河北大學國際學院 黃澤壯 張澤宇 范涵笑

基于需求，我國電力系統(tǒng)工業(yè)規(guī)模不斷擴大，但與此同時電力工業(yè)的發(fā)展需要投入大量的社會和自然資源，對于財力物力消耗也較大，因此電力系統(tǒng)預測能夠帶來更高的經濟收益，反之則會產生較大浪費。所以，本文對于電力規(guī)劃進行分析研究，致力于獲得最大效益，其先行條件便是做好電力負荷預測，以保證電力系統(tǒng)的安全穩(wěn)定運行，提高電力系統(tǒng)的運營效益[1]。

1 概念模型建立

如上文所述，電力系統(tǒng)負荷預測具有重要意義，為了做到準確預測需要結合現(xiàn)代預測方法盡可能消除不穩(wěn)定自然因素、社會因素的相關影響。首先，從普遍意義上分析如何進行負荷預測。為進行準確的負荷預測，滿足以下五個原則是必要的，即延續(xù)性原則、類推原則、相關原則、 概率推斷原則以及反饋原則[2]。

神經網絡數(shù)據(jù)預測模式是當下較為先進并且精確的數(shù)據(jù)預測模式。使用神經網絡預測，可以通過對已有的數(shù)據(jù)訓練、對于未來數(shù)據(jù)進行檢驗以及重復訓練的循環(huán)構建模式來形成規(guī)避損失的預測圖線以及數(shù)據(jù)成果。但很明顯，使用傳統(tǒng)的RNN 神經網絡結構模式難以對于不同隱藏層（即不同時期輸入數(shù)據(jù)）進行綜合考慮預測，因此無法取得隨時間規(guī)律性變化的電力系統(tǒng)負荷曲線的有效擬合方案，本文嘗試使用一種更高級的數(shù)據(jù)預測方式——LSTM 神經網絡。

使用這種更為優(yōu)化的神經網絡，可以通過一條聯(lián)系不同時間數(shù)據(jù)的“主線”，通過對相關數(shù)據(jù)的抓取以及合理舍棄得到更加精確的、具有時間累積性的數(shù)據(jù)圖像，同時為盡可能規(guī)避不確定性因素帶來的困擾，還需嘗試依據(jù)類推原則得出一定的規(guī)律性模型，從而對于數(shù)據(jù)的相關性原則以及反饋原則進行闡釋。可以在使用LSTM神經網絡進行預測存在較大誤差的某些點處使用縱向比對，獲取規(guī)律性預測結果，通過比較驗證來確定精度為兩種算法加權取得當前時刻或者當日的負荷數(shù)據(jù)，從而削減突發(fā)因素造成的不穩(wěn)定性影響，獲得較為符合實際的預測曲線。

基于上文構想，筆者嘗試使用兩種算法進行預測。借助一個對比決策模型來對于某節(jié)點如何取用兩種算法計算出的數(shù)據(jù)結果，如何分配權重的問題進行考慮決策。從而在保證一般的預測規(guī)律的同時，實現(xiàn)對于突發(fā)因素的考慮，提升模型的穩(wěn)定性。

2 預測模型的基本原理

2.1 LSTM模型基本概述

長短期記憶網絡是一種具有“二輸入”特點的預測神經網絡，其主要特征是以時間為基本鏈進行循環(huán)，屬于一種RNN神經網絡。與普通RNN神經網絡相比，LSTM神經網絡在一定程度上克服了RNN神經網絡對于時間的長期依賴性。

LSTM是一種特殊的RNN，相較于普通的RNN神經網絡，LSTM 神經網絡通過遺忘運算來盡可能消除數(shù)據(jù)對于神經網絡時間脈絡的長期依賴特性。將以往的每個神經元作為節(jié)點串聯(lián)在主線結構上，使用一條線性結構“記錄”每個神經元的發(fā)生時刻，這樣在需要使用到過去的神經元時，只需要通過主線結構對于過去的內容進行索引即可獲得相關的數(shù)據(jù)，而不需要通過神經元的鏈接進行逐個遞推，進而大大減少神經網絡對于時間數(shù)據(jù)的依賴特性，提升預測精度。

LSTM的關鍵即為上文提到的主線結構。所需要處理的信息往往按著主線結構進行時間順序的相關處理，當使用LSTM神經網絡進行預測時，信息便開始從最初的神經元接收函數(shù)處理并且沿著主線結構向下一級進行傳遞。經過多級傳遞之后，便可以得到較為精確的預測結果。實際上，數(shù)據(jù)在通過主線流通神經元的過程中，每通過一級神經元總要經歷一個選擇結構，這個結構就像一個門一樣，選擇使完全符合條件的數(shù)據(jù)通過該門，而完全不符合條件的數(shù)據(jù)結構被遺忘。門結構主要由sigmoid 神經網絡層以及計算的逐點相乘形成，其中神經網絡層主要輸出的為0到1之間的數(shù)據(jù)，表示對于數(shù)據(jù)的認可程度，0為最低認可度，不予以輸出；為最高認可度，可以將數(shù)據(jù)完全輸出。

在LSTM神經網絡之中主要存在三種門結構，其主要功能特點如下：輸入門。決定當前時刻網絡的輸入數(shù)據(jù)有多少需要保存到單元狀態(tài)。遺忘門。決定上一時刻的單元狀態(tài)有多少需要保留到當前時刻。輸出門?？刂飘斍皢卧獱顟B(tài)有多少需要輸出到當前的輸出值。

2.2 縱向比對模型基本概述

使用LTSM神經網絡對于一定時序下的數(shù)學模型能夠產生較為完美的擬合關系，使用這種數(shù)學模型可以較好地貼合對于電力系統(tǒng)負荷的時序分析。通過對于數(shù)據(jù)的時序記憶產生遞歸分析，從而生成所需要的擬合預測曲線。

但是使用預測方法對于現(xiàn)實社會進行指導的同時，需要考慮到現(xiàn)實社會中產生的不確定因素對于該模型的影響，其中電力系統(tǒng)負荷往往與風力、溫度、天氣等方面的影響存在著較大聯(lián)系。對于其產生的影響，通過數(shù)學模型可以形象地得到。因此，在處理這些數(shù)據(jù)的時候不得不引入新的運算模式。對于這樣的問題本文跳出橫向預測的結果，并且使用縱向比對的方式來 給以更加準確的數(shù)據(jù)模式。

經過前期對于數(shù)據(jù)的分析易知，電力系統(tǒng)的負荷從年度角度來看具有極高的周期性規(guī)律。使用縱向對比的方式可以最大限度減弱使用LSTM預測模型時，訓練集中天氣因素帶來的不確定性，同時對于特殊節(jié)假日帶來的非常規(guī)用電數(shù)據(jù)做出了有效解釋，其具體原理如下：

首先，使用兩年的已知數(shù)據(jù)進行數(shù)據(jù)運算。然后，對于已知兩年的數(shù)據(jù)取其相關特征數(shù)據(jù)，利用AM特征進行分析。假設取日期為自變量，若某日具有特殊性意義或者存在較大溫度變化，對于該時刻的電力系統(tǒng)負荷直接進行負荷預測有可能得到較大的誤差?？梢酝ㄟ^AM特性對于數(shù)據(jù)的極端性進行平衡或者對于具有特殊意義的規(guī)律性日期進行數(shù)據(jù)的合理推移，求得：

同時，還可以計算預測誤差程度：

至此，可以構建一條基于前兩年一般性數(shù)據(jù)的推導模型并且擬合出新的預測曲線。

2.3 動態(tài)綜合模型的基本概述

目前，本文通過綜合分析得到了兩種不同側重角度下的模型——LSTM長短期預測模型以及基于規(guī)律性因素所得到的縱向比對模型。使用這兩種模型，可以較為全面地考慮到負荷預測的五項原則——使用LSTM模型，利用天氣因素作為訓練集要素，考慮時間序列下的電力負荷歷史數(shù)據(jù)從而產生預測圖線；同時使用縱向比對模型，考慮到特別節(jié)假日、極端天氣等問題產生的突發(fā)性要素，模糊突發(fā)性因素的影響，從而獲得規(guī)律化曲線。本文在關鍵節(jié)點可以加入一個動態(tài)擬合兩種模型的新模型——動態(tài)綜合模型，從而將兩種算法相結合，優(yōu)化原有模型并且生成一個具有高精度、高穩(wěn)定性的優(yōu)秀模型。

本文嘗試構建的動態(tài)綜合模型將具有兩種不同特征的算法納入考慮范圍之內，在已有研究的基礎之上嘗試探尋一種風險性更低、精度更高、穩(wěn)定度更好的動態(tài)綜合模型，嘗試考慮兩種算法在某一時間點給出的數(shù)據(jù)的可靠度，并且以此為依據(jù)為兩種算法得到的數(shù)據(jù)集分配權重，從而獲得一條更加成熟的擬合曲線用以解決實際問題。

本文在實現(xiàn)綜合動態(tài)預測的時候使用以下步驟進行預測：①首先使用前兩年的數(shù)據(jù)，應用預測值與實際值差值單一評價各個模型從而得到每一個模型預測結果的優(yōu)劣程度，進而獲取其分權。②構造權重概率分布函數(shù)，從而依據(jù)函數(shù)期望獲取優(yōu)越方法集合。③應用綜合預測算法，優(yōu)化步驟②中的組合函數(shù)，獲得預測結果。通過該模型，可以最終獲得一條精度更高的預測數(shù)據(jù)擬合曲線。

3 實際問題求解

3.1 LSTM模型應用

首先建立基于LSTM的模型：

其中，ft表示遺忘門，遺忘門的意義在于它可以選擇ct-1中的哪些特征能夠被用于計算ct。其中，ft是一個向量，ft的每一個值均位于[0,1]區(qū)間內。選擇sigmoid函數(shù)作為激活函數(shù)， sigmoid函數(shù)的輸出是一個介于[0,1]區(qū)間內的值。其中是LSTM最重要的門機制，表示ft和ct-1之間的單位乘的關系。

具體函數(shù)表達式如下所示：

it用于控制的哪些特征用于更新ct，使用方式和ft相同。

然后，為了計算預測值和生成下個時間片完整地輸入，應計算隱節(jié)點的輸出ht。ht由輸出門ot和單元狀態(tài)ct得到，其中ot的計算方式和ft以及it相同。

在迭代過程中ct與ht相互更新形成了LSTM神經網絡。

最后，使用基于python開發(fā)的動態(tài)綜合算法進行數(shù)據(jù)修正。在LSTM時間序列得到的預測數(shù)據(jù)完全是深度學習的結果，沒有對節(jié)假日、天氣等因素進行考慮，基于python開發(fā)的動態(tài)綜合算法可對其進行修正。

3.2 求解結果分析

本文選取使用某地三年的電力系統(tǒng)負荷數(shù)據(jù)，以及氣候因素作為數(shù)據(jù)集進行模型求解以及模擬。

首先選取兩個月的數(shù)據(jù)輸入神經網絡，劃分訓練集與測試集并進行分析。之后將這兩個月中90%的數(shù)據(jù)均用于訓練對未來進行預測，10%的數(shù)據(jù)用于驗證。為了獲得較好的擬合并防止訓練發(fā)散，將訓練數(shù)據(jù)標準化使其具有零均值和單位方差。在預測時，使用與訓練數(shù)據(jù)相同的參數(shù)來標準化測試數(shù)據(jù)。

其次定義LSTM網絡架構，創(chuàng)建LSTM回歸網絡。指定LSTM層有200個隱含單元。先確定訓練選項參數(shù)：將求解器設置為adam并進行800輪訓練。為了防止梯度爆炸，將梯度閾值設置為1。指定初始學習率0.005，在800輪訓練后通過乘以因子0.2來降低學習率。

最后訓練神經網絡。預測時，使用predict And Update State函數(shù)一次預測一個時間步，并在每次預測時更新網絡狀態(tài)。每次預測，使用前一次預測作為函數(shù)的輸入，并使用與訓練數(shù)據(jù)相同的參數(shù)來標準化測試數(shù)據(jù)。在進行標準化、算均方根誤差、訓練、繪圖后，得到結果，并且將預測數(shù)據(jù)與觀測值數(shù)據(jù)集進行對比，對于預測結果進行檢驗如圖1所示。

圖1

可見預測結果較為良好，同時使用基于python開發(fā)的動態(tài)綜合算法對數(shù)據(jù)進行校準后預測結果可以得到進一步改善。

在電力系統(tǒng)負荷預測的過程中，特殊節(jié)假日以及某些溫度節(jié)點處的預測結果常常存在較大誤差，這是由于在進行預測的過程中，突發(fā)性因素的影響不可避免，預測精度難以保證。因此，本文嘗試使用多方案的動態(tài)綜合模型給出解決方法，綜合比對直接預測結果以及縱向預測結果對于擬合曲線進行改善校準。最后，使用該動態(tài)綜合模型，對于示例數(shù)據(jù)求出了較為可靠的預測數(shù)據(jù)結果。