基于LSTM及纵向对比的电力系统负荷评价

河北大学国际学院 黄泽壮 张泽宇 范涵笑

基于需求，我国电力系统工业规模不断扩大，但与此同时电力工业的发展需要投入大量的社会和自然资源，对于财力物力消耗也较大，因此电力系统预测能够带来更高的经济收益，反之则会产生较大浪费。所以，本文对于电力规划进行分析研究，致力于获得最大效益，其先行条件便是做好电力负荷预测，以保证电力系统的安全稳定运行，提高电力系统的运营效益[1]。

1 概念模型建立

如上文所述，电力系统负荷预测具有重要意义，为了做到准确预测需要结合现代预测方法尽可能消除不稳定自然因素、社会因素的相关影响。首先，从普遍意义上分析如何进行负荷预测。为进行准确的负荷预测，满足以下五个原则是必要的，即延续性原则、类推原则、相关原则、 概率推断原则以及反馈原则[2]。

神经网络数据预测模式是当下较为先进并且精确的数据预测模式。使用神经网络预测，可以通过对已有的数据训练、对于未来数据进行检验以及重复训练的循环构建模式来形成规避损失的预测图线以及数据成果。但很明显，使用传统的RNN 神经网络结构模式难以对于不同隐藏层（即不同时期输入数据）进行综合考虑预测，因此无法取得随时间规律性变化的电力系统负荷曲线的有效拟合方案，本文尝试使用一种更高级的数据预测方式——LSTM 神经网络。

使用这种更为优化的神经网络，可以通过一条联系不同时间数据的“主线”，通过对相关数据的抓取以及合理舍弃得到更加精确的、具有时间累积性的数据图像，同时为尽可能规避不确定性因素带来的困扰，还需尝试依据类推原则得出一定的规律性模型，从而对于数据的相关性原则以及反馈原则进行阐释。可以在使用LSTM神经网络进行预测存在较大误差的某些点处使用纵向比对，获取规律性预测结果，通过比较验证来确定精度为两种算法加权取得当前时刻或者当日的负荷数据，从而削减突发因素造成的不稳定性影响，获得较为符合实际的预测曲线。

基于上文构想，笔者尝试使用两种算法进行预测。借助一个对比决策模型来对于某节点如何取用两种算法计算出的数据结果，如何分配权重的问题进行考虑决策。从而在保证一般的预测规律的同时，实现对于突发因素的考虑，提升模型的稳定性。

2 预测模型的基本原理

2.1 LSTM模型基本概述

长短期记忆网络是一种具有“二输入”特点的预测神经网络，其主要特征是以时间为基本链进行循环，属于一种RNN神经网络。与普通RNN神经网络相比，LSTM神经网络在一定程度上克服了RNN神经网络对于时间的长期依赖性。

LSTM是一种特殊的RNN，相较于普通的RNN神经网络，LSTM 神经网络通过遗忘运算来尽可能消除数据对于神经网络时间脉络的长期依赖特性。将以往的每个神经元作为节点串联在主线结构上，使用一条线性结构“记录”每个神经元的发生时刻，这样在需要使用到过去的神经元时，只需要通过主线结构对于过去的内容进行索引即可获得相关的数据，而不需要通过神经元的链接进行逐个递推，进而大大减少神经网络对于时间数据的依赖特性，提升预测精度。

LSTM的关键即为上文提到的主线结构。所需要处理的信息往往按着主线结构进行时间顺序的相关处理，当使用LSTM神经网络进行预测时，信息便开始从最初的神经元接收函数处理并且沿着主线结构向下一级进行传递。经过多级传递之后，便可以得到较为精确的预测结果。实际上，数据在通过主线流通神经元的过程中，每通过一级神经元总要经历一个选择结构，这个结构就像一个门一样，选择使完全符合条件的数据通过该门，而完全不符合条件的数据结构被遗忘。门结构主要由sigmoid 神经网络层以及计算的逐点相乘形成，其中神经网络层主要输出的为0到1之间的数据，表示对于数据的认可程度，0为最低认可度，不予以输出；为最高认可度，可以将数据完全输出。

在LSTM神经网络之中主要存在三种门结构，其主要功能特点如下：输入门。决定当前时刻网络的输入数据有多少需要保存到单元状态。遗忘门。决定上一时刻的单元状态有多少需要保留到当前时刻。输出门。控制当前单元状态有多少需要输出到当前的输出值。

2.2 纵向比对模型基本概述

使用LTSM神经网络对于一定时序下的数学模型能够产生较为完美的拟合关系，使用这种数学模型可以较好地贴合对于电力系统负荷的时序分析。通过对于数据的时序记忆产生递归分析，从而生成所需要的拟合预测曲线。

但是使用预测方法对于现实社会进行指导的同时，需要考虑到现实社会中产生的不确定因素对于该模型的影响，其中电力系统负荷往往与风力、温度、天气等方面的影响存在着较大联系。对于其产生的影响，通过数学模型可以形象地得到。因此，在处理这些数据的时候不得不引入新的运算模式。对于这样的问题本文跳出横向预测的结果，并且使用纵向比对的方式来 给以更加准确的数据模式。

经过前期对于数据的分析易知，电力系统的负荷从年度角度来看具有极高的周期性规律。使用纵向对比的方式可以最大限度减弱使用LSTM预测模型时，训练集中天气因素带来的不确定性，同时对于特殊节假日带来的非常规用电数据做出了有效解释，其具体原理如下：

首先，使用两年的已知数据进行数据运算。然后，对于已知两年的数据取其相关特征数据，利用AM特征进行分析。假设取日期为自变量，若某日具有特殊性意义或者存在较大温度变化，对于该时刻的电力系统负荷直接进行负荷预测有可能得到较大的误差。可以通过AM特性对于数据的极端性进行平衡或者对于具有特殊意义的规律性日期进行数据的合理推移，求得：

同时，还可以计算预测误差程度：

至此，可以构建一条基于前两年一般性数据的推导模型并且拟合出新的预测曲线。

2.3 动态综合模型的基本概述

目前，本文通过综合分析得到了两种不同侧重角度下的模型——LSTM长短期预测模型以及基于规律性因素所得到的纵向比对模型。使用这两种模型，可以较为全面地考虑到负荷预测的五项原则——使用LSTM模型，利用天气因素作为训练集要素，考虑时间序列下的电力负荷历史数据从而产生预测图线；同时使用纵向比对模型，考虑到特别节假日、极端天气等问题产生的突发性要素，模糊突发性因素的影响，从而获得规律化曲线。本文在关键节点可以加入一个动态拟合两种模型的新模型——动态综合模型，从而将两种算法相结合，优化原有模型并且生成一个具有高精度、高稳定性的优秀模型。

本文尝试构建的动态综合模型将具有两种不同特征的算法纳入考虑范围之内，在已有研究的基础之上尝试探寻一种风险性更低、精度更高、稳定度更好的动态综合模型，尝试考虑两种算法在某一时间点给出的数据的可靠度，并且以此为依据为两种算法得到的数据集分配权重，从而获得一条更加成熟的拟合曲线用以解决实际问题。

本文在实现综合动态预测的时候使用以下步骤进行预测：①首先使用前两年的数据，应用预测值与实际值差值单一评价各个模型从而得到每一个模型预测结果的优劣程度，进而获取其分权。②构造权重概率分布函数，从而依据函数期望获取优越方法集合。③应用综合预测算法，优化步骤②中的组合函数，获得预测结果。通过该模型，可以最终获得一条精度更高的预测数据拟合曲线。

3 实际问题求解

3.1 LSTM模型应用

首先建立基于LSTM的模型：

其中，ft表示遗忘门，遗忘门的意义在于它可以选择ct-1中的哪些特征能够被用于计算ct。其中，ft是一个向量，ft的每一个值均位于[0,1]区间内。选择sigmoid函数作为激活函数， sigmoid函数的输出是一个介于[0,1]区间内的值。其中是LSTM最重要的门机制，表示ft和ct-1之间的单位乘的关系。

具体函数表达式如下所示：

it用于控制的哪些特征用于更新ct，使用方式和ft相同。

然后，为了计算预测值和生成下个时间片完整地输入，应计算隐节点的输出ht。ht由输出门ot和单元状态ct得到，其中ot的计算方式和ft以及it相同。

在迭代过程中ct与ht相互更新形成了LSTM神经网络。

最后，使用基于python开发的动态综合算法进行数据修正。在LSTM时间序列得到的预测数据完全是深度学习的结果，没有对节假日、天气等因素进行考虑，基于python开发的动态综合算法可对其进行修正。

3.2 求解结果分析

本文选取使用某地三年的电力系统负荷数据，以及气候因素作为数据集进行模型求解以及模拟。

首先选取两个月的数据输入神经网络，划分训练集与测试集并进行分析。之后将这两个月中90%的数据均用于训练对未来进行预测，10%的数据用于验证。为了获得较好的拟合并防止训练发散，将训练数据标准化使其具有零均值和单位方差。在预测时，使用与训练数据相同的参数来标准化测试数据。

其次定义LSTM网络架构，创建LSTM回归网络。指定LSTM层有200个隐含单元。先确定训练选项参数：将求解器设置为adam并进行800轮训练。为了防止梯度爆炸，将梯度阈值设置为1。指定初始学习率0.005，在800轮训练后通过乘以因子0.2来降低学习率。

最后训练神经网络。预测时，使用predict And Update State函数一次预测一个时间步，并在每次预测时更新网络状态。每次预测，使用前一次预测作为函数的输入，并使用与训练数据相同的参数来标准化测试数据。在进行标准化、算均方根误差、训练、绘图后，得到结果，并且将预测数据与观测值数据集进行对比，对于预测结果进行检验如图1所示。

图1

可见预测结果较为良好，同时使用基于python开发的动态综合算法对数据进行校准后预测结果可以得到进一步改善。

在电力系统负荷预测的过程中，特殊节假日以及某些温度节点处的预测结果常常存在较大误差，这是由于在进行预测的过程中，突发性因素的影响不可避免，预测精度难以保证。因此，本文尝试使用多方案的动态综合模型给出解决方法，综合比对直接预测结果以及纵向预测结果对于拟合曲线进行改善校准。最后，使用该动态综合模型，对于示例数据求出了较为可靠的预测数据结果。