一種基于LSTM神經(jīng)網(wǎng)絡(luò)的短期用電負荷預(yù)測方法
0 引言
當(dāng)今社會中,隨著傳感器技術(shù)、實時監(jiān)測與數(shù)據(jù)存儲技術(shù)的飛速發(fā)展,電力數(shù)據(jù)量和復(fù)雜度也呈指數(shù)增長,這一現(xiàn)象在用戶側(cè)尤為突出。如何發(fā)掘用戶側(cè)海量數(shù)據(jù)的價值,對大量數(shù)據(jù)進行高效合理的應(yīng)用成為當(dāng)今智能電網(wǎng)時代下亟待解決的問題[1]。
負荷預(yù)測基于電力負荷歷史數(shù)據(jù),旨在通過研究負荷數(shù)據(jù)自身的相關(guān)性及變化情況,社會條件以及其他自然情況(如溫度)之間的內(nèi)在聯(lián)系,探索出負荷的發(fā)展規(guī)律,從而對未來某一時間段的負荷數(shù)據(jù)進行預(yù)測的方法。電力系統(tǒng)由電網(wǎng)和電力用戶組成,電網(wǎng)的作用即為各類用戶提供滿足要求的電能,由于電能的不可儲存性,如何合理地實現(xiàn)供電負荷分配,進而保證穩(wěn)定性和經(jīng)濟性成為電網(wǎng)部門面臨的重要問題。負荷預(yù)測在解決上述問題的過程中扮演了重要角色,英國的研究結(jié)果表明,短期負荷預(yù)測的誤差每增加1%將導(dǎo)致每年運行成本增加約1 770萬英鎊。在挪威,每增加1%的短期負荷預(yù)測誤差將導(dǎo)致455萬~910萬歐元的附加運行成本[2];對于電網(wǎng)而言,準(zhǔn)確地負荷預(yù)測可對發(fā)電廠的出力要求提出預(yù)告,合理地安排本網(wǎng)內(nèi)各發(fā)電機組的啟停,使系統(tǒng)始終運行在要求的安全范圍內(nèi)。
根據(jù)預(yù)測結(jié)果分類,負荷預(yù)測可分為短期負荷預(yù)測和中長期負荷預(yù)測。對于短期負荷預(yù)測,國內(nèi)外研究方法主要可以概括為以下2類:一類是以時間序列法為代表的傳統(tǒng)方法;另一類是以人工神經(jīng)網(wǎng)絡(luò)法為代表的新型人工智能方法。前者主要有時間序列法、多元線性回歸法及傅立葉展開法等[3],這些方法多以純數(shù)學(xué)理論為根基,難以適應(yīng)日新月異的電網(wǎng)發(fā)展和用戶側(cè)日益提高的需求而被逐漸淘汰。而在新型人工智能方法中,運用最為典型的是神經(jīng)網(wǎng)絡(luò)法。文獻[2,4]運用了神經(jīng)網(wǎng)絡(luò)中最為普遍的BP神經(jīng)網(wǎng)絡(luò),采用Levenberg-Marquardt算法進行訓(xùn)練,該方法預(yù)測效果受到BP網(wǎng)絡(luò)結(jié)構(gòu)簡單、學(xué)習(xí)能力較差的限制,達不到很高的精度。隨著研究的進展,單一的神經(jīng)網(wǎng)絡(luò)方法逐漸顯露出了它的局限性,將神經(jīng)網(wǎng)絡(luò)與其他算法相結(jié)合的思想為越來越多的研究人員所采用。文獻[5]提出了一種基于粒子群算法的神經(jīng)網(wǎng)絡(luò)方法進行短期負荷預(yù)測,通過粒子群算法優(yōu)化網(wǎng)絡(luò)初始值以及每個階段網(wǎng)絡(luò)的參數(shù)。除了代表性的神經(jīng)網(wǎng)絡(luò)算法以外,信息時代的發(fā)展也使得負荷預(yù)測的方法越來越多元化,文獻[6]提出了基于小波聚類的方法對配變負荷進行預(yù)測研究;文獻[7]采用了隨機森林算法進行負荷預(yù)測。
短期負荷主要用于預(yù)測未來幾天的負荷數(shù)據(jù)。而對于日負荷數(shù)據(jù)而言,具有很強的周期性,具體體現(xiàn)在以下幾點[3]:不同日的日負荷曲線其整體規(guī)律相似;同一星期類型日負荷規(guī)律相似;工作日、休息日負荷規(guī)律各自相似;不同年度法定節(jié)假日的規(guī)律相似。
針對日負荷數(shù)據(jù)周期性很強這一特點,本文提出了一種基于LSTM神經(jīng)網(wǎng)絡(luò)的負荷預(yù)測方法。LSTM神經(jīng)網(wǎng)絡(luò)是基于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks,RNN)改進的一種人工智能算法,對于處理時間序列相關(guān)的數(shù)據(jù)有很好的效果。而后以負荷數(shù)據(jù)自身為訓(xùn)練數(shù)據(jù)和輸出標(biāo)簽,通過迭代訓(xùn)練的方法建立負荷預(yù)測模型,該方法可充分利用負荷數(shù)據(jù)之間的相關(guān)性,從而提高負荷預(yù)測的精度,同時降低所需歷史數(shù)據(jù)的維度大小。最后通過實際數(shù)據(jù)進行仿真實驗,并與傳統(tǒng)的負荷預(yù)測方法進行對比,證明該方法具有更高的精確度和更快的收斂速度。
1 基于LSTM神經(jīng)網(wǎng)絡(luò)的模型建立
1.1 LSTM神經(jīng)網(wǎng)絡(luò)原理
LSTM神經(jīng)網(wǎng)絡(luò)最早由Hochreiter等提出[8],并由Graves進行改進[9],是基于RNN的一種完善,解決RNN 中易出現(xiàn)的梯度消亡問題。
RNN相比于與普通的神經(jīng)網(wǎng)絡(luò),最大的區(qū)別就是各個隱藏層單元并不是相互獨立的,各個隱藏層之間不僅相互聯(lián)系,還與此隱藏層單元所接受時刻之前的時序輸入有關(guān),這個特性對于處理與時序相關(guān)的數(shù)據(jù)有極大的幫助。單個RNN隱藏層單元展開圖如
圖1 單個RNN隱藏層單元展開圖Fig.1 Unfolding of single RNN hidden layer unit
如圖所示,U,V,W分別為輸入到隱含層、隱含層到隱含層、隱含層到輸出的權(quán)重,x為神經(jīng)網(wǎng)絡(luò)的輸入,O為神經(jīng)網(wǎng)絡(luò)的輸出,S為隱含層當(dāng)前的時刻狀態(tài)。在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中,每一個網(wǎng)絡(luò)層的參數(shù)是不共享的。而在RNN中,每輸入一步,每一層都各自共享參數(shù)U,V,W。這反映出RNN中的每一步都在做相同的事情,只是輸入不同,這樣的訓(xùn)練方式大大降低了網(wǎng)絡(luò)中需要學(xué)習(xí)的參數(shù),在保證精度的前提下極大地縮短了訓(xùn)練時間。
但RNN存在這樣一個問題[8]:對于標(biāo)準(zhǔn)的RNN架構(gòu)來說,在實踐中可聯(lián)系的“上下文”十分有限,較遠時刻的“記憶”對于輸出的影響要么衰減的很小,要么呈指數(shù)爆炸增長,這個問題通常被稱為“梯度消亡問題”。
圖2 LSTM單元結(jié)構(gòu)Fig.2 Structure of LSTM unit
而LSTM則是一種用于解決梯度消亡現(xiàn)象的改進型RNN。LSTM單元結(jié)構(gòu)[9]如
1.2 基于LSTM網(wǎng)絡(luò)的負荷預(yù)測模型建立
1.2.1 輸入數(shù)據(jù)的預(yù)處理
由于在數(shù)據(jù)采集過程中,存在人為操作不當(dāng)、設(shè)備老化等情況的影響,造成壞數(shù)據(jù)的產(chǎn)生,極大地影響預(yù)測模型的準(zhǔn)確度,因此在輸入訓(xùn)練數(shù)據(jù)前需要對樣本中的壞數(shù)據(jù)進行識別與處理。
本文基于負荷數(shù)據(jù)的周期性,假定短時間內(nèi)數(shù)據(jù)橫向相似,即不會有突變,采用橫向比較法進行壞數(shù)據(jù)的識別處理[10],利用樣本統(tǒng)計指標(biāo)與設(shè)定閾值判斷是否有非正常數(shù)據(jù),因傳感器采樣頻率為每30 min一個點,故所采集的數(shù)據(jù)為n天48個單位的矩陣,處理具體步驟如下:
1)首先基于式(1)、(2)計算序列的均值與方差。
2)再通過式(3)進行3σ原理的非正常數(shù)判斷,其中ε為閾值,通常取1~1.5。
其中 為Xn,i附近2個橫向負荷點,
經(jīng)過歸一化之后變?yōu)榫仃嚕?/span>
這里 為變量的極差,經(jīng)過式(6)變換后,所得負荷數(shù)據(jù)值均在0~1之間,完成了歸一化。
1.2.2 輸入輸出量的選擇
在對輸入數(shù)據(jù)進行預(yù)處理之后,如何選擇合適的輸入量及標(biāo)簽來使用神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練,是建立負荷預(yù)測模型中最為關(guān)鍵的一步。
本文主要是預(yù)測未來某幾天24 h的負荷值,
圖3 某2周負荷數(shù)據(jù)隨時間變化曲線Fig.3 Curves of load data variation with time in a given two week period
由3圖對比可以看出,負荷數(shù)據(jù)按工作日和休息日每周呈周期性變化,周末時用電負荷與工作日相比有所下降,為了更好地利用這一特性,本文采用迭代預(yù)測的方式,如要預(yù)測12月28號的24 h負荷值,以11月1~7號的歷史負荷數(shù)據(jù)作為輸入,11月8號的歷史負荷數(shù)據(jù)作為標(biāo)簽輸出進行第一次訓(xùn)練,而后以11月2~8號的歷史負荷數(shù)據(jù)作為輸入,9號的歷史負荷數(shù)據(jù)作為標(biāo)簽輸出進行第二次訓(xùn)練,以此種方式進行迭代預(yù)測直到得到12月28號的負荷預(yù)測值,同時,本文將歷史數(shù)據(jù)采用one-hot編碼后再作為訓(xùn)練樣本[11],可更好地利用歷史負荷數(shù)據(jù)的周期性規(guī)律。
在時間序列模型階數(shù)的選擇上,本文采用了如下方法[11],電力負荷屬于隨機過程,在隨機過程研究中,自相關(guān)系數(shù)能夠顯示隨機過程是否平穩(wěn)以及選擇合適的模型階數(shù)[12],訓(xùn)練數(shù)據(jù)的自相關(guān)系數(shù)如
圖4 訓(xùn)練數(shù)據(jù)的自相關(guān)系數(shù)Fig.4 Autocorrelation coefficients of training data
1.2.3 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定
確定了輸入輸出量之后,下一步關(guān)鍵工作是確定一個合適的網(wǎng)絡(luò)結(jié)構(gòu),網(wǎng)絡(luò)結(jié)構(gòu)中,最核心的步驟是先確定輸入輸出節(jié)點個數(shù)。
1)多模型單變量預(yù)測:使用24個不同的神經(jīng)網(wǎng)絡(luò)預(yù)測模型分別對應(yīng)一天中的24 h,此種方法優(yōu)點是單個網(wǎng)絡(luò)結(jié)構(gòu)較為小、參數(shù)易收斂;缺點是過程冗雜,同時單個網(wǎng)絡(luò)易過擬合,多變量單模型示意如
圖5 多模型單變量示意Fig.5 Multi-model and single variable
2)單模型多變量預(yù)測:用24個輸出節(jié)點代表一天的24 h,同時預(yù)測一天各小時的負荷數(shù),在傳統(tǒng)方法中若采用此種結(jié)構(gòu)的網(wǎng)絡(luò),網(wǎng)絡(luò)的結(jié)構(gòu)將會極為復(fù)雜,會有上千個參數(shù)需要訓(xùn)練更新,極大地影響網(wǎng)絡(luò)的運算速度和預(yù)測精度。單變量多模型示意如
圖6 單模型多變量示意Fig.6 Single model and multiple variables diagram
本文采用多變量單模型方法構(gòu)建網(wǎng)絡(luò),本文引言中有提到。由于LSTM網(wǎng)絡(luò)權(quán)重共享方式上與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的不同,當(dāng)采用24個輸出節(jié)點時,LSTM所需要學(xué)習(xí)的參數(shù)相比于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)大為減少,極

責(zé)任編輯:售電衡衡
- 相關(guān)閱讀
- 泛在電力物聯(lián)網(wǎng)
- 電動汽車
- 儲能技術(shù)
- 智能電網(wǎng)
- 電力通信
- 電力軟件
- 高壓技術(shù)
-
權(quán)威發(fā)布 | 新能源汽車產(chǎn)業(yè)頂層設(shè)計落地:鼓勵“光儲充放”,有序推進氫燃料供給體系建設(shè)
2020-11-03新能源,汽車,產(chǎn)業(yè),設(shè)計 -
中國自主研制的“人造太陽”重力支撐設(shè)備正式啟運
2020-09-14核聚變,ITER,核電 -
探索 | 既耗能又可供能的數(shù)據(jù)中心 打造融合型綜合能源系統(tǒng)
2020-06-16綜合能源服務(wù),新能源消納,能源互聯(lián)網(wǎng)
-
新基建助推 數(shù)據(jù)中心建設(shè)將迎爆發(fā)期
2020-06-16數(shù)據(jù)中心,能源互聯(lián)網(wǎng),電力新基建 -
泛在電力物聯(lián)網(wǎng)建設(shè)下看電網(wǎng)企業(yè)數(shù)據(jù)變現(xiàn)之路
2019-11-12泛在電力物聯(lián)網(wǎng) -
泛在電力物聯(lián)網(wǎng)建設(shè)典型實踐案例
2019-10-15泛在電力物聯(lián)網(wǎng)案例
-
新基建之充電樁“火”了 想進這個行業(yè)要“心里有底”
2020-06-16充電樁,充電基礎(chǔ)設(shè)施,電力新基建 -
燃料電池汽車駛?cè)雽こ0傩占疫€要多久?
-
備戰(zhàn)全面電動化 多部委及央企“定調(diào)”充電樁配套節(jié)奏
-
權(quán)威發(fā)布 | 新能源汽車產(chǎn)業(yè)頂層設(shè)計落地:鼓勵“光儲充放”,有序推進氫燃料供給體系建設(shè)
2020-11-03新能源,汽車,產(chǎn)業(yè),設(shè)計 -
中國自主研制的“人造太陽”重力支撐設(shè)備正式啟運
2020-09-14核聚變,ITER,核電 -
能源革命和電改政策紅利將長期助力儲能行業(yè)發(fā)展
-
探索 | 既耗能又可供能的數(shù)據(jù)中心 打造融合型綜合能源系統(tǒng)
2020-06-16綜合能源服務(wù),新能源消納,能源互聯(lián)網(wǎng) -
5G新基建助力智能電網(wǎng)發(fā)展
2020-06-125G,智能電網(wǎng),配電網(wǎng) -
從智能電網(wǎng)到智能城市