基于深度学习的电网短期负荷预测∗

赵从杰 潘文林

（1.云南民族大学电气信息工程学院 昆明 650500）（2.云南民族大学数学与计算机科学学院 昆明 650500）

1 引言

电力工业对于我国经济建设、国家安全、社会稳定、生活质量具有至关重要的作用，为了提高电力行业的安全性和经济性需要对电力负荷进行预测。经过多年的研究，电力负荷预测方法也越来越成熟，电力负荷预测方法主要有电力弹性系数法、负荷密度、基于时间序列的ARMA 模型、回归分析法、人工神经网络（ANN）、机器学习、深度学习和混合技术等［1］。Ferlito等利用一种比较法引入了多种数据驱动技术来解决电网中的预测问题［2］。Heydari 等提出了一种人工神经网络方法实现对微电网中的风能和太阳能发电量预测［3］。Moradzadeh等提出了一种基于支持向量回归（SVR）和长-短期记忆（LSTM）模型的混合预测方法，对微电网进行了短期负荷预测［4］。在文献［5］中，提出了一种季节性调整支持向量机（SSA-SVM）的机器学习应用混合技术进行短期电力负荷预测。Wen 等［6］使用各种深度学习算法、多层感知器（MLP）和支持向量机（SVM）对微电网进行了负荷预测。在其他一些研究中，也提出了将机器学习模型与优化算法相结合的负荷预测方法。在文献［7］中，采用支持向量机和粒子群优化算法（PSO）的混合模型对微电网负荷进行短期预测。在文献［8］中，提出了一种将小波变换（WT）与果蝇优化（FFO）算法相结合的短期负荷预测方法。在大多数情况下，这类混合模型由于输入数据的高维性以及相关数据的时间序列特征无法识别出合适的数据模式，因而存在过拟合等问题。在最近的研究中，深度学习技术被用作一种强有力的工具。它们在预处理、处理和从原始数据中提取特征以及解决短期预测问题［9］中表现出色。在以往的研究中，人们提出了一些用于处理和预测时间序列数据的深度学习技术，如卷积神经网络（CNNs）、深度自动编码器（DAEs）、递归神经网络（RNNs）和深度信念神经网络（DBNNs）。但DAE和DBNN 技术在理解与预期时间相关的时间序列样本中的长依赖性方面存在困难［10］，而CNN 方法具有最少的单元数和内存，可以提取时间序列数据的基本特征。但是，过滤器选择和层数是一些问题，如果选择不当，可能会导致训练阶段的过度拟合等问题。基于RNN 的LSTM 和GRU 等技术在时间序列数据处理中表现良好，能够对复杂的非线性参数进行建模。GRU 网络主要提取LSTM 网络不能获得的特征，并且比LSTM 网络复杂。然而，一些研究表明，由于前向训练，LSTM 算法在识别大容量数据模式时遇到了数据缺失和过度拟合等问题［11］。

为了预测微电网的短期负荷，解决现有方法存在的问题，提出了一种称为双向LSTM（bilstm）的深度学习方法。双向LSTM 是一种基于时间序列的技术，它考虑了一段时间内的所有数据行为，影响网络负荷的数据具有长期的互联行为和模式。因此，该方法的双向运动及其层间相互关联的结构消除了训练阶段的数据丢失和过度拟合等问题。

2 电力负荷数据及数据预处理

2.1 电力负荷数据

本文从欧洲互联电网下载了相关数据（https：//transparency.entsoe.eu/generation/r2/dayAheadAggregatedGeneration/show），以2019 年1 月1 日至2020年1 月1 日的瑞士电网负荷数据为案例，数据以每个小时整点记录一次，共计8760 条数据，负荷数据分布图如图1所示。

图1 瑞士2019年负荷分布图

很多外界因素都会影响电力负荷数据，进而影响电力负荷预测的精准度。考虑到瑞士的环境因素和人文因素，将瑞士当地发电能源种类及占比，家庭人口数量及占比，电价，日期等因素作为电力负荷预测的重要影响因子。如图2 所示为2019 年瑞士不同能源发电占比分布图，图3为2019年瑞士电价分布图。

图2 2019年瑞士能源发电分布图

2.2 数据预处理

1）数据补全

在下载数据过程中发现由于记录数据设备故障或一些人为操作有部分电等原因导致电力负荷数据缺失，为了达到较为准确的预测效果，需要对缺失的数据进行补全。本文采用双线性插值法进行数据补全。

2）归一化处理

由于单价、负荷量、发电能源种类及占比等因素是不同量纲的，且双向长短时记忆网络对数据的敏感度较高，数据尺度过大也会影响负荷预测结果。故对数据进行如式（1）的归一化处理。

式中xnorm为数据归一化处理后的负荷数据，在0～1之间。x为原始数据，xmin最小电荷值，xmax为最大电荷值。

3 基于双向长短时记忆的负荷预测

长短时记忆网络（LSTM）是在循环神经网络（RNN）的基础上演化而来，主要解决了梯度消失或梯度爆炸的问题［12］。LSTM将RNN的输入数据x(t)和隐藏层信息a(t-1) 变为输入数据x(t)，隐藏层信息a(t-1) 和记忆单元c(t-1) 。参数的求解方法也发生了变化。双向长短时记忆（BiLSTM）是在LSTM的基础上结合了输入序列在前向和后向两个方向上的信息。对于t时刻的输出，前向LSTM 层具有输入序列中t时刻以及之前时刻的信息，而后向LSTM 层中具有输入序列中t时刻以及之后时刻的信息。前向LSTM 层t时刻的输出记作h→t，后向LSTM 层t时刻的输出结果记作h←t，两个LSTM 层输出的向量可以使用相加、平均值或连接等方式进行处理。如图4 所示为双向长短时记忆网络结构图。

图4 双向长短时记忆网络结构图

输入数据主要包括真实电荷值，发电能源种类及占比，家庭人口数量及占比，电价，日期；输出层为电力负荷值。

4 仿真与验证

利用第1 节中的数据对本文提出的基于双向长短时电网负荷预测方法进行验证。此外还跟文献［13］提出双循环神经网络预测方法进行对比，实现对一天、一周的电网负荷预测。本文用相关系数（R）、均方误差（MSE）和均方根误差（RMSE）等指标来评价Bi-LSTM 网络的性能。R 指数显示了预测值与实际值之间的一种相关性，R 的最大值表明了网络的高精度。MSE 和RMSE 指标显示了为每个样本计算的这些指标的预测误差。一天负荷预测的R 值为0.9987，MSE 和RMSE 分别为0.0799 和0.2826。如图5为双循环神经网络一天的电网负荷预测结果，图6 为双长短时记忆一天的电网负荷预测结果，图7 为双循环神经网络一周的电网负荷预测结果，图8 为双长短时记忆一周的电网负荷预测结果。

图5 双循环神经网络一天的电网负荷预测结果

图6 双长短时记忆一天的电网负荷预测结果

图7 双循环神经网络一周的电网负荷预测结果

图8 双长短时记忆一周的电网负荷预测

5 结语

本文为了实现对瑞士电网的点和预测，提出了一种称为双向长短时记忆的深度学习算法。与其他深度学习技术不同，bilstm 方法由于其独特的结构和双向的训练程序，提供了处理大量时间序列数据的强大能力。此外，在训练阶段避免数据丢失和过度拟合的问题。利用输入数据对bilstm 网络进行训练，并以1h 为间隔对微网负荷进行预测。通过相关系数（R）、均方误差（MSE）、均方根误差（RMSE）等性能评价指标对预测结果进行分析。将双长短时记忆法与循环神经网络进行比较评价，结果表明本文提出的深度学习方法在电网短期负荷预测中具有较好的效果。