有模擬人腦注意力的效果。電力負荷樣本數據由LSTM 獲取狀態權重后，Attention 機制可以從電力負荷樣本數據中選取對預測結果影響較大的時間序列[13]。最后根據時間序列與樣本訓練模型的關聯性對相關性較大的電力負荷樣本數據賦予最高權重，如下所示為權重賦予算法：

其中，ei表示注意力權重；α表示最高權重。經過LSTM 和Attention 機制處理后的電力負荷數據進入自動預測模型的預測輸出階段，首先在全連接層完成電力負荷數據的匹配，其次進入池化層2 和卷積層2 中實現電力負荷數據的初步預測[14]，然后進入池化層1 和卷積層1 中驗證初步預測結果，最后通過輸入層實現預測結果的數據表達。

2.2 基于預測模型的自動預測過程

在自動預測模型對樣本數據完成處理工作后進行自動預測，此時應用在Attention-LSTM 中的數據具有較高的穩定性和精準性，且模型中的所有電力負荷特征均可以通過自由算法實現精準預測，自由算法在模型中可以任意改進，其是模型自動化運行的基礎[15]。結合以上要素，實現自動預測過程，如圖2所示。

圖2 基于預測模型的自動預測過程

1）采集和處理電力負荷數據。Attention-LSTM預測方向逐漸向更多方向延展，Attention-LSTM 若只對模型周圍的電力負荷進行預測，則容易受到經驗模態分解邊界效應的影響，所以需要利用Attention-LSTM 中的神經網絡對電力負荷原始數據的極值點進行初步預測，減少邊界效應對預測結果的影響，提高Attention-LSTM 預測結果的精準度。

2）有序分解電力負荷數據。Attention-LSTM 中的CEEMDAN 算法可以根據時間序列由遠及近地分解電力負荷數據特征，然后精準計算出負荷數據的殘差余量[16]。

3）Attention-LSTM 網絡模型對電力負荷模態分量進行預測。LSTM 預測程序對電力負荷相關參數進行初始化處理，然后引入Attention-LSTM 網絡模型中，精準反映出各個數據在模型子序列中對應的波動狀態，波動狀態對外顯現的結果即為模態分量預測結果。

由于電力負荷預測過程中可能出現新的權重參數，為保障自動化水平的穩定，文中在Attention-LSTM 預測模型前增設基于梯度的優化算法，該算法可以有效調整對電力負荷預測的學習效率，也可保證Attention-LSTM 自動化的精準度，如下所示為優化算法表達式：

其中，αRMSE表示反映預測誤差的指標權重；N表示采集樣本數量；Yi表示預測流程中的采樣點實際負荷。文中引用MAPE 評估模型對自動預測結果進行驗證，驗證方式如下：

其中，αMAPE表示MAPE 評估模型對預測結果的驗證結果，可以直接反映出自動預測結果的穩定性和魯棒性。通過LSTM 神經網絡自主規劃實現以上步驟，每個步驟對電力負荷數據的識別隨著網絡層數在模型中的訓練次數增加而逐漸清晰，一些常見的電力負荷數據在模型中的實現時間也會縮短，極大增加了自動預測效率。

3 實驗研究

為驗證提出的基于Attention-LSTM 的電力負荷自動預測方法的實際應用效果，設定實驗，實驗過程選用的處理器為Intel Core 處理器，內部含有8 GB 內存，使用Windows10 作為實驗的操作系統。

實驗數據選擇的是EUNIT 電力數據，對數據進行采集，分析數據的波動情況，對異常值進行篩選，異常值篩選過程如式（6）所示：

其中，i表示電力負荷的單日數值；N表示統計的單日電力負荷數值；μ表示篩選的數值。計算均值誤差，如式（7）所示：

其中，?表示得到的均值誤差。

如果|xi-μ|＞3?，則證明選取的xi為異常點，需要排除。

同時采用基于差分分解和誤差補償的短期電力負荷預測方法和基于優化聚類的IXGBoost 短期電力負荷預測方法進行實驗對比，比較篩選異常值效果，得到的實驗結果如圖3 所示。

圖3 異常值篩選結果

根據圖3 可知，在40 s 的異常數值篩選過程中，異常數值篩選率不會隨著時間的增加而出現改變，但是文中提出的基于Attention-LSTM 的電力負荷自動預測方法預測能力高于傳統的預測方法，異常數據篩選率在90%以上，篩選能力更好；基于差分分解和誤差補償的短期電力負荷預測方法異常數據篩選率在80%～85%之間；基于優化聚類的IXGBoost 短期電力負荷預測方法的異常數值篩選率在70%左右。

預測精度實驗結果如表1 所示。

表1 預測精度實驗結果

根據表1 可知，文中提出的預測方法精度在99%以上，Attention-LSTM 的電力負荷自動預測方法進行初始序列差分，使序列迭代結果趨向平穩，再將各個序列迭代環境進行算法驗證，加強電力負荷預測方法的有效性。預測方法在優化后的數據基礎上建立電力負荷預測模型，通過大量的數據代入，尋找試驗最佳的聚類算法，因此能夠很好地減少預測時間，確保預測效果。

預測時間實驗結果如表2 所示。

表2 預測時間實驗結果

根據表2 可知，隨著預測負荷量數據的增加，預測時間也在逐漸增加，但是文中提出的預測方法花費的預測時間遠遠低于傳統的預測方法，當預測負荷量低于5 GB 時，文中提出的方法預測時間低于15 s，優化聚類預測方法預測時間低于33 s，差分分解和誤差補償預測時間低于49 s。

4 結束語

電力負荷預測技術在電網的實際運行過程中發揮著重要作用，對電網運行的經濟效益、穩定性和精準度均有一定的影響。文中設計基于Attention-LSTM 的電力負荷自動預測方法，充分發揮LSTM 的自動學習能力和Attention 機制人腦注意力效果，實現自主完成電力負荷預測任務，解決傳統方法中預測過程復雜、穩定性差和自動化水平低等問題。