基于二维卷积特征提取的双向LSTM短期电力负荷预测

2021-12-13沈俊豪沈艳霞

电子元器件与信息技术 2021年8期

关键词：双向特征提取卷积

沈俊豪，沈艳霞

（江南大学物联网技术应用教育部工程研究中心，江苏无锡 214122）

0 引言

准确的负荷预测能够供电企业的电力调度、电力设施建设等提供重要依据，同时也是确保电力系统安全稳定运行的重要手段之一[1-2]。

然而电力负荷受多个因素的影响，如时间、气温等，具有高维非线性的特点，许多预测模型难以贴切地描述负荷变化，严重影响了预测精度[3-4]。

文中考虑短期电力负荷预测，将CNN模型自动提取隐式特征能力以及LSTM解决时间序列长时间依赖问题的能力相结合，提出采用基于二维CNN特征提取的双向LSTM预测模型，即Conv2D-LSTM预测模型。区别于Conv1D-LSTM模型，文中对时间序列重新排列，变换其数据流通方向，保证其充分提取其高维特征。把CNN提取到的深层特征重新变换为时间序列，再对新的时间序列应用双向LSTM进行预测，提高负荷预测的精度。

1 Conv2D-LSTM负荷预测模型

Conv2D-LSTM模型的流程图如图1所示，图1（a）为输入的历史时间序列，包含实际功率和实际的气象特征，图1（e）为待预测日的气象预报特征。将图1（a）中输入的长时间序列以一天的采样点数为周期转换为二维的图片，采取二维卷积提取序列的周期性特征。接着，将提取到的特征重新转换为长时间序列并与图1（e）中的序列在序列的最后一个维度上进行拼接，输入至双向LSTM中，实现最终的负荷预测。图中，n为输入历史序列的天数，T为一天的采样点数。

图1 Conv2D-LSTM模型流程图

1.1 卷积层

CNN网络能够有效提取图片的特征[5]，二维输入的卷积运算可表示为。

式中，Vl+1为第l层输出的特征图，i和j 为像素坐标，w为第l层的权重矩阵，b为第l层的偏移量，Ll为第l层输出的特征图尺寸，p为填充层数，s0为卷积步长，f为卷积核大小，Kf为通道数。

可见，CNN网络应用在电力负荷序列转换的图片中时，可以提取上一个周期和下一个周期的周期性特征，也可以提取上一个时间点和下一个时间点的时序特征，加强了模型的特征提取能力。

1.2 长短期记忆神经网络

循环神经网络都具有一连串重复循环单元[6]，这种循环单元有如图2所示结构。

图2 LSTM网络结构

其迭代计算公式可表示为。

公式(3～8)为LSTM网络的结构公式，[ht-1,Xt]为上一时刻的输出ht-1和当前时刻的输入Xt两个向量的连接，符号•号为向量的点乘，符号*号为向量按位相乘。ft、it、ot分别为遗忘门、输入门、输出门，Wf、Wi、Wc、Wo为对应门的权重，bf、bi、bc、bo为相应向量的偏置量，为当前输入的单元状态，Ct为当前时刻的单元状态，Ct-1为上一时刻的单元状态，ht为当前时刻的输出，σ为sigmoid函数。

如图1（g）中从左至右箭头所示，LSTM的输出ht只与之前的输入有关而与之后输入无关，为此，将LSTM的递归反向，如图1（g）中从右向左的箭头，通过双向循环神经网络的叠加，可以使ht与所有时刻的输入有关，从而提高预测的精度。最后将LSTM的输出连接到全连接层，输出预测值。

2 仿真实验

2.1 模型运行环境及参数设置

文中使用2006年1月1日至2010年12月31日澳大利亚电价与电力负荷数据集，以半小时为采样周期，每天采样48组数据，共87648条数据。将2006年1月1日至2009年12月31日的数据作为训练集，将2010年1月1日至2010年12月31日的数据作为测试集，每次通过过去7天的历史数据预测未来一天的48个时间点数据。

训练的损失函数为均方根误差，优化器为Adam，学习率设置为0.001，随机失活20%。设置LSTM的神经元个数为64个，激活函数为tanh，全连接层的神经元个数为48个，激活函数为relu。

为了评估预测模型的准确度，使用平均绝对百分比误差（MAPE）和均方根误差（RMSE），计算公式如下。