劉月峰 楊宇慧

摘 ?要：針對短期電力負荷預測中電力負荷影響因素提取不準確以及長期依賴信息丟失的問題，提出一種結(jié)合一維卷積神經(jīng)網(wǎng)絡CNN與長短期記憶網(wǎng)絡LSTM的短期電力負荷預測模型，將卷積神經(jīng)網(wǎng)絡的速度和輕量與長短期記憶網(wǎng)絡的順序敏感性的優(yōu)勢結(jié)合起來，考慮歷史電力負荷、時間日期、溫度對電力負荷的影響，實例結(jié)果表明，與其他模型相比，預測誤差更小，較好地提高了預測性能。

關鍵詞：短期電力負荷預測;卷積神經(jīng)網(wǎng)絡;長短期記憶網(wǎng)絡

中圖分類號：TM715 ? ? ? ?文獻標志碼：A ? ? ? ? 文章編號：2095-2945（2020）01-0084-02

Abstract： In order to solve the problems of inaccurate extraction of power load influencing factors and long-term dependence on information loss in short-term power load prediction， a short-term power load prediction model combining a convolutional neural network （CNN） and a long-term and short-term memory network （LSTM） is proposed. Speed and light weight are combined with the order sensitivity of long-term and short-term memory networks， considering the effects of historical power load， time and date， and temperature on the power load. The results of the examples show that compared with other models， the prediction error is smaller and the prediction performance is better.

Keywords： short-term load forecasting; convolutional neural network （CNN）; long-term and short-term memory network （LSTM）

1 概述

隨著電力工業(yè)的迅速發(fā)展以及智能電網(wǎng)技術的普及，電力負荷預測在發(fā)電和配電等能源規(guī)劃中發(fā)揮著重要作用，為電力市場化改革以及能源互聯(lián)網(wǎng)進一步推進提供重要的技術支撐，短期負荷預測技術是電力系統(tǒng)高效運行和分析的基礎，負荷預測使公用事業(yè)提供商能夠?qū)﹄娏ω摵蛇M行建模和預測，以保持生產(chǎn)和需求之間的平衡，降低生產(chǎn)成本，估算實際能源價格以及管理調(diào)度未來的容量規(guī)劃。負荷預測方法可以大致分為統(tǒng)計方法，人工智能方法以及組合方法，統(tǒng)計方法包括時間序列法、回歸分析法、相關分析法、相似日法，人工智能方法包括模糊預測法、專家系統(tǒng)法、灰色模型法、小波變換法、支持向量機法、人工神經(jīng)網(wǎng)絡法，組合方法則是基于上述兩種方法進行組合。智能電網(wǎng)環(huán)境中的非線性和動態(tài)不確定性是預測精度的主要障礙。電力負荷影響因素較多，諸如歷史負荷數(shù)據(jù)，氣象數(shù)據(jù)、日期信息以及峰谷電價等因素，近幾年來，深度學習作為機器學習領域的一種新興方法，是處理大數(shù)據(jù)的利器，具有強大的自動特征提取能力和處理高維、非線性數(shù)據(jù)等方面的優(yōu)勢，在短期電力負荷領域受到廣泛關注[1-4]。

2 電力負荷預測

本文提出的CNN-LSTM組合模型，充分利用一維卷積神經(jīng)網(wǎng)絡與長短期記憶網(wǎng)絡在序列預測方面的優(yōu)勢，本文借鑒自然語言處理過程中的詞嵌入表示方法，將某一時刻的負荷值與其相關的特征串聯(lián)成向量表示，進而形成一個全新的時間序列數(shù)據(jù)，每一時刻的歷史負荷均由與其相關的特征共同表示，然后利用一維卷積的平移不變性，使用滑動窗口方式依次將輸入的時間序列數(shù)據(jù)生成特征圖，然后利用LSTM網(wǎng)絡進行訓練，最后預測電力負荷，與其他模型進行對比。

LSTM是RNN（循環(huán)神經(jīng)網(wǎng)絡）的一種改進模型，LSTM網(wǎng)絡單元結(jié)構(gòu)如圖1所示，原始的RNN在訓練過程中，隨著時間的加長以及網(wǎng)絡層數(shù)的增多，很容易出現(xiàn)梯度爆炸或梯度消失的問題，從而無法獲取較早時間長距離數(shù)據(jù)的信息。LSTM單元能夠?qū)W習長期依賴，允許過去的信息稍后重新進入，從而解決梯度消失問題。在LSTM中，每個神經(jīng)元是一個記憶細胞，細胞中有三個門：輸入門，遺忘門，輸出門，輸入門it控制有多少信息可以流入記憶細胞;遺忘門ft控制有多少上一時刻的記憶細胞中的信息可以累積到當前時刻的記憶細胞中，輸出門ot控制有多少當前時刻的記憶細胞中的信息可以流入當前隱藏狀態(tài)ht中。

3 實驗結(jié)果分析

本文建立了基于一維卷積神經(jīng)網(wǎng)絡與長短期記憶網(wǎng)絡的組合預測模型，電力數(shù)據(jù)來自ISO新英格蘭，ISO新英格蘭是聯(lián)邦能源監(jiān)管委員會（FERC）授權(quán)的獨立非營利性公司，包含2004年3月到2014年12月以小時為單位測量的電網(wǎng)總負荷，一共103000項數(shù)據(jù)，以2004年3月至2013年12月數(shù)據(jù)作為訓練數(shù)據(jù)集，以2014年1月到2014年12月數(shù)據(jù)作為測試數(shù)據(jù)集。

本文提出的CNN-LSTM網(wǎng)絡組合模型如圖2所示，主要由兩部分組成：一維CNN與LSTM，一維卷積神經(jīng)網(wǎng)絡分別處理每個輸入序列段，一維卷積神經(jīng)網(wǎng)絡的架構(gòu)與二維卷積神經(jīng)網(wǎng)絡相同，它是Conv1D層和MaxPooling1D層的堆疊，最后是一個全局池化層或Flatten層。在LSTM網(wǎng)絡部分，通過循環(huán)層堆疊，增加網(wǎng)絡容量，進一步提升模型預測能力，增加每層單元數(shù)或增加層數(shù)，本次實驗設置3層LSTM網(wǎng)絡層，各層神經(jīng)元數(shù)量依次為32，64，128，在每層LSTM網(wǎng)絡層間加入隨機失活Dropout，在每次訓練迭代過程中，會隨機地在神經(jīng)網(wǎng)絡中放棄25%的神經(jīng)元，以避免過度擬合。

實驗程序使用Python編寫，基于深度學習鏈接庫Keras，底層依賴Tensorflow框架，訓練過程中將均方誤差MSE作為損失函數(shù)，使用RMSprop優(yōu)化算法更新權(quán)重與偏置。

本文首先進行模型訓練調(diào)優(yōu)，最后使用訓練好的模型進行某一天電力負荷預測，與CNN、LSTM網(wǎng)絡進行對比，實驗結(jié)果使用平均絕對百分比誤差MAPE作為評估指標：

式中：M為預測的負荷值個數(shù);ti為真實負荷值，i為模型預測的負荷值，該MAPE指標描述了模型對負荷預測的相對偏離程度，其值越小，表明模型預測精度越高，不同算法模型平均絕對百分比誤差如表1所示，算法模型預測值與實際值折線圖如圖3所示。

由圖3可以看出，本文所提模型CNN-LSTM預測得到的負荷預測曲線精度最高，與實際曲線變化趨勢基本一致。

4 結(jié)論

本文考慮歷史負荷數(shù)據(jù)、時間信息、溫度對短期電力負荷預測的影響，提出了一種基于一維卷積神經(jīng)網(wǎng)絡與長短期記憶網(wǎng)絡結(jié)合的短期電力負荷預測模型，對電力負荷數(shù)據(jù)進行異常值修正與缺失值填補，對所有的負荷、溫度數(shù)據(jù)進行歸一化處理，對樣本數(shù)據(jù)進行重構(gòu)。其中，為了更精確地反映季節(jié)因素與電力負荷之間的關系，將溫度調(diào)整為與年平均氣溫的絕對誤差之后再進行歸一化處理。所提模型將卷積神經(jīng)網(wǎng)絡的速度和輕量與長短期記憶網(wǎng)絡的順序敏感性結(jié)合起來，實驗結(jié)果表明，CNN-LSTM模型與其他單一模型在負荷預測的精度上有很大提高。

參考文獻：

[1]周莽，高僮，李晨光，等.GRU神經(jīng)網(wǎng)絡短期電力負荷預測研究[J].科技創(chuàng)新與應用，2018，253（33）：58-59+63.

[2]張建寰，吉瑩，陳立東.深度學習在電力負荷預測中的應用[J].自動化儀表，2019，40（8）：8-12+17.

[3]王增平，趙兵，紀維佳，等.基于GRU-NN模型的短期負荷預測方法[J].電力系統(tǒng)自動化，2019，43（5）：53-62.

[4]宋占黨，李湘華，王海賓，等.大數(shù)據(jù)環(huán)境下的電力負荷預測研究[J].電子測量技術，2019，42（12）：51-54.