大地方便了模型的建立,僅需要一個網絡即可完成高精度的負荷預測,這也是LSTM網絡在負荷預測上優于傳統神經網絡的方面。

 2 實例驗證

本文采用EUNITE負荷數據競賽中1997年的一年數據為樣本,其中前11個月為訓練數據集,預測12月5、6日每天24 h的負荷值,所取驗證集中12月5日為工作日,12月6日為休息日,采用本文所提基于LSTM神經網絡的模型進行訓練預測,同時采用傳統的基于多層BP神經網絡的模型進行對照。

圖7和圖8分別為LSTM網絡和BP網絡的訓練誤差下降曲線,其中橫軸為訓練次數,縱軸為訓練誤差。以同樣訓練1 000步為分界點,可以看出對同樣的數據而言,LSTM網絡在訓練步數為100左右已經降到0.1以下,且網絡已經收斂。而多層BP網絡在1 000步時訓練誤差還為兩位數,可見LSTM學習效率明顯高于傳統的多層BP神經網絡。

圖7 LSTM網絡訓練誤差下降曲線Fig.7 LSTM network training error decline curve

圖8 BP網絡訓練誤差下降曲線Fig.8 BP network training error decline curve

采用訓練好的模型對12月5、6日的負荷數據進行預測,結果如圖9、10所示,其中實線為真實數據,虛線為LSTM神經網絡所預測數據,‘*’為多層BP神經網絡預測數據。

圖9 1997.12.05預測數據與真實數據對比Fig.9 Comparison of predicted data and real data for 5 December 1997

圖10 1997.12.06預測數據與真實數據對比Fig.10 Comparison of predicted data and real data for 6 December 1997

下表1、2為所預測2天的預測誤差,從中可以看出LSTM神經網絡所建立的負荷預測模型誤差很小,且較為穩定,在2天48個點的預測中,僅有少數幾個點的誤差接近3%,大都集中于1.5%附近,具有很高的預測準確率;而基于多層BP神經網絡所搭建的負荷預測模型誤差率較高,誤差大都大于3%,一部分點的誤差大于5%,不滿足短期預測的精度要求。

表1 1997.12.05預測數據與真實數據對比Tab.1 Comparison of predicted data and real data for 5 December 1997

表2 1997.12.06預測數據與真實數據對比Tab.2 Comparison of predicted data and real data for 6 December 1997

在負荷預測評判標準中,應用最廣泛的為平均百分誤差（MAPE）,其定義為

表3 2種方法E_MAPE值對比Tab.3 Comparison of E_MAPE values in two methods

從上表可以明顯看出,基于LSTM神經網絡的負荷預測方法的平均百分誤差要遠小于多層BP網絡,證明該方法在使用效果上遠遠優于傳統方法。

 3 結語

本文從負荷數據本身的特性出發,通過研究負荷數據的周期性解釋了本文采用基于LSTM神經網絡的負荷研究方法的原因,然后介紹了LSTM的原理,從原理上解釋了該方法對于負荷預測的適用性,隨后對輸入輸出量的選擇進行了討論,設計網絡和確定參數,為模型建立打下基礎。最后采用EUNITE競賽的實際數據進行仿真,將數據進行預處理后輸入進模型進行訓練預測,結果證明基于LSTM神經網絡的負荷預測模型具有更高的精確度和更好的適用性。

參考文獻

[1] 張東霞, 苗新, 劉麗平, 等. 智能電網大數據技術發展研究[J]. 中國電機工程學報, 2015, 35(1): 2-12.

ZHANG Dong-xia, MIAO Xin, LIU Li-pin, et al.Research on development strategy for smart grid big data[J]. Proceedings of the CSEE, 2015, 35(1): 2-12.

[2] 劉凱. 基于改進BP神經網絡的短期負荷預測研究[D]. 常州: 河海大學, 2005: 7-9.

[3] HIPPERT H S, PEFREIRA C E, SOUZA R C.Neural network for short-term load forecasting a review and evaluation[J]. IEEE Trans on Power System, 2001, 16(2):44-54.

[4] 呂嬋. 基于BP神經網絡的短期負荷預測[D]. 武漢: 華中科技大學, 200.

[5] BASHIR Z A, EI-HAWARY M E. Applying wavelets to short-term load forecasting using PSO-based neural networks[J]. IEEE Transactions on Power System,2009, 24(1): 20-27.

[6] 邰能靈, 侯志儉, 李濤, 等. 基于小波分析的電力系統短期負荷預測方法[J]. 中國電機工程學報, 2003, 23(1): 45-48.

TAI Neng-ling, HOU Zhi-jian, LI Tao, et al.New principle based on wavelet transform for power system short-term load forecasting[J]. Proceedings of the CSEE,2003, 23(1): 45-48.

[7] DUDEK G.Short-term load forecasting using random forests[C]// IEEE Conf. on Intelligent Systems, 2014: 821-828.

[8] HOCHREITER S, SEHMIDHUBERJ. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780.

[9] GRAVES A.Supervised sequence labelling with recurrent neural networks[D]. Ph. D Dissertation. Manno. Switzerland: Technical University of Munich,2008.

[10] 杜明建. 大數據技術在負荷預測與負荷特性分析中的應用[D]. 南京: 東南大學, 2015.

[11] 李炎, 翟永杰, 周倩, 等. 基于EUNITE競賽數據的中期電力負荷預測[J]. 華北電力大學學報, 2007, 34(4): 22-26.

LI Yan, ZHAI Yong-jie, ZHOU Qian, et al.Mid-term load forecasting based on EUNITE competition[J]. Journal of North China Electric Power University, 2007,34(4): 22-26.

[12] PANKRATZ A.Forecasting with univariate Box-Jenkins model[M]. John Wiley & Sons, 1983.