陳雪薇張繼東 田園 王振宇 徐正安

摘要：電力負荷預(yù)測是智能電網(wǎng)建設(shè)的基礎(chǔ)，對我國未來碳計量工作具有重要作用?；谥悄芩惴ǖ碾娏ω摵深A(yù)測需要大量的歷史數(shù)據(jù)作為模型訓(xùn)練樣本，而新建城區(qū)或電力計量基礎(chǔ)較為落后地區(qū)，難以收集大量準確的歷史數(shù)據(jù)用于訓(xùn)練模型，導(dǎo)致難以準確進行電力負荷預(yù)測?，F(xiàn)通過深度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建電力負荷預(yù)測模型，并基于遷移學(xué)習(xí)算法構(gòu)建既有建筑電力數(shù)據(jù)和新建建筑電力負荷間的聯(lián)系，通過既有建筑負荷歷史數(shù)據(jù)訓(xùn)練所得模型來預(yù)測新建建筑電力負荷，以南京市某辦公建筑為例驗證所構(gòu)建的負荷預(yù)測模型，預(yù)測誤差可保持在7.8%以內(nèi)，所提出的電力負荷預(yù)測方法可為實際電力負荷預(yù)測計量提供參考。

關(guān)鍵詞：電力負荷預(yù)測;深度學(xué)習(xí);遷移學(xué)習(xí);建筑能耗

0 引言

電力負荷預(yù)測是智能電網(wǎng)的基礎(chǔ)性功能，對未來智慧城市發(fā)展具有重要作用，對城市穩(wěn)定高效運轉(zhuǎn)具有重要意義，直接影響城市未來發(fā)展和人民生活水平的提升[1]。同時，電力負荷預(yù)測有助于碳計量工作的開展，是實現(xiàn)我國2060碳中和大計的重要環(huán)節(jié)[2]。然而，基于現(xiàn)代智能算法的電力負荷預(yù)測需要大量的歷史數(shù)據(jù)作為模型訓(xùn)練的基礎(chǔ)，而對于新建城區(qū)或電力計量基礎(chǔ)較為落后地區(qū)，難以收集大量準確的歷史數(shù)據(jù)用于訓(xùn)練模型，導(dǎo)致難以準確進行電力負荷預(yù)測。

本文針對這一難點，研究基于遷移學(xué)習(xí)的電力負荷預(yù)測模型，以兩個大型辦公建筑為例，首先基于已有大量歷史數(shù)據(jù)的既有建筑負荷，使用深度學(xué)習(xí)算法構(gòu)建電力負荷預(yù)測模型，再利用新建辦公樓的有限數(shù)據(jù)結(jié)合遷移學(xué)習(xí)算法，通過遷移學(xué)習(xí)算法挖掘電力負荷和影響因素間的特征關(guān)系，構(gòu)建新型建筑的電力負荷模型。

本文算法可以在歷史數(shù)據(jù)不足的情況下構(gòu)建智能預(yù)測模型，為新建城區(qū)或電能計量基礎(chǔ)較為落后地區(qū)準確預(yù)測電力負荷提供參考。

1 電力負荷預(yù)測概述

電力負荷可以認為是隨機的時序數(shù)據(jù)，也可以當(dāng)作受其他特征影響的函數(shù)，前者可處理為時序預(yù)測問題，而后者可認為是回歸分析問題。因此，常用的時序預(yù)測與回歸模型都可以用于電力負荷預(yù)測[3]，例如以自回歸移動平均模型與多變量時間序列受控自回歸為代表的時間序列模型，以支持向量機與神經(jīng)網(wǎng)絡(luò)為代表的機器學(xué)習(xí)回歸分析方法，以及近年來廣泛流行的基于深度神經(jīng)網(wǎng)絡(luò)的預(yù)測模型。盡管將用電量視作僅具有純粹的時序依賴來處理，即通過歷史用電數(shù)據(jù)來預(yù)測未來用電量可取得較為準確的結(jié)果，但建立決定用電量的外部因素和用電量數(shù)據(jù)的回歸分析模型可為后續(xù)電力政策調(diào)整提供更多決策依據(jù)。

實際電力負荷預(yù)測時，對于新建城區(qū)或電力計量基礎(chǔ)設(shè)施較差地區(qū)，準確的歷史負荷數(shù)據(jù)難以獲取，傳統(tǒng)的基于數(shù)據(jù)驅(qū)動智能模型難以建立。針對這一難題，采用遷移算法可有效對新建建筑用電量進行預(yù)測。

Mocanu等人[4]使用遷移學(xué)習(xí)算法構(gòu)建了智能電網(wǎng)的無監(jiān)督能量預(yù)測模型，所提出模型可實現(xiàn)91.42%的準確預(yù)測。

Ribeiro等人[5]考慮了建筑負荷的季節(jié)性特性并結(jié)合遷移學(xué)習(xí)算法在不同建筑間構(gòu)建負荷預(yù)測模型，所提出模型可提升11.2%的預(yù)測精度。

后續(xù)科研人員不斷改進算法[6-10]，利用遷移學(xué)習(xí)算法實現(xiàn)不同的負荷預(yù)測。

2 基于遷移學(xué)習(xí)的電力負荷預(yù)測方法

深度學(xué)習(xí)是學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，學(xué)習(xí)過程中獲得的信息可對數(shù)據(jù)進行有效解釋。深度學(xué)習(xí)由人工神經(jīng)網(wǎng)絡(luò)組成，這些網(wǎng)絡(luò)以人腦中存在的類似網(wǎng)絡(luò)為模型。當(dāng)數(shù)據(jù)通過這個人工網(wǎng)絡(luò)時，每個層處理數(shù)據(jù)的一個方面，過濾異常值，找到合適的實體，并產(chǎn)生最終輸出。深度學(xué)習(xí)模型如圖1所示，一般包括輸入層網(wǎng)絡(luò)、隱含層網(wǎng)絡(luò)和輸出層網(wǎng)絡(luò)，經(jīng)過大量數(shù)據(jù)訓(xùn)練的深度學(xué)習(xí)模型可達到理想的預(yù)測精度。

但實際工程中，訓(xùn)練數(shù)據(jù)經(jīng)常不足，也可能無法收集歷史負荷數(shù)據(jù)，有些應(yīng)用中數(shù)據(jù)分布隨著時間推移會有變化，如何充分利用之前建立的深度學(xué)習(xí)模型，同時又保證在新的任務(wù)上的模型精度，基于這樣的問題，開展了對于遷移學(xué)習(xí)的研究，如圖2所示。圖2（a）描述的是傳統(tǒng)機器學(xué)習(xí)，包括深度學(xué)習(xí)過程;圖2（b）為遷移學(xué)習(xí)過程，遷移學(xué)習(xí)不僅利用目標(biāo)任務(wù)中的數(shù)據(jù)作為學(xué)習(xí)算法的輸入，還利用源域中的所有學(xué)習(xí)過程（訓(xùn)練數(shù)據(jù)和所建立模型）作為輸入，即通過從源域獲得的知識來解決目標(biāo)任務(wù)中缺少訓(xùn)練數(shù)據(jù)的難題。

基于深度學(xué)習(xí)模型和遷移學(xué)習(xí)，本文所構(gòu)建的數(shù)據(jù)驅(qū)動模型首先根據(jù)既有建筑電力負荷和相關(guān)影響因素（包括內(nèi)部因素：人員特征、建筑運行管理機制、室內(nèi)溫度控制等;外部因素：氣象參數(shù)等）建立基于深度學(xué)習(xí)的負荷預(yù)測模型，在此基礎(chǔ)上，固定預(yù)訓(xùn)練模型中的部分網(wǎng)絡(luò)參數(shù)，結(jié)合既有建筑的負荷預(yù)測模型與新建建筑的有限歷史用電數(shù)據(jù)對預(yù)訓(xùn)練模型進行微調(diào)，以對其未來用電量進行準確地遷移預(yù)測，如圖3所示。

此模型可在不收集大量歷史負荷數(shù)據(jù)的基礎(chǔ)上實現(xiàn)對用電量的準確預(yù)測，為實際負荷預(yù)測任務(wù)提供便利，因此將其作為主要研究模型M1。為對比本文使用的方法，設(shè)置對比模型M2和M3，M2為基于既有建筑負荷數(shù)據(jù)的深度學(xué)習(xí)模型，M3為基于一年新建建筑歷史數(shù)據(jù)的深度學(xué)習(xí)模型。

3 結(jié)果與分析

3.1? ? 數(shù)據(jù)源介紹

本文使用的數(shù)據(jù)集為2016—2020年南京市辦公建筑用電量數(shù)據(jù)與氣象數(shù)據(jù)的關(guān)系，數(shù)據(jù)逐時記錄，分析建筑對象分為兩類：B1為既有辦公建筑——1995年建成使用，B2為新建建筑——2019年正式使用。氣象數(shù)據(jù)涉及溫度、相對濕度、降水、風(fēng)速等天氣特征，其中相對濕度、溫度均為連續(xù)數(shù)值型數(shù)據(jù)，風(fēng)速用風(fēng)力等級表示，云量使用離散型數(shù)據(jù)。用電量數(shù)據(jù)為計量電能表實時記錄（單位：MW）。圖4展示了南京市全年氣象參數(shù)變化趨勢。

3.2? ? 誤差分析及計算配置

由于用電量是連續(xù)數(shù)值型數(shù)據(jù)，因此使用回歸模型中常用的評估方法對模型效果進行評價?？紤]到用電量的實際意義，相對誤差比絕對誤差更值得關(guān)注，因此使用平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE）指標(biāo)度量預(yù)測模型的效果。其計算方式為：