楊迪 張璐 楊力人 方亮 劉繼江

（1.中國三峽新能源集團有限公司甘肅分公司 2.西北工業(yè)大學）

0 引言

節(jié)能型農(nóng)村的建設已是我國經(jīng)濟發(fā)展與綠色能源可持續(xù)發(fā)展的長遠目標。在“碳達峰、碳中和”與構建新型電力系統(tǒng)愿景下，電力系統(tǒng)的發(fā)展進程將迎來巨大挑戰(zhàn)，因此，對電力負荷精準預測有利于提高電力系統(tǒng)的經(jīng)濟性、平衡性、可靠性。

國內(nèi)外學者均對負荷預測進行相應的研究，王曉輝[1]等人利用PSO算法能夠?qū)ふ胰肿顑?yōu)解的特點進行LSTM超參數(shù)尋優(yōu)，并與傳統(tǒng)LSTM神經(jīng)網(wǎng)絡預測模型及BP神經(jīng)網(wǎng)絡預測模型進行對比，驗證了該方法的預測精度較高。鄧智廣[2]針對現(xiàn)階段電力負荷預測要求逐漸提高，提出一種基于貝葉斯分類的短期負荷預測模型，結(jié)果表明該預測方法較傳統(tǒng)方法預測的精度更高。朱經(jīng)紅[3]基于混沌時間序列提出一種新的城網(wǎng)飽和負荷預測方法。結(jié)果表明，該方法預測結(jié)果較為準確，可在短時間內(nèi)達到較高預測精度。

本文基于實際農(nóng)村負荷數(shù)據(jù)，研究基于CNN與LSTM的電力負荷預測模型，并與ARIMA的負荷預測方法進行對比，驗證了本文提出的電力負荷預測模型的優(yōu)越性。

1 研究理論

1.1 預測模型

（1）CNN

卷積神經(jīng)網(wǎng)絡（CNN，Convolutional Neural Networks）是常用來處理已知網(wǎng)絡拓撲結(jié)構的神經(jīng)網(wǎng)絡結(jié)構。隨著CNN不斷改進，出現(xiàn)許多卷積網(wǎng)絡結(jié)構變體，包含輸入層、卷積層、池化層、全連接層及輸出層，卷積層用于提取底層特征，池化層實現(xiàn)數(shù)據(jù)維度下降并防止過擬合，全連接層匯總卷積層與池化層得到信息并輸出。

（2）LSTM

長短時記憶神經(jīng)網(wǎng)絡（LSTM，Long Shortterm Memory）是一種特殊的遞歸神經(jīng)網(wǎng)絡（RNN，Recurrent neural network），可以解決長序列訓練過程中的梯度消失和梯度爆炸問題，LSTM在長序列中有更好的表現(xiàn)。結(jié)構圖如圖1所示。

圖1 LSTM結(jié)構

LSTM在訓練過程中，將歷史有用的信息保留，無用的信息遺忘，比RNN處理長序列問題的效果更好。常用Sigmoid激活函數(shù)輸出區(qū)間為（0,1），有助于及時更新數(shù)據(jù)，Tanh與Sigmoid函數(shù)類似，但其輸出區(qū)間為（-1,1）。

1.2 灰色關聯(lián)分析

為提高預測精度及訓練速度，需采用相關分析法篩選影響因素?；疑P聯(lián)度法是灰色理論的重要分支，可分析多因素之間的關聯(lián)度。因其對樣本數(shù)量要求不高、計算量小等特點，本文選擇該方法篩選影響因素，步驟如下。

（1）確定參考序列X0及比較序列Xi

（2）采用均值化法無量綱處理

（3）計算絕對差值

（4）由絕對差值計算極差

（5）求關聯(lián)度系數(shù)

（6）求灰色關聯(lián)度

（7）灰色關聯(lián)度排序

2 研究過程

2.1 數(shù)據(jù)處理

本文以陜西某農(nóng)村地區(qū)實際負荷為研究對象，經(jīng)過前期數(shù)據(jù)整理共得到數(shù)據(jù)間隔為1h的14982組數(shù)據(jù)，由于臨時檢修，有6天的數(shù)據(jù)存在異常，為提高預測精度，將這6天的數(shù)據(jù)經(jīng)過經(jīng)驗修正法處理得到有效的14976組數(shù)據(jù)。

2.2 負荷特性分析

（1）季節(jié)特性

負荷變化具有一定規(guī)律，為進一步分析該地區(qū)負荷變化情況，將數(shù)據(jù)進行四季劃分，得到春、夏、秋、冬負荷數(shù)據(jù)分別為184天、184天、106天、150天，具體變化如圖2所示。

圖2 四季負荷變化

由圖可知，在不同季節(jié)的負荷變化趨勢相似，但量級存在差異，冬季因供暖需求大，故負荷需求量較大，春季次之，夏、秋季負荷需求量較小。

（2）周負荷

周負荷變化如圖3所示。

圖3 周負荷變化曲線

由圖3可知，周負荷曲線變化具有周期性。農(nóng)村用戶負荷變化情況不同于學?；蚱渌k公場所，工作日與休息日并無較大差異。

（3）日負荷

本文以春分、夏至、秋分及冬至四個典型日為例，分析日負荷的變化情況。

由圖4可知，日負荷變化趨勢呈“三峰兩谷”特性，冬至因供暖需求使得負荷值較大，波峰出現(xiàn)早上7～9時、下午13～15時、晚上19～21時，反映了農(nóng)村用戶日常生活。

圖4 日負荷變化特性

2.3 氣象因素

結(jié)合1.2節(jié)內(nèi)容，本文選擇溫度、露點、濕度等參數(shù)作為灰色關聯(lián)度比較序列，實際負荷值為參考序列，各參數(shù)與負荷的關聯(lián)度如表1所示。

表1 灰色關聯(lián)度

結(jié)果表明，各氣象參數(shù)與負荷的關聯(lián)度均大于0.6，說明各參數(shù)均與負荷有一定關聯(lián)性，本文選擇大于0.7的參數(shù)作為預測模型輸入量。

3 負荷預測

3.1 評價參數(shù)

為準確評估預測模型性能，本文選擇平均絕對誤差（MAE）、平均平方根誤差（RMSE）、平均絕對百分誤差（MAPE）作為評價指標，其中ti為預測值，yi為實際值。MAE反映預測值與實際值的偏離情況，值越小，預測模型更精確。RMSE與原始數(shù)據(jù)具有相同的量綱，對異常值更敏感，值越小，預測更準確，MAPE采用百分率來說明誤差的大小。計算方法如下。

3.2 預測模型參數(shù)設置

預測模型輸入節(jié)點數(shù)為4，輸出節(jié)點數(shù)為1，隱層采用單層結(jié)構，同時設置不同的隱層神經(jīng)元數(shù)量，為避免網(wǎng)絡權值隨機初始化影響，本文運行10次求平均值，結(jié)果如表2所示。

表2 隱含層神經(jīng)元設置

深度學習中需多次訓練才能得到較理想的結(jié)果，本文設置了多組Epoch，測試結(jié)果如表3所示。

表3 Epoch設置

綜上，本文隱層神經(jīng)元個數(shù)選擇80，Epoch設置為200，優(yōu)化器選擇Adam，Dropout設置為0.2。

3.3 預測結(jié)果評價及分析

本文對該農(nóng)村負荷進行不同時間尺度預測，變化趨勢與預測結(jié)果如圖5、圖6所示。

圖5 日負荷預測

圖6 周負荷預測

由表4知，以日負荷預測為例，相比ARIMA預測，CNN預測的MAE、RMSE、MAPE分別降低0.0626MW、0.0622MW、6.51%，LSTM預測的MAE、RMSE、MAPE分別降低0.176MW、0.211MW、12.26%。結(jié)果表明，三種預測模型精度由高至低依次為LSTM、CNN、ARIMA。

表4 預測結(jié)果評價

4 結(jié)束語

本文以陜西某農(nóng)村變電站為研究對象，基于實際變電站的負荷數(shù)據(jù)結(jié)合神經(jīng)網(wǎng)絡算法實現(xiàn)不同時間尺度的負荷預測，得出以下結(jié)論。

1）以季節(jié)、周、日為量綱，對負荷進行特性分析，結(jié)果表明不同時間尺度下負荷的變化趨勢存在差異，同時溫度、濕度、風速、氣壓與負荷具有一定關聯(lián)度。

2）建立ARIMA、CNN及LSTM預測模型，其中，LSTM預測精度最高，其預測日負荷時MAE為0.2314MW，RMSE為0.2965MW，MAPE為17.14%；預測周負荷時MAE為0.2237MW，RMSE為0.2949MW，MAPE為15.00%。

上述研究可供電力能源規(guī)劃、可行性分析等方面提供支持，對電力系統(tǒng)的安全穩(wěn)定經(jīng)濟運行有實際作用，具有一定推廣性。