基于改进LSTM的滚动预测模型的能源供给研究

宋 强

(贵州电网有限责任公司 计量中心，贵州 贵阳 550000)

能源供给作为构成能源市场活动的一个重要方面，充足的能源供给是经济和社会发展的必要保障。同时，随着供给侧结构性改革的不断深入、可持续发展的要求及对环保的重视程度，低碳经济模式逐渐成为发展重点[1-2]。伴随着一大批水电站的兴建，风电、太阳能等的快速发展，能源来源持续多样化，清洁能源逐步取代化石燃料成为主要能源，是能源供给发展的必然趋势。因此，如何合理预测与判断能源供给情况，结合地区资源特色保障能源供应，同时优化能源结构促进可持续发展，为竞争性业务开展提供数据支撑，值得深入探讨和研究。近年来，学者对能源供给预测展开了大量研究，研究方法主要有趋势外推法、时间序列分析法、神经网络法、灰色系统预测法等。文献[3]利用提出了一种基于动态三次指数平滑的时间序列预测模型，对火电厂发电量进行预测，具有动态的平滑系数和动态参数，论证了比传统的加权移动平均法的预测更精准，更好地服务于火电厂发电的运行控制。文献[4]采用基于BP神经网络的双预测模型结构来预测光伏发电量，有效地解决天气变量预测值不准确造成的预测误差大且存在波动的问题，具有一定的实用性。文献[5]运用灰色模型对光伏发电量进行总体趋势预测后，引入了加权马尔可夫链预测理论，同时考虑了模型对指数增长序列的适应性以及发电量数据随机波动的特点，提高了对波动性较大的发电量数据预测的精度。文献[6]针对水电站的水流量和发电量，通过基于极限学习机和长短期记忆网络模型的区间预测方式进行预测，比点预测有更大的误差包容性，对于水电站的稳定运营有着广泛的应用前景和指导意义。

总体上看，当前多为对单一类型能源发电量进行预测，且仅从时间维度进行建模，未考虑影响能源发电量的主要因素，对历史数据依赖性较强，随着时间范围的增大，误差将不断扩大，精准率不高。因此，本文以南网某电力公司为例，对不同类型能源供给进行研究，利用灰色关联度分析法剔除关联度较低的变量，将能源发电量作为输出，提出一种基于改进LSTM的滚动预测方法，对模型进行训练，对新数据持续学习，动态调整模型参数，滚动更新数据变化最新规律，具有更高的准确率。

1 灰色关联度分析法

能源发电量通常受气候等环境外界影响较大，两者之间具有较强的关联度，因此需要对各能源类型受气候的影响因素进行分析。灰色关联度分析法(Grey Relation Analysis，GRA)是一种多因素统计分析的方法，通过确定参考数据列和若干个比较数列的相关系数及相关度，进而判断其联系是否紧密及两因素变化的态势是否一致[7-9]。灰色关联度分析法计算的具体步骤如下。

(1)确定分析序列。用矩阵表示反映系统行为特征的参考序列和影响系统行为的比较序列，即：

(1)

式中，n为变量类型个数；mR+。

矩阵前4列为某地区主要能源类型：火电、水电、风电、太阳能序列，比较序列由各气候类型温度、风速、降雨量等影响因素构成。

(2)指标正向化。将逆向指标通过倒数法转化为正向指标，使指标同趋势化，转化后的矩阵仍记为X。

(3)无量纲化处理。对步骤(2)中得到的矩阵进一步进行数据的无量纲化处理。

(2)

矩阵转换为矩阵：

(3)

(4)计算参考数列与比较数列灰色关联系数。关联系数本质为曲线间几何形状的差别程度，曲线间差值的大小，可作为关联程度的衡量尺度。参考数列与比较数列灰色关联系数的计算如下：

(4)

式中，ρ为分辨系数，一般在0～1之间，ρ越小，分辨力越大，通常取0.5；Δ(min)为两级最小差；Δ(max)为两级最大差；Δi(k)为各比较数列曲线上的每一个点与参考数列曲线上的每一个点的绝对差值。

(5)计算关联度。因为关联系数是各个时刻的关联程度值，数值为动态且不固定，而信息过于分散不便于进行整体性比较，因此将各个时刻的关联系数汇聚求平均值，作为比较数列与参考数列间的关联程度。关联度公式如下：

(5)

式中，ri[0，1]，其值越接近1，说明相关性越好，即该影响因素与发电量的关联程度越大。

2 基于改进LSTM的滚动预测模型

2.1 LSTM模型原理

长短期记忆网络(LSTM，Long Short-Term Memory)[10-12]是一种时间循环神经网络，属于深度学习神经网络，区别于一般的RNN(循环神经网络)，不只由一个简单的结构链式构成，解决了长期依赖问题。

LSTM的网络结构由多个门Gate——Input gate(输入门)、Forget gate(遗忘门)和Output gate(输出门)和内部记忆单元构成。不同于一般的RNN，LSTM中的前后2个记忆单元的隐藏层节点的信息传播不是经过Sigmoid层，而是通过一个Sigmoid的神经层和一个逐点相乘的操作来实现的。LSTM的工作流程如下。

(1)遗忘门决定丢失信息。遗忘门通过读取前一时刻输出信息和当前输入信息，给每个记忆单元Ct-1输出一个0～1之间的ft向量值，1表示“完全保留”，0表示“完全舍弃”。

ft=σ(Wf×[ht-1，xt]+bf)

(6)

式中，σ为Sigmoid函数；Wf为权值矩阵；ht-1为上一个记忆单元的输出；xt为当前记忆单元的输入；bf为偏置量。

图1 LSTM网络结构示意Fig.1 Network structure of LSTM

it=σ(Wi×[ht-1，xt]+bi)

(7)

(8)

由式(6)—式(8)得到更新后的记忆单元状态Ct：

(9)

(3)输出门决定输出信息。输出门的Sigmoid层决定需要输出的信息Ot，并通过tanh进行处理，再与Sigmoid的输出相乘，最终得到LSTM网络确定输出的部分ht。

ot=σ(Wo×[ht-1，xt]+bo)

(10)

ht=ot×tanh(Ct)

(11)

式中，σ为Sigmoid函数；Wo为t时刻输出门Ot的权值矩阵；ht-1、xt含义同上；bo为偏置量。

2.2 滚动预测方法

基于历史数据对各类型能源发电的预测，本质为建立未来各类型能源发电量与历史各类型能源发电量及历史气候影响因素的映射关系[13-15]。然而气候等环境影响因素变化较为复杂，若用统一复杂模型来定量描述映射关系，对于距离较远的不同电厂以及同一电厂在不同季节的变化将不具备适用条件，因此需要通过持续学习，根据接收到的最新不同能源类型的发电量变化规律以及气候等环境因素的变化情况，将历史数据与最新数据共同作为训练数据，对新数据持续学习，调整模型参数，滚动更新数据变化最新规律，提高模型预测准确率。同时，为了防止模型出现过拟合现象，在训练时采用指数衰减的策略来设定学习率，而在测试时使用固定且很小的学习率，来控制每次滚动预测中网络参数可调整的范围。滚动预测方法以此解决数据变化规律的更替，使得模型更接近真实运营情况，并具有良好的普适性，不受电厂地址位置等的约束。且对于新建的类型电厂，通过学习临近电厂或类似气候条件下的历史发电数据，同样能够实现滚动预测未来发电量的目的。

3 实例分析

3.1 能源数据获取与准备

本文数据来源于南网某电力公司提供的2018年1月—2020年4月的月度各类型能源发电量数据，主要能源类型包括火电、水电、风电、太阳能，数据真实有效可信；气候数据来源于互联网气象台站，主要包括温度、风速、降雨量等，对各类型能源发电量进行预测。整体预测流程如图2所示。

图2 基于改进LSTM的滚动预测建模流程Fig.2 Rolling prediction modeling process based on improved LSTM

3.2 能源发电量与气候关联度分析

通过灰色关联度分析方法，在式(1)中，n=8，矩阵中前4列分别代表风电、火电、水电、太阳能的发电序列，其余各列代表影响发电量的气候因素，分别为平均气温、降水量、日照时数、极大风速，计算出各影响因素与各类型能源发电量的关联度。计算结果见表1。

表1 能源发电量与气候关联度分析Tab.1 Analysis of correlation between energy generation and climate

从表1可以看出，风电与平均气温、极大风速、降水量相关性较强，火电与平均气温存在一定的相关性，水电与平均气温、降水量关联度较大，太阳能与日照时数的关联较为密切。从而得到与各类型能源关联度较大的影响因素作为模型的输入变量，而剔除其余关联度较小的变量。

3.3 利用改进LSTM的滚动预测模型预测

将经过上述灰色关联度分析方法筛选后的与各类型能源关联度较大的变量作为模型的输入，对风电选取平均气温、极大风速、降水量三维参数；对火电选取平均气温一维参数；对水电选取平均气温、降水量二维参数；对太阳能选取日照时数一维参数，将各类型能源发电量作为输出，并按照80%、20%划分训练集、测试集，利用改进LSTM的滚动预测方法对模型进行训练，设置网络的时间序列交替时间步；指定LSTM层有200个隐含单元；同时防止梯度爆炸，将梯度阈值设置为1；初始学习率设定为0.005，在125轮训练后将学习率的衰落因子调整为0.2。最终得到各类型能源发电量的预测结果如图3—图6所示。

图3 风电预测结果Fig.3 Wind power forecast results

图4 水电预测结果Fig.4 Hydropower forecast results

图5 火电预测结果Fig.5 Thermal power forecast results

图6 太阳能预测结果Fig.6 Solar energy forecast results

对比传统RNN算法，本文提出的基于改进LSTM的滚动预测算法可以解决长期依赖问题，有效提高能源发电量的预测精度。采用相同的测试数据集分别利用传统算法和本文算法进行准确率测算，均方根误差(RMSE)测算结果见表2。

由表2可知，在各时长的对比中本文算法的误差均小于传统算法，且随着预测时间的增加，传统算法与本文算法的误差均在不断增加，而传统算法仅依赖历史数据在随着时长的增加误差的增幅更大。因此基于改进LSTM的滚动预测算法明显优于传统方法，采用基于改进LSTM的滚动预测算法总体准确率达到了92.60%，比传统算法的准确率提高了7.74%。

表2 传统算法与本文算法准确率对比结果Tab.2 Comparison of accuracy between traditional algorithm and this algorithm

3.4 能源供给情况分析

根据上述对各类能源预测结果，结合历史数据，进而得到各类型能源近3年占比变化情况，并绘制能源供给情况(图7)。从能源供给趋势来看，风电、水电、太阳能等清洁能源在逐步扩大，而火电发电量占比由最初的70%以上逐渐降为40%左右，供给结构趋于优化。在国家能源清洁化发展战略和节能减排政策的落实下，鼓励水电、风电、太阳能发电、核电等清洁能源发电机组替代常规火电机组发电，由高效环保的火电机组替代低效高污染火电机组及关停发电机组发电，未来水电、风电、太阳能发电等清洁能源有望进一步发展，且该地区水电有望替代火电成为主力发电能源类型。

图7 能源供给情况趋势Fig.7 Energy supply trend

针对能源供给趋势的预测分析，进一步提出该地区的能源发展对策[16]：①提高能源效率，通过突破关键技术难点，使用高能效锅炉、水泵、电热联产、三连供等系统并对其定期维护，以及扩大水电、风电等装机容量，提高设备利用率；②大力发展可再生能源与新能源，积极并因地制宜地制定好可再生能源发展规划，加大对可再生能源如新能源分布式光伏、生物质能等的开发和推广；③加强政府能源管理，制定系统和配套的综合性能源政策和法规体系，保证资金重组和提高投资者的积极性，以及制定可再生能源有关技术标准、产品质量标准，规范经营者的行为和保证消费者的合法权益等。

4 结语

本文从能源供给侧出发，提出一种基于改进LSTM的滚动预测模型的能源供给预测方法，通过灰色关联度分析法筛选关联度较高的变量，利用改进LSTM的滚动预测方法滚动更新数据变化最新规律，对各类型能源进行预测，解决了长期依赖问题，有效提高能源发电量的预测长度和精度，模型预测准确率达到92.60%，相比传统算法提高了7.74%。同时以直观可视化的方式展现预测结果，并针对提出能源发展对策，实现对能源市场发展潜力的分析，为竞争性业务开展提供数据支撑。