王政國　關(guān)杰文　莊曉寧

關(guān)鍵詞：PSO；LSTM；電力負(fù)荷；電力

中圖分類號(hào)：TM715；TP183 文獻(xiàn)標(biāo)識(shí)碼：A

0 引言

當(dāng)今工業(yè)化發(fā)展趨勢(shì)愈發(fā)強(qiáng)勁，用電負(fù)荷隨之增加，電力負(fù)荷預(yù)測(cè)在能源管理和電力系統(tǒng)運(yùn)行中扮演著至關(guān)重要的角色。準(zhǔn)確的負(fù)荷預(yù)測(cè)可以幫助電力系統(tǒng)規(guī)劃者合理安排發(fā)電計(jì)劃、分配能源配置，從而保障實(shí)際電力系統(tǒng)的穩(wěn)定運(yùn)行，確保供電質(zhì)量。然而，由于電力負(fù)荷受到季節(jié)性變化、天氣條件、節(jié)假日等因素影響，傳統(tǒng)的預(yù)測(cè)方法難以滿足實(shí)際需求，因此需要借助先進(jìn)的計(jì)算方法和技術(shù)來提高預(yù)測(cè)精度[1]。

近年來，人工智能和機(jī)器學(xué)習(xí)技術(shù)的迅速發(fā)展為電力負(fù)荷預(yù)測(cè)提供了新的解決方案。其中，神經(jīng)網(wǎng)絡(luò)被應(yīng)用于各個(gè)行業(yè)，主要原因是其能夠自動(dòng)學(xué)習(xí)數(shù)據(jù)之間的復(fù)雜關(guān)系。長短期記憶（long shorttermmemory，LSTM）神經(jīng)網(wǎng)絡(luò)作為一種具有記憶能力的網(wǎng)絡(luò)結(jié)構(gòu)，在建模和預(yù)測(cè)時(shí)間序列數(shù)據(jù)方面得到了廣泛的應(yīng)用，包括股票價(jià)格預(yù)測(cè)、天氣預(yù)報(bào)等領(lǐng)域，并取得了顯著的成果[2]。然而，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型存在訓(xùn)練收斂速度慢、易陷入局部最優(yōu)解等問題，從而影響其在電力負(fù)荷預(yù)測(cè)中的應(yīng)用效果。為了克服這些問題，本文將粒子群優(yōu)化（particle swarm optimization，PSO） 算法引入LSTM 神經(jīng)網(wǎng)絡(luò)模型（簡(jiǎn)稱“LSTM 模型”）中，以提高其預(yù)測(cè)精度和訓(xùn)練效率。粒子群算法具有自適應(yīng)性、易于并行計(jì)算等特點(diǎn)，將粒子群算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合，能夠通過優(yōu)化參數(shù)配置方式，提升模型的性能。

因此，本文通過實(shí)證分析驗(yàn)證基于PSO 算法的LSTM 模型在實(shí)際應(yīng)用中的有效性和可行性。這一研究將為電力系統(tǒng)運(yùn)行管理和能源規(guī)劃提供重要的決策支持，且具有重要理論意義和實(shí)際應(yīng)用價(jià)值。

1 電力負(fù)荷數(shù)據(jù)特征

電力負(fù)荷數(shù)據(jù)的日周期規(guī)律與人們一天中的生活和工作節(jié)奏密切相關(guān)。從午夜開始到上午11 點(diǎn)，人們逐漸開始工作和生活，家庭、商業(yè)和工業(yè)用電需求也隨之上升。上午11 點(diǎn)，電力負(fù)荷達(dá)到一天中的峰值。午夜開始到上午11 點(diǎn)是工作和生產(chǎn)活動(dòng)的高峰期，包括辦公室用電、生產(chǎn)設(shè)備運(yùn)行以及商業(yè)活動(dòng)等。中午12 點(diǎn)，電力負(fù)荷略微下降，商業(yè)和工業(yè)活動(dòng)減緩，用電量相對(duì)減少，導(dǎo)致電力負(fù)荷短時(shí)降低。12 — 13 點(diǎn)，電力負(fù)荷短暫增加，這可能是由于人們重新投入工作和生活，電力需求再次上升。從13 點(diǎn)開始，電力負(fù)荷逐漸下降，下午工作和生產(chǎn)活動(dòng)相對(duì)平穩(wěn)，用電需求相對(duì)減少，導(dǎo)致電力負(fù)荷逐漸下降。午夜0 點(diǎn)，電力負(fù)荷數(shù)據(jù)達(dá)到一天中的最低值，這是因?yàn)橐归g人們的活動(dòng)逐漸減少，許多設(shè)備和設(shè)施處于休眠狀態(tài)，用電需求相對(duì)降低。

在工作日，特別是周一至周五，電力負(fù)荷可能出現(xiàn)較高的峰值，尤其是在上午和下午的工作高峰期。而在周末，特別是周六和周日，由于商業(yè)和工業(yè)活動(dòng)相對(duì)減少，電力負(fù)荷可能呈現(xiàn)出相對(duì)平穩(wěn)的趨勢(shì)。在不同的季節(jié)中，電力負(fù)荷也有差異，在冬季和夏季，由于取暖和制冷需求的不同，可能導(dǎo)致電力負(fù)荷的一周周期規(guī)律有所改變。

2 相關(guān)技術(shù)介紹

2.1 LSTM 神經(jīng)網(wǎng)絡(luò)

LSTM 神經(jīng)網(wǎng)絡(luò)專門用于處理和預(yù)測(cè)時(shí)序類型的數(shù)據(jù)。與傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)相比，LSTM 神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)大的記憶能力，能夠有效處理長序列數(shù)據(jù)，并且能夠提取序列中的依賴關(guān)系[3]。LSTM神經(jīng)網(wǎng)絡(luò)的關(guān)鍵是其內(nèi)部的記憶單元，記憶單元由一系列稱為門的結(jié)構(gòu)組成。這些門控制著信息流動(dòng)，自主控制記憶上文信息，并根據(jù)當(dāng)前輸入產(chǎn)生相應(yīng)的輸出。

LSTM 神經(jīng)網(wǎng)絡(luò)主要由3 種門組成，包括輸入門、遺忘門和輸出門。其中，輸入門控制著新輸入信息的加入程度。門控機(jī)制的輸入經(jīng)過Sigmoid 函數(shù)的處理，該門指定信息注入記憶單元。遺忘門負(fù)責(zé)決定哪些信息應(yīng)該從記憶單元中刪除，類似于輸入門，其使用Sigmoid 函數(shù)來確定保留和刪除信息的程度。輸出門決定從記憶單元中讀取多少信息來產(chǎn)生當(dāng)前的輸出，使用Sigmoid 函數(shù)來確定讀取信息的程度，并使用Tanh 函數(shù)對(duì)記憶單元的內(nèi)容進(jìn)行加權(quán)?；? 種門的聯(lián)合作用，LSTM 神經(jīng)網(wǎng)絡(luò)可以處理長期時(shí)序特征的數(shù)據(jù)，從而更好地適應(yīng)各種序列數(shù)據(jù)的特征，包括但不限于自然語言、音頻、視頻和時(shí)間序列數(shù)據(jù)等。LSTM 神經(jīng)網(wǎng)絡(luò)在自然語言處理、語音識(shí)別、時(shí)間序列預(yù)測(cè)等領(lǐng)域都取得了顯著成就，成為重要的序列建模工具之一。

2.2 粒子群算法

粒子群算法的核心思想是模擬動(dòng)物群體活動(dòng)方式，如鳥群或魚群等生物群體在尋找食物或遷徙時(shí)的行為[4-5]。該算法通過模擬個(gè)體在搜索空間中的飛行過程，以及個(gè)體之間的信息共享和協(xié)作，從而實(shí)現(xiàn)在復(fù)雜的搜索空間中進(jìn)行全局優(yōu)化。粒子群算法流程如圖1 所示。

粒子群算法的基本思想是通過不斷更新粒子的位置和速度來搜索最優(yōu)解。在搜索過程中，每個(gè)粒子代表潛在的解，其位置表示搜索空間中的一個(gè)點(diǎn)，而速度則代表了在搜索空間中移動(dòng)的方向和速率。粒子的運(yùn)動(dòng)受到個(gè)體最優(yōu)（局部最優(yōu)）和群體最優(yōu)（全局最優(yōu)）兩個(gè)方面的影響。粒子群算法的核心更新過程如下。

步驟1：生成種群參數(shù)，并初始化粒子群的位置和速度。

步驟2：根據(jù)問題的適應(yīng)度函數(shù)，計(jì)算每個(gè)粒子的適應(yīng)度值。

步驟3：根據(jù)粒子自身歷史最優(yōu)解和當(dāng)前位置的適應(yīng)度值，更新每個(gè)粒子的個(gè)體最優(yōu)解。

步驟4：根據(jù)所有粒子中歷史最優(yōu)解和當(dāng)前位置的適應(yīng)度值，更新全局最優(yōu)解。

步驟5：基于個(gè)體粒子最優(yōu)解和所有粒子最優(yōu)解，結(jié)合權(quán)重、加速度等參數(shù)，更新粒子的位置和速度。

步驟6：重復(fù)步驟3 ～步驟5，直到滿足停止條件（如達(dá)到最大迭代次數(shù)或目標(biāo)適應(yīng)度值）為止。

粒子群算法具有簡(jiǎn)單、易于實(shí)現(xiàn)和快速收斂等優(yōu)點(diǎn)，在求解連續(xù)型、離散型甚至多目標(biāo)優(yōu)化問題時(shí)均表現(xiàn)出良好性能，被廣泛應(yīng)用于各種領(lǐng)域，包括機(jī)器學(xué)習(xí)、優(yōu)化問題、神經(jīng)網(wǎng)絡(luò)訓(xùn)練等。

3 基于粒子群算法的LSTM神經(jīng)網(wǎng)絡(luò)電力負(fù)荷預(yù)測(cè)

LSTM 模型在電力負(fù)荷預(yù)測(cè)中展現(xiàn)了顯著優(yōu)勢(shì)，其訓(xùn)練過程的關(guān)鍵是參數(shù)的選擇。如果僅憑經(jīng)驗(yàn)選擇參數(shù)，不僅增加訓(xùn)練的復(fù)雜性，而且可能導(dǎo)致模型性能下降。粒子群算法能夠通過模擬群體智能中的信息共享和協(xié)作過程，自動(dòng)搜索參數(shù)空間中的最優(yōu)解。在訓(xùn)練LSTM 模型時(shí)，粒子群算法可以幫助模型更有效地調(diào)整參數(shù)，以適應(yīng)復(fù)雜的電力負(fù)荷數(shù)據(jù)特征。通過這種方式，可減少模型訓(xùn)練過程中人為操作量，且調(diào)整后的模型在預(yù)測(cè)數(shù)據(jù)方面表現(xiàn)較好。

本文通過將粒子群算法與LSTM 模型相結(jié)合，充分發(fā)揮兩者的優(yōu)勢(shì)，提高電力負(fù)荷預(yù)測(cè)的準(zhǔn)確性和可靠性，為電力系統(tǒng)的健康穩(wěn)定運(yùn)行與運(yùn)維調(diào)度提供更科學(xué)、合理的支撐。如圖2 所示，首先將電力負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理，并將處理之后的數(shù)據(jù)拆分為訓(xùn)練集和測(cè)試集，然后使用訓(xùn)練集訓(xùn)練LSTM 算法，訓(xùn)練過程中使用粒子群進(jìn)行優(yōu)化，得到訓(xùn)練模型（PSO-LSTM 模型），最后將測(cè)試集放入模型中進(jìn)行預(yù)測(cè)，得到最終預(yù)測(cè)結(jié)果。

4 實(shí)驗(yàn)結(jié)果與分析

本文選取了4 天的電力負(fù)荷數(shù)據(jù)， 并使用PSO-LSTM 模型進(jìn)行預(yù)測(cè)。如圖3 所示，該模型在調(diào)整參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)方面具有優(yōu)越性，能夠精準(zhǔn)推演電力負(fù)荷數(shù)據(jù)變化趨勢(shì)。這不僅驗(yàn)證了PSOLSTM模型在全局搜索和局部?jī)?yōu)化之間的平衡性，也強(qiáng)調(diào)了該模型對(duì)電力負(fù)荷時(shí)空動(dòng)態(tài)特性的良好適應(yīng)性。此外，該模型在處理長短周期數(shù)據(jù)時(shí)展現(xiàn)出較好的記憶和學(xué)習(xí)能力，也因此能夠更好地捕捉數(shù)據(jù)中的周期性變化和趨勢(shì)，為復(fù)雜場(chǎng)景電力負(fù)荷預(yù)測(cè)提供了有力支持。實(shí)驗(yàn)結(jié)果的穩(wěn)健性和準(zhǔn)確性進(jìn)一步證明了PSO-LSTM 模型在電力負(fù)荷預(yù)測(cè)領(lǐng)域的潛在價(jià)值。

5 結(jié)語與展望

在電力系統(tǒng)日益復(fù)雜和電力負(fù)荷需求持續(xù)增長的背景下，精準(zhǔn)的電力負(fù)荷預(yù)測(cè)成為確保電力系統(tǒng)穩(wěn)定運(yùn)行和合理調(diào)度的關(guān)鍵因素。本文通過將粒子群算法與LSTM 模型相結(jié)合，針對(duì)電力負(fù)荷預(yù)測(cè)問題進(jìn)行了深入探討，驗(yàn)證了粒子群算法在LSTM 模型參數(shù)優(yōu)化中的有效性，并在真實(shí)的電力負(fù)荷數(shù)據(jù)集上進(jìn)行了實(shí)證研究。實(shí)驗(yàn)結(jié)果表明，本文的PSOLSTM模型在電力負(fù)荷預(yù)測(cè)任務(wù)中取得了顯著的改善。與基于經(jīng)驗(yàn)參數(shù)選擇的傳統(tǒng)LSTM 模型相比，本文所提出的方法在預(yù)測(cè)準(zhǔn)確性和穩(wěn)定性上均取得了明顯的提升。未來可以探索更復(fù)雜的模型結(jié)構(gòu)或引入其他優(yōu)化算法來進(jìn)一步提高電力負(fù)荷預(yù)測(cè)模型的性能。