基于深度學習的電網短期負荷預測?

趙從杰 潘文林

（1.云南民族大學電氣信息工程學院 昆明 650500）（2.云南民族大學數學與計算機科學學院 昆明 650500）

1 引言

電力工業對于我國經濟建設、國家安全、社會穩定、生活質量具有至關重要的作用，為了提高電力行業的安全性和經濟性需要對電力負荷進行預測。經過多年的研究，電力負荷預測方法也越來越成熟，電力負荷預測方法主要有電力彈性系數法、負荷密度、基于時間序列的ARMA 模型、回歸分析法、人工神經網絡（ANN）、機器學習、深度學習和混合技術等［1］。Ferlito等利用一種比較法引入了多種數據驅動技術來解決電網中的預測問題［2］。Heydari 等提出了一種人工神經網絡方法實現對微電網中的風能和太陽能發電量預測［3］。Moradzadeh等提出了一種基于支持向量回歸（SVR）和長-短期記憶（LSTM）模型的混合預測方法，對微電網進行了短期負荷預測［4］。在文獻［5］中，提出了一種季節性調整支持向量機（SSA-SVM）的機器學習應用混合技術進行短期電力負荷預測。Wen 等［6］使用各種深度學習算法、多層感知器（MLP）和支持向量機（SVM）對微電網進行了負荷預測。在其他一些研究中，也提出了將機器學習模型與優化算法相結合的負荷預測方法。在文獻［7］中，采用支持向量機和粒子群優化算法（PSO）的混合模型對微電網負荷進行短期預測。在文獻［8］中，提出了一種將小波變換（WT）與果蠅優化（FFO）算法相結合的短期負荷預測方法。在大多數情況下，這類混合模型由于輸入數據的高維性以及相關數據的時間序列特征無法識別出合適的數據模式，因而存在過擬合等問題。在最近的研究中，深度學習技術被用作一種強有力的工具。它們在預處理、處理和從原始數據中提取特征以及解決短期預測問題［9］中表現出色。在以往的研究中，人們提出了一些用于處理和預測時間序列數據的深度學習技術，如卷積神經網絡（CNNs）、深度自動編碼器（DAEs）、遞歸神經網絡（RNNs）和深度信念神經網絡（DBNNs）。但DAE和DBNN 技術在理解與預期時間相關的時間序列樣本中的長依賴性方面存在困難［10］，而CNN 方法具有最少的單元數和內存，可以提取時間序列數據的基本特征。但是，過濾器選擇和層數是一些問題，如果選擇不當，可能會導致訓練階段的過度擬合等問題。基于RNN 的LSTM 和GRU 等技術在時間序列數據處理中表現良好，能夠對復雜的非線性參數進行建模。GRU 網絡主要提取LSTM 網絡不能獲得的特征，并且比LSTM 網絡復雜。然而，一些研究表明，由于前向訓練，LSTM 算法在識別大容量數據模式時遇到了數據缺失和過度擬合等問題［11］。

為了預測微電網的短期負荷，解決現有方法存在的問題，提出了一種稱為雙向LSTM（bilstm）的深度學習方法。雙向LSTM 是一種基于時間序列的技術，它考慮了一段時間內的所有數據行為，影響網絡負荷的數據具有長期的互聯行為和模式。因此，該方法的雙向運動及其層間相互關聯的結構消除了訓練階段的數據丟失和過度擬合等問題。

2 電力負荷數據及數據預處理

2.1 電力負荷數據

本文從歐洲互聯電網下載了相關數據（https：//transparency.entsoe.eu/generation/r2/dayAheadAggregatedGeneration/show），以2019 年1 月1 日至2020年1 月1 日的瑞士電網負荷數據為案例，數據以每個小時整點記錄一次，共計8760 條數據，負荷數據分布圖如圖1所示。

圖1 瑞士2019年負荷分布圖

很多外界因素都會影響電力負荷數據，進而影響電力負荷預測的精準度。考慮到瑞士的環境因素和人文因素，將瑞士當地發電能源種類及占比，家庭人口數量及占比，電價，日期等因素作為電力負荷預測的重要影響因子。如圖2 所示為2019 年瑞士不同能源發電占比分布圖，圖3為2019年瑞士電價分布圖。

圖2 2019年瑞士能源發電分布圖

2.2 數據預處理

1）數據補全

在下載數據過程中發現由于記錄數據設備故障或一些人為操作有部分電等原因導致電力負荷數據缺失，為了達到較為準確的預測效果，需要對缺失的數據進行補全。本文采用雙線性插值法進行數據補全。

2）歸一化處理

由于單價、負荷量、發電能源種類及占比等因素是不同量綱的，且雙向長短時記憶網絡對數據的敏感度較高，數據尺度過大也會影響負荷預測結果。故對數據進行如式（1）的歸一化處理。

式中xnorm為數據歸一化處理后的負荷數據，在0～1之間。x為原始數據，xmin最小電荷值，xmax為最大電荷值。

3 基于雙向長短時記憶的負荷預測

長短時記憶網絡（LSTM）是在循環神經網絡（RNN）的基礎上演化而來，主要解決了梯度消失或梯度爆炸的問題［12］。LSTM將RNN的輸入數據x(t)和隱藏層信息a(t-1) 變為輸入數據x(t)，隱藏層信息a(t-1) 和記憶單元c(t-1) 。參數的求解方法也發生了變化。雙向長短時記憶（BiLSTM）是在LSTM的基礎上結合了輸入序列在前向和后向兩個方向上的信息。對于t時刻的輸出，前向LSTM 層具有輸入序列中t時刻以及之前時刻的信息，而后向LSTM 層中具有輸入序列中t時刻以及之后時刻的信息。前向LSTM 層t時刻的輸出記作h→t，后向LSTM 層t時刻的輸出結果記作h←t，兩個LSTM 層輸出的向量可以使用相加、平均值或連接等方式進行處理。如圖4 所示為雙向長短時記憶網絡結構圖。

圖4 雙向長短時記憶網絡結構圖

輸入數據主要包括真實電荷值，發電能源種類及占比，家庭人口數量及占比，電價，日期；輸出層為電力負荷值。

4 仿真與驗證

利用第1 節中的數據對本文提出的基于雙向長短時電網負荷預測方法進行驗證。此外還跟文獻［13］提出雙循環神經網絡預測方法進行對比，實現對一天、一周的電網負荷預測。本文用相關系數（R）、均方誤差（MSE）和均方根誤差（RMSE）等指標來評價Bi-LSTM 網絡的性能。R 指數顯示了預測值與實際值之間的一種相關性，R 的最大值表明了網絡的高精度。MSE 和RMSE 指標顯示了為每個樣本計算的這些指標的預測誤差。一天負荷預測的R 值為0.9987，MSE 和RMSE 分別為0.0799 和0.2826。如圖5為雙循環神經網絡一天的電網負荷預測結果，圖6 為雙長短時記憶一天的電網負荷預測結果，圖7 為雙循環神經網絡一周的電網負荷預測結果，圖8 為雙長短時記憶一周的電網負荷預測結果。

圖5 雙循環神經網絡一天的電網負荷預測結果

圖6 雙長短時記憶一天的電網負荷預測結果

圖7 雙循環神經網絡一周的電網負荷預測結果

圖8 雙長短時記憶一周的電網負荷預測

5 結語

本文為了實現對瑞士電網的點和預測，提出了一種稱為雙向長短時記憶的深度學習算法。與其他深度學習技術不同，bilstm 方法由于其獨特的結構和雙向的訓練程序，提供了處理大量時間序列數據的強大能力。此外，在訓練階段避免數據丟失和過度擬合的問題。利用輸入數據對bilstm 網絡進行訓練，并以1h 為間隔對微網負荷進行預測。通過相關系數（R）、均方誤差（MSE）、均方根誤差（RMSE）等性能評價指標對預測結果進行分析。將雙長短時記憶法與循環神經網絡進行比較評價，結果表明本文提出的深度學習方法在電網短期負荷預測中具有較好的效果。