基于深度神经网络的电力工程负荷预测与优化

摘 要：电力负荷预测和优化是电力工程中的重要研究领域，精确的电力负荷预测有助于电力工程项目负责人提前制定用电计划、优化资源配置和提高运行效率。首先，本文采用F-score特征评价方法选择合适、有效的特征量。其次，利用深度神经网络构建特征量与电力负荷间的预测模型，并对模型进行修正。在此基础上，基于神经网络训练样本，剔除冗余数据，得到电网负荷数据集，并利用神经网络分类器对输出集进行分类和融合，优化电力负荷预测结果。仿真结果表明，本文提出的预测方法能够较好地逼近实际电力负荷，平均绝对误差MAPE和均方根误差分别为2.69和1.79。运算时长、拟合程度和电力负荷值均证明优化后的深度神经网络具有精度高、抗干扰能力强等优点，能够在电力工程中进行推广和应用。

关键词：负荷预测；电力系统；F-score特征；神经网络；均方根误差

中图分类号：TP 870 " " " " " " " " " " " 文献标志码：A

电力工程包括电能生产、输送、调配以及应用相关领域，电力负荷是电力输送和调配稳定性的保证，对电力工程至关重要。电力负荷预测与优化是电力工程领域中的重要研究方向。随着能源需求持续增加、电力市场日趋复杂，对电力系统进行负荷预测与优化的研究十分重要。虽然传统的时间序列分析法、回归分析法等方法能够满足电网运行的需要，但是对变化复杂的负荷数据来说，其预测的准确性和稳健性均不能令人满意[1]。因此本文提出基于深度神经网络的电力工程负荷预测与优化研究。电力系统负荷预测是在综合考虑历史负荷、经济条件、气象条件和社会事件等因素的基础上，对未来负荷进行预测的过程。在电网规划与调度过程中，负荷预测是一项非常重要的工作，短期预测可以为机组的启停、调度等工作提供基础，准确地预测电力系统的动态变化是保证电力系统正常发展，并保障其安全运行的前提，也是电力系统有序规划用电、响应用电需求以及电力市场顺利发展的重要基础，对电网优化调度和电力市场均有十分重要的作用[2]。由于负荷预测具有强烈的随机性，并会受天气等影响，难以进行准确的预测，因此，加强对高负荷预测的研究、提高负荷精度是电网安全、经济运行的关键。

1 基于深度神经网络的电力工程负荷预测方法

对电力工程中的电力规划和电力建设来说，准确的负荷预测有助于合理规划电源建设和电网布局、判定新增发电容量的规模/类型以及改进输电/变电设施的扩建和改造计划。因此电力负荷预测是电力工程中一项关键的工作，研究负荷预测方法对电力工程规划、建设等具有重要意义。

1.1 F-score特征选择

在对电力系统进行短期负荷预测过程中，必须从海量的数据中抽取对其有重要作用的因子。特征选择旨在剔除冗余的特征量，从原始特征集合中选择能够反映整体或大多数信息的最佳特征量，以达到降低特征空间维度的目的。F-score特性评估标准是一种简便、高效的类内、类间距离度量标准，可以根据类别间的距离选出最有价值的特征。在训练样本集合Xk∈Rm（k=1，2，…，n）中，训练样本第i个特征的F-score值Fi如公式（1）所示。

（1）

式中：l（l≥2）为抽样类的数目；nj（j=1，2，…，l）为第类别样品的数量；、分别为数据集合中特征i的平均和数据集合j的平均；xk，i（j）为集合j在类别k中的特征i；为集合j在第i个特征上的平均值。

公式（1）中的分子是每一类近似类间距离的平方和，而分母是总的类内样本协方差，F-score值较大，表明具有较高的类别判别能力，即类间越稀疏、类别内部越稠密，分类效果越好，这个特征的重要性也越高，因此可以设置阈值，以选择最佳特征子集[3]。根据F-score值对各个特征进行降序排序，并对相邻2个特性的F-score值和坐标轴围绕的区域进行积分，累计积分，进而串联起来得到光滑的S曲线。曲线S的拐点就是需要设定的阈值0。因此，可以把阈值0表达成S二阶差分的极大值，如公式（2）所示。

（2）

式中：fi为第i个特征的二阶差分值；Si为第i个特征的累积积分；n为特征的总数；Sn为最后一个特征的累积积分值；|fi-fi-1|为第i个特征和第i-1个特征的二阶差分值的绝对值；S0=0为各特征的F-score值等于0。

1.2 电力负荷预测

本文采用F-score特征筛选与深层神经网络相结合的方法，建立基于F-score特征筛选与深度神经网络相结合的电力负荷预测主要流程。电力负荷预测主要流程如图1所示，该流程可从数据中自动抽取数据本质特征，比传统神经网络训练速度更快、鲁棒性强，不易陷入局部极值，能够更好地适应负荷预测需求。将均值误差ε作为深层神经网络的适合度函数，如公式（3）所示。

（3）

式中：c为预测数据点总数；Yij为第i个点的实际负载值；yij为深度神经网络预测的负载值。

对采集的电力负荷数据进行预处理，包括数据清洗、归一化等处理，消除噪声和野值的影响。

获得预测输出值后，再反归一化为实际负荷值，如公式（4）所示。

yi=yi'（xmax-xmin）+xmin （4）

式中：yi为归一化的实际负载值；yi'为逆向归一化的真实载荷值；xmax和xmin分别为最大值和最小值。

为了检验预报的有效性，分别采用2个指数，即平均绝对误差百分比（MAPE）和均方根误差（RMSE），如公式（5）所示。

（5）

式中：为第i个时间点的预测负载值。

2 电力工程负荷数据处理与优化模型构建

2.1 电力负荷数据预处理

基于深度神经网络的电力工程负荷预测与优化模型主要包括特征选择、模型构建、样本训练和预测优化4个步骤。首先，利用F-score特征评价方法对原始负荷数据进行特征选择，提取对负荷预测有影响的关键特征。其次，利用深度神经网络构建特征量与负荷间的预测模型，并调整网络结构、激活函数和损失函数等参数，优化模型的性能。再次，利用样本数据对模型进行训练，采用反向传播算法调整网络参数，使模型能够准确地预测负荷值。最后，利用神经网络分类器对预测结果进行分类和融合，进一步优化负荷预测结果。完成对电力负荷离散数据的检测和校正后，对电力负荷数据统一进行预处理，包括数据净化和数据规范化。剔除原始数据集中的冗余信息，填充数据邻域的均值或者中间值，以保证数据序列的完整性。处理包括多余数据和丢失数据的错误数据，如公式（6）所示。

（6）

式中：y（t）为电网目前的负荷顺序；x（t）为剔除误差后的载荷序列；m为异常数据的数目；ωi为对离散数据有影响力的参数；Iit为在采样时间t下，功率负载数据所对应的脉冲函数。

电力负荷数据具有正态分布的特性，如果使用传统的偏差标准化方法，就会打乱原来的时序分布。平均标准化处理后的电量数据如公式（7）所示。

（7）

式中：x、x'分别为平均标准化前和平均标准化后的电量数据；ms为原功率负载资料的均值；sx为原电负载资料的标准偏差。

基于此对电力负载数据进行标准化处理，使其既能保证数据的维数，又能保证序列的正态分布特性。针对相同日期的电力负荷数据X=（X1，X2，…，Xn），利用绝对中值差分方法进行异常数据识别，获得一组电力负载数据的平均数X，如公式（8）所示。

W=median（|Xi-|） （8）

式中：median为中间函数。

利用公式（8）求出中间值后，可以得到一个比较合理的日电力负荷数据数值范围[-nW，+nW]，如果超过这个范围，就判定为不正常。将X'作为类似日期的异常负荷数据，对识别出的异常数据X'的缺失值，采用拉格朗日差方法进行填补，即基于荷载数据点间的连续性变化，对缺失点前、后的数值进行插值修复，从而填补缺损点。在此基础上，针对已有的日均电量数据，进行数据净化和数据规范化预处理，利用数据净化技术修补原负荷数据中存在的离群点，对不同维度的原始数据进行归一化处理，对同一时间点进行变换，从而保证数据的质量[4]。

2.2 神经网络分类负荷预测优化

本文针对负荷分层特征，确立基于多层深层神经网络（DNN）的建模方法，采用多种网络结构和参数对其进行分层采样，以高效描述负荷分层特征。采用深层神经网络对图像进行初步特征提取和非线性转换，并将其输入已有的预测模型中。该方法充分发挥了深度学习的优势，并将其与传统预测模型的稳定性能相结合，更好地解决复杂、多变的电网负荷预测问题[5]。利用神经网络分类器对所抽取的电力负载的特征量进行分类和融合，并在此基础上对所抽取的电能进行分类和融合。

本文在优化过程中，重点对模型参数进行了合理调节和选取。采用交叉验证、网格搜索等方法，系统评价各参数组合对模型性能的影响，筛选出最优参数。同时采用早停方法，避免当测试集中的性能无法继续提高时，提前停止训练。进而利用真实电网数据对提出的理论和算法进行深入研究，建立电网负荷预测与优化模型，使其具有较高的平均绝对误差和均方根值。

3 电力负荷预测仿真分析

3.1 电力负荷预测准备

为了验证基于深度神经网络的电力工程负荷预测与优化模型的有效性，本文进行了仿真试验。试验数据来自某电力公司的实际负荷数据，包括多个时间段的负荷值和相应的天气、节假日等影响因素。特征量F-score值降序排列如图2所示，采用上述F-score特征选取法，选出9个排序较高的特征量，并将其作为负载预测的特征量。

在试验中，先对数据进行预处理和特征选择，然后构建深度神经网络预测模型，并利用样本数据进行训练，再将观测数据中的负荷、气象数据按照8∶2的比例分为训练和测试2种类型。其中，预先选取的负载特性包括对当日h-1期间的负载值进行预测、对当日h-1期间的负荷值进行预报、对当日h-3期间的负荷值进行预报、对当日h-3期间的载荷值进行预报、对当日的数据种类进行预报、对2023年10月8日的气温进行预测、对2023年10月1日的天气情况进行预报。

3.2 误差结果

将本文算法与传统的BP神经网络、RBF神经网络以及不采用F-score特征的深度神经网络进行比较，得到3种算法的预测结果及其与实际负荷间的偏差曲线。不同方法的负荷预测结果如图3所示。当电力负荷值为12时，负荷实际值为7500。传统神经网络方法的负荷值为7300，本文的改进深度神经网络的负荷值为7543，接近电力负荷实际值，误差较小。

预测结果误差情况见表1，可以看出，采用F-score特征选取的深层神经网络可以取得最佳预测效果，该算法的预测结果与实际负荷的偏差最小，并且RMSE为1.79，也是最小的。传统深度神经网络的MAPE为4.14，RMSE为5.53，预测时间为131.26s，而本文的改进深度神经网络方法的MAPE为2.70，RMSE为1.80，预测时间为123.52s，预测时间比传统神经网络快了7.7s。因此，利用F-score的特征选取可以进一步提升深层神经网络的预测能力，使其预测时间更短，能够更好地满足实时负荷预测的需求。因此本文的改进深度神经网络在电力负荷预测用时方面具有显著优势，这不仅有助于在最短的时间内完成电力资源的优化配置，而且能帮助电力工程负责人提前安排作业机组启动。

3.3 精度对比

对本文所建模型在不同时段、不同负载特征下的预测精度进行评价，电力负荷预测值的精度对比见表2。与BP神经网络、RBF神经网络和传统深度神经网络相比，本文方法的预测准确率有显著提高。特别是尖峰时段，负荷波动剧烈，常规方法很难精确捕获。对负荷特性进行精细化筛选，并对模型参数进行优化，可以更好地拟合负荷变化趋势，降低预报误差。在低谷期，虽然负荷变化不大，但是该方法仍能保持较高的预报精度。当迭代次数为100时，第一次精度为0.896，第三次精度为0.835，比第一次低了0.061，迭代次数越多，精度越小，表明采用本文方法进行高压电网电力负荷采集的精度较高。准确的负荷预测能够促进电力工程中的电源建设和电网布局，因此本文方法可加强对电力工程输变电相关设施的扩建，并完善改造计划。

4 结论

本文采用F-score特征选取与深层神经网络相结合的方法，对电力负荷进行高精度预报。试验证明，本文提出的F-score特征选取算法具有较高的预测精度与高效性，可以为电网安全、稳定运行与优化调度提供重要支撑。尤其当负载达到12级时，其预报结果与实测结果基本吻合，误差较小。与单个模型相比，本文方法能够有效提高电力系统的负荷预测精度和可靠性，其预测结果与实际负荷值的偏差最小，平均绝对误差MAPE为2.69，均方根误差RMSE为1.79，预测精度显著提升，证明本文方法在电力负荷预测领域具有有效性，提升了电力工程的规划效果和运行稳定性，在电力工程运行研究中具有实用价值。

参考文献

[1]曾泓泰，郭庆来，周艳真，等.面向电网运行方式计算的不收敛潮流无功调整方法[J].电力系统保护与控制，2022，50（19）：1-12.

[2]尹浩然，张玲华.基于N-BEATS的能源互联网负荷预测[J].电子设计工程，2024，32（11）：76-81.

[3]生红莹，赵伟国，陈扬，等.基于深度数据挖掘的电力系统短期负荷预测[J].吉林大学学报（信息科学版），2023，41（1）：131-137.

[4]蒋燕，王秀峰，高道春，等.面向区域综合能源系统的电-气负荷联合预测研究[J].电测与仪表，2023，60（5）：154-158.

[5]张赫.基于数据关联性挖掘的电力系统暂态稳定态势感知研究[J].电气应用，2024，43（5）：93-101.