基于多模型长短时记忆神经网络的电力负荷预测方法研究

2018-10-24杨金喜孔伯骏吴佳佳

机电信息 2018年30期

杨金喜高洁孔伯骏吴佳佳薛晨

（国网江苏省电力公司扬州供电公司，江苏扬州225002）

0 引言

近年来，随着深度学习理论研究的深入发展，将深度学习理论应用于电力系统的用电需求预测成为一项很有意义的工作。深度神经网络是由多个单层非线性网络叠加而成的，与单层神经网络不同。理论证明，两层神经网络可以无限逼近任意连续函数；也就是说，面对复杂的非线性分类任务，两层（带一个隐藏层）神经网络可以分类地很好[1-4]。

综合国内外在短期负荷预测方面的最新研究进展[5-6]，本文提出了一种基于多模型长短时记忆神经网络（LSTM）的电力负荷预测方法，该方法的优势在于能够将神经网络与聚类、分类的思想相结合，适用于短期负荷预测问题。由于在回归分析中，输入与输出之间的线性相关性越强，对输出的结果影响越大；进行预测的输入，与当日负荷属于同一类负荷，因此，同一类之间特征较为明显，预期具有较好的预测效果；同时略去了一些极端条件的预测。通过算例仿真，发现该方法相比于典型方法，能够精确预测出对应日期的用电负荷，提升预测效果，同时缩短网络训练时间，提升程序运行速度。

1 系统结构

进行预测的模型如图1所示。本文按如下方法确定预测所需的数据：输入矩阵X为有功负荷值曲线L（每1 h采样一次）、预测日当日气温预测值T以及预测日星期序号C（1～7）合并而成，即X=[L，T，C]。由于神经网络的输出对输入数据十分敏感，因此，对于输入负荷数据及气温需要进行归一化处理，转化成（0，1）范围内的数据，对于日期类型，采用one hot编码方法处理。

图1 基于多模型长短时记忆神经网络的台区短期负荷预测方法流程图

对历史电力负荷数据进行密度聚类（DBSCAN），DBSCAN优势在于，无需设置区分的类数，同时可以排除离所有中心过远的离群值。根据聚类结果以及历史日期星期序号、历史温度训练高斯分类器。

分类完训练输入之后，分别对网络进行训练，网络具体结构以及参数设计将在下一小节中详细阐述。

网络训练完成，设置预测日期，输入其特征因素至训练好的分类器，判断其日负荷曲线更有可能属于哪一类，选择该类对应的神经网络模型做出预测。网络的输出为预测负荷曲线Y。

值得注意的是，DBSCAN聚类算法会产生离群类，且离群类越多则说明该台区或线路负荷随机波动性越强，越难以预测。对此，本文采取的策略是：不进行离群类曲线的预测；对于一些曲线低于一定阈值的正常类，也采用相同的处理方法。

2 LSTM台区负荷预测算法

如图2所示，网络由两层LSTM网络与单层感知器网络组成，考虑到网络层数过多可能会导致网络过拟合以及训练时间急剧增加，一些网络参数设计如下：优化方法使用Adam（自适应矩估计迭代次数设置为200），对于预测的输出Y，选择参考前10天的输入数据X，LSTM层隐藏元均设置为50。

图2 深度网络具体结构

3 仿真分析

为了评估所提预测方法的性能，选取扬州市200002451709号台区2016年第三季度的数据进行预测。扬州市台区发用电数据为每日间隔15 min采样一次，每日共96点的日负荷曲线；气象数据及日期类型可从互联网取得。同时，采用其他方法作为对照：不进行聚类的深度LSTM网络算法（Deep LSTM）、普通单层LSTM及感知器网络（FNN），并统计各方法平均绝对误差（MAPE）以及训练网络所花的时间。

根据图3及表1可知，本文所提根据聚类结果对输入分别训练的LSTM网络方法，平均误差显著低于其余方法。

根据表1，由于FNN网络较为简单，因此，其迭代时间显著低于其余方法。深层LSTM网络（有聚类）的方法相比于无聚类的方法，由于聚类过程减少了输入量，因此训练速度快于原有方法。