一种基于LSTM神经网络的短期用电负荷预测方法

朱家贻 刘思蕊?潘楠 沈鑫 郭晓珏

【摘要】    负荷预测目前已成为保障电力系统用电安全的重要基础工作，在我国市场经济制度持续完善过程中，能源产业也逐渐发展为以市场为导向，这就要求负荷预测要更加可靠、实时与准确。保证负荷预测的准确性，能为电力销售计划的制定奠定坚实基础并提供可靠依据，确保电网运行更加安全与经济。在智能电网时代下，电力用户侧涉及到海量数据，且用户数据具有一定随机性，以往所用负荷预测方法无法满足新时期提出的负荷预测要求。为此，本文分析一种基于LSTM神经网络的短期用电负荷预测方法，以更高效、准确的挖掘大量数据当中有价值的信息，经实例证明，此方法具有更高适用性和准确性。

【关键词】    LSTM神经网络    短期用电    负荷预测

前言

负荷预测主要是以电力负荷各项历史数据为基础，对负荷数据各项变化情况、数据相关性、社会条件和各种自然情况之间存在的内在关联等进行分析与研究，探索并掌握负荷发展规律，进而相对科学、准确的预测未来一定时间段之内的负荷数据。短期负荷预测若存在误差，将使电网运行成本显著增加，而保证短期负荷预测的准确性，能够对电网系统及各项相关设备具体运行作出合理安排，保证系统运行始终保持在安全范围内。

以LSTM神经网络为基础的短期用电负荷预测方法，是对人工智能算法的有效改进，可以更好的对时间序列有关数据进行处理，并能对负荷数据相互存在的关联性实现充分利用，保证负荷预测更加精准。

一、LSTM神经网络的原理

通过对RNN（循环神经网络）进行不断改进与完善，获得了LSTM神经网络，它能够对RNN当中容易发生的梯度消亡现象实现有效解决[1]。和普通神经网络相比，RNN一个最重要的特点就是它所涉及到的多个隐藏层单元没有保持相互独立性，而是不同的隐藏层单元之间保持着相互连接的关系，同时相应隐藏层单元还和其所接受的时刻之前有关时序输入存在密切关联，它的这一特性有助于后续对时序相关数据进行更快速、准确地处理。传统神经网络当中，每个网络层其参数均保持相互独立不共享，但是RNN当中每一步的输入，相应各层都会彼此之间共享输入至隐含层权重、隐含层至隐含层权重、隐含层至输出权重等相关参数。

这代表着RNN当中输入的每一步，其所做的事情都是一样的，只是保持着差异化的输入，这一训练形式能使网络当中减少所需学习的相关参数，不仅有助于确保精度，还能使训练时间大大减少。不过RNN却面临这样一个不足，就是在标准RNN构架下，实践当中只有非常有限的可联系“上下文”，若相关记忆属于较远时刻的，那么其对输出所产生的影响要么体现出衰减极小，要么体现出指数爆炸增长，此情况也就是通常所说的梯度消亡问题。

LSTM作为改进型RNN，主要就是能够对梯度消亡问题加以解决[2]。LSTM单元当中，包含多个或单个Cell（细胞核），以对LSTM单元目前状态进行描述。在LSTM单元结构当中包含三个控制门，具体就是Forget Gate、Output Gate、Input Gate，这三个控制门相应输出都分别和1个乘法单元相连接，进而分别对网络输入、输出、Cell单元相关状态进行控制[3]。在对第一时刻输入O1实现处理结束后，只要保证Forget Gate保持打开状态，Input Gate保持关闭状态，那么网络输出就会不间断的受O1影响。

二、建立以LSTM神经网络为基础的负荷预测模型

2.1对输入数据实现预处理

数据采集环节通常会受到设备老化、人为操作失误等情况影响而产生坏数据，进而会对预测模型准确度产生较大程度的影响，所以，输入训练数据之前，要事先识别并处理样本当中所存在的坏数据。因为负荷数据存在一定周期性，假设短期内数据在横向层面保持一致，不存在突变，那么可通过横向比较法识别坏数据[4]。

结合样本统计指标以及设定阈值，可明确是否存在异常数据。由于传感器的采样频率是每间隔30min采集一个点，所以所采集到的数据则是n天48个单位相应矩阵[5]。通过对坏数据实现识别并有效处理之后，要基于新数据集实现归一化处理。

2.2选择输入输出量

输入数据在实现预处理结束后，就到了负荷预测模型建立最关键环节，也就是要合理的选择输入量和相应标签，以更顺利的通过神经网络实现训练。文章对短期用电负荷进行预测，主要是针对未来某几天实现24h负荷图的预测。负荷数据会根据休息日和工作日，按照一周为单位呈现出周期性变化，周末时间段和工作日时间段相比，用电负荷会有所下降。结合这一特性，文章选择迭代预测方法，比如要对6月27号24h负荷值进行预测，那么则输入5月1号至5月7号相应历史负荷数据，同时将5月8号相应历史负荷数据当作标签输出，实现首次训练。之后输入5月2号到5月8号相关历史负荷数据，同时将5月9号相应历史负荷数据当做标签输出，实现二次训练，通过这一方式实现迭代预测，一直持续至获得6月27号负荷预测值。另外，文章基于历史数据通过one-hot编码处理之后再次当做训练样本，能够对历史负荷数据具有的周期性规律实现更充分的利用。

在选择时间序列模型技术方面，文章考虑到电力负荷是一种随机过程，对相应随机过程进行研究期间，自相关系数可以明确随机过程平稳与否，同时可判定所选模型阶数合适与否。综合分析，将模型阶数确定为7，也就是将前7天相应历史负荷数据当作具体特征向量实现滚动预测。以单维度数据实现模型建立，证明此模型适用性非常良好。

2.3确定LSTM神经网络结构

在明确输入输出量后，接下来的关键工作主要是合适的选择网络结构。而这一环节最核心步骤，就是对输入输出节点具体数量进行确定。首先针对多模型单变量方面的预测，主要选择24个差异化神经网络预测模型，一一和一天当中24h相对应，这一方法涉及到的参数相对易收敛，并且单个网络结构相对比较小，不过此方法整个过程比较冗余、复杂，并且一个单独网络易过拟合。通常情况下，要对一天负荷量实现预测，所搭建的模型数量就是24个;针对单模型多变量方面的预测，主要通过数量为24的輸出节点一一代表一天当中对应的24h，同步对一天每个小时具体负荷数进行预测。若将此结构网络放在传统预测方法中，那么网络结构会异常复杂，并且需训练更新的参数数量多达上千个，这将会对网络运算速度以及最终预测精度产生极大影响。

综合分析，文章选择多变量的模型形式实现网络构建。因为LSTM网络涉及到的权重共享方式有别于传统神经网络，选择24个对应输出节点期间，LSTM和传统神经网络相比，其所需学习的参数将大大减少，这样便于模型更快速、便捷的建立，基本上只具有一个网络就能够高精度的实现负荷预测。

三、实例验证

为了对上文所提出的短期用电负荷预测方法进行验证，文章选择某次负荷数据竞赛当中涉及到的12个月数据当做样本，将其中的前11个月数据当做训练数据集，对12月7日、8日每日24h负荷值进行预测，同时选取的验证集当中，12月7日属于工作日，12月8日属于休息日，通过上文提出的基于LSTM神经网络的短期用电负荷预测模型实现训练预测，并和传统以BP神经网络为基础的模型作出对照。

通过分析BP网络和LSTM网络相应的训练误差降低曲线，并都将训练1000步当做分界点，可以发现针对相同的数据，LSTM网络对应的训练步数约100的时候，已经降低至小于0.1，并且已呈现出网络收敛状态。在多层BP网络当中，其训练步数在1000步的时候，对应误差还保持两位数。足以见得相比传统多层BP神经网络，LSTM具有更高的学习效率。

通过实现训练的模型预测12月7日、12月8日相关负荷数据，可以发现以LSTM神经网络为基础所构建负荷预测模型，只有非常小的误差，并且表现比较稳定，这2天中对48个点实现预测，只有极个别点其误差和3%相接近，其他大部分均保持在约1.5%，证明预测准确率非常高;以多层BP神经网络为基础所构建负荷预测模型当中，具有比较高的误差率，其误差大部分都超过了3%，并且一些点的误差超过了5%，和当前所提出的短期预测精度要求不相符。

公式当中的Li代表真实值，Li代表预测值。通过对上述两种方法分别计算其EMAPE，经结果对比，可明显发现和多层BP网络相比，以LSTM神经网络为基础的负荷预测方法其涉及到的平均百分误差要明显小得多，足以证明此方法和传统方法相比具有更优秀的使用效果。

四、结束语

文章主要结合负荷数据本身所具有的特性，通过对负荷数据周期性进行研究，提出一种以LSTM神经网络为基础的短期用电负荷预测方法。基于LSTM原理，证明此方法在负荷预测方面具有良好的适用性。之后文章又讨论了输入输出量选择，为后续模型构建奠定坚实基础。之后，通过某竞赛当中涉及到的实际数据实现仿真，通过对数据实现预处理，将相关数据输入到模型当中实现训练预测，经过实例验证，证明以LSTM神经网络为基础的短期用电负荷预测方法具有非常好的适用性，并且和传统预测方法相比，其预测精确度更高。

参  考  文  献

[1]李昭昱， 艾芊， 张宇帆，等. 基于attention机制的LSTM神经网络超短期负荷预测方法[J]. 供用电， 2019， 36（01）：22-22.

[2]姚朝， 辛平安， 施卜今，等. 基于LSTM时间递归神经网络的短期电力负荷预测[J]. 云南水力发， 2019， 35（003）：163-163.

[3]陆继翔， 张琪培， 杨志宏，等. 基于CNN-LSTM混合神经网络模型的短期负荷预测方法[J]. 电力系统自动化， 2019， 43（08）：197-197.

[4]张洋， 姬波， 卢红星，等. 基于LSTM神经网络的短期高压负荷电流预测方法[J]. 计算机科学， 2019， 046（006）：49-49.

[5]于佳弘， 包哲靜， 李志杰. 基于LSTM的用户负荷区间预测方法[J]. 工业控制计算机， 2018， 031（004）：102-102.