基于CLSTM-Attention的电力负荷预测模型研究

葛树峰, 祁崧, 陈爱伟, 周永军, 刘欣

(1.国网冀北电力有限公司,北京 100056;2. 北京科技大学 计算机与通信工程学院,北京 100083; 3. 材料领域知识工程北京市重点实验室,北京 100083)

0 引 言

电力负荷预测历经了传统预测和人工智能预测两个阶段。基于时间序列的预测模型、基于回归分析的预测模型等传统预测,需要具有明确的数学模型,且对于数据源的可靠性高度依赖[1］。相比于传统预测方法,人工智能预测方法具有更好的自适应学习能力,尤其适用于对电力负荷中非线性变化过程拟合[2］。目前,在电能质量分析中,决策树算法、时间序列算法、神经网络算法、贝叶斯算法和关联规则等数据挖掘与智能决策技术已得到广泛应用[3-5］。

本文以冀北五地市10 kV线路下公变台区的实际应用需求为驱动,建立基于注意机制的长短期记忆网络的改进模型,实现台区电网电力负荷三相不平衡的实时预测。

1 三相不平衡的定义

依据电力系统的相关规定,不平衡度可定义为:

(1)

为了减少瞬态不平衡所带来的误报警,本文在式(1)基础上,引入持续时间概念,即一天中三相不平衡度高于标准阈值的情况连续被检测到4次以上(连续持续时间45 min以上)或间断地检测到19次以上(总持续时间大于285 min),则判定该台区这一天为三相不平衡。

2 三相电流序列构建

数据来源于用电信息采集系统中2017年冀北公司五地市(唐山、廊坊、秦皇岛、承德、大连)的部分10 kV线路下公变台区的三相电流IA、IB、IC,数据每间隔15 min采样一次。

三相电流数据每天呈日峰夜谷的周期性变化,本文采用迭代预测的方式,增加数据集的使用效率。假设预测3月25日IA、IB、IC三相的电流值,则需要以3月1日—3月7日的历史三相电流数据作为输入,3月8日的历史三相电流数据作为标签输出进行第一次训练,而后推进一天,以3月2日—3月8日的历史三相电流数据作为输入,3月9日的历史三相电流数据作为标签输出进行第二次训练,以这种方式进行迭代预测直到得到3月25日的IA、IB、IC三相电流预测值为止。

按上述迭代方式,可将每天的三相电流数据划分为96个对应的测量时间点,一周中相同时间点又可转化为对应的向量序列,进而对三相电流数据实现了序列编码,为后续的电网三相不平衡预警模型提供了可行的输入序列。

3 电力负荷预测建模

由于基于长短时记忆网络与注意力机制相结合(long short term memory networks and attention mechanism,LSTM-Attention)的电力负荷三相不平衡预测模型不能以并行方式提取特征,因此,本文提出一种基于卷积长短时记忆网络与注意力机制相结合(convolutional neural networks based long short-term memory networks and attention mechanism ,CLSTM-Attention)的电力负荷预测模型来实现电力负荷三相不平衡预警,即在LSTM-Attention模型的基础上加入卷积神经网络(convolutional neural networks,CNN)卷积层,以提升模型的并行输入能力,并通过充分考虑上下文时序特征及其影响因素,减少信息丢失,如图1所示。

图1 基于CLSTM-Attention的电力负荷预测模型

CLSTM-Attention电力负荷预测模型以预处理后的三相电流序列及天气数据为输入,充分利用LSTM在处理长期依赖方面能够有效克服梯度消失的优势,将CNN所表示的抽象特征与上下文时序关系充分融合,构建具有CNN卷积层的Pro-Attention LSTM模型,通过多尺度的卷积核对电力负荷数据序列进行局部特征提取,在LSTM模型的隐藏层获得具有时序特征的高级特征表示;而后,通过Attention机制对序列内部数据进行分析,自动寻找序列内部关系,优化上下文权值,以量化表征不同时刻电力负荷情况对预测结果的贡献;最后将Attention模型的输出结果传送到Post-Attention LSTM网络层进行学习,实现后续一天三相电力负荷情况的预测输出。

4 试验与结果分析

本文使用冀北五地市2017年的三相电力负荷数据和温度、相对湿度、日类型等外部数据作为试验数据集。

分别采用传统LSTM-Attention预测模型,与第3节中提出的CLSTM-Attention模型对数据进行迭代,预测12月10、15和20日的电力负荷情况,如图2所示。由图2两种模型下某公变台区单相电力负荷预测曲线及其相对误差可知:LSTM-Attention预测模型和CLSTM-Attention预测模型对于三相电力负荷预测均与实际情况相符;且相较于传统LSTM-Attention模型,CLSTM-Attention模型对电力负荷的三相预测均更符合实际电力负荷情况。

图2 某公变台区A、B、C相CLSTM-Attention与 LSTM-Attention电力负荷预测曲线(上)及其相对误差(下)

如表1所示,试验结果表明,相比于LSTM-Attention模型,CLSTM-Attention模型的预测结果准确性有一定提升,10日、15日、20日的方均根误差ERMSE分别降低了0.730%、1.130%和0.600%,平均绝对百分比误差EMAPE分别降低了1.107%、1.000%、1.300%。

表1 CLSTM-Attention与LSTM-Attention模型的负荷预测误差对比

根据历史数据预测的2017年12月20日某公变台区的三相电力负荷数据,得出该公变台区在2017年12月20日是否出现三相不平衡以及三相不平衡情况,如图3所示。

图3 2017年12月20日电力负荷三相不平衡预测分布

试验表明,本文所构建的CLSTM-Attention模型可以基于温度、相对湿度和日期类型等多源因素,更为精准地预测出单日内以15 min为时间跨度的三相电力负荷情况,为电力系统的安全运行提供可靠保障。

5 结束语

电力负荷具有明显的时序变化特征,本文在LSTM的时序传递特性基础上,引入了Attention机制,并结合卷积神经网络卷积层出色的局部特征提取能力,提出了一种基于卷积神经网络的CLSTM-Attention模型,综合考量空气温度、相对湿度和日类型的影响因素对电力负荷情况进行预测分析。试验结果表明,该模型对于三相电力负荷预测效果较传统LSTM-Attention模型有一定提升,其预测结果对于三相不平衡预警及具体情况描述具有较好的预测准确性及实际应用价值。