劉義卿 陳新房

（防災(zāi)科技學(xué)院，河北 廊坊 065201）

1 電力預(yù)測(cè)研究意義

能源是人類文明存在和發(fā)展的基礎(chǔ)，是提高人民生活水平和發(fā)展現(xiàn)代科學(xué)技術(shù)的重要物質(zhì)基礎(chǔ)。人類文明的發(fā)展過程可以看作是社會(huì)主要能源不斷更新?lián)Q代和升級(jí)，轉(zhuǎn)化利用方式不斷改進(jìn)的過程[1]。電力預(yù)測(cè)主要是探討電力負(fù)荷的變化規(guī)律和影響因素[2]，可以幫助監(jiān)控電力的生產(chǎn)、傳輸和消耗，并平衡它們之間的關(guān)系[3]。傳統(tǒng)的電力預(yù)測(cè)方法通?；诮y(tǒng)計(jì)模型或時(shí)間序列模型，這些模型往往需要手動(dòng)選擇特征和調(diào)整模型參數(shù)，對(duì)于復(fù)雜的電力系統(tǒng)和大規(guī)模的數(shù)據(jù)集來說，建模和訓(xùn)練往往非常困難。而神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的自適應(yīng)能力和非線性建模能力，可以自動(dòng)地從數(shù)據(jù)中提取特征和建模，從而更好地適應(yīng)復(fù)雜的電力系統(tǒng)和大規(guī)模的數(shù)據(jù)集。對(duì)確保動(dòng)態(tài)平衡和智能電網(wǎng)的穩(wěn)定可靠運(yùn)行、智能電網(wǎng)的平穩(wěn)可靠運(yùn)行具有重要意義。

2 算法介紹

2.1 卷積神經(jīng)網(wǎng)絡(luò)（CNN）

CNN[4]包括卷積層、激活函數(shù)、池化層和全連接層（如圖1）。其中，CNN通過卷積操作提取輸入數(shù)據(jù)的局部特征，并通過激活函數(shù)進(jìn)行非線性變換，進(jìn)而實(shí)現(xiàn)對(duì)數(shù)據(jù)的高效處理和分類。池化操作則用于對(duì)卷積層的輸出進(jìn)行下采樣，進(jìn)一步提高模型的魯棒性和泛化能力。池化層可以降低數(shù)據(jù)的維度，減少模型的計(jì)算量，并增強(qiáng)模型的不變性。全連接層則用于將卷積層的輸出轉(zhuǎn)化為最終的分類或回歸結(jié)果。全連接層通常也會(huì)與激活函數(shù)一起使用，以實(shí)現(xiàn)非線性的分類和回歸[5]。

圖1 CNN結(jié)構(gòu)

因?yàn)闀r(shí)序數(shù)據(jù)只沿時(shí)間軸方向延展，所以采用一維卷積層，疊加兩個(gè)成倍數(shù)關(guān)系的過濾器，通過滑動(dòng)窗口捕捉時(shí)間序列數(shù)據(jù)的特征。

2.2 長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)

RNN的初衷是學(xué)習(xí)對(duì)時(shí)間序列問題的長(zhǎng)期依賴性。實(shí)踐證明，RNN在處理這一問題上具有良好的性能。同時(shí)，大量實(shí)驗(yàn)表明，標(biāo)準(zhǔn)RNN在訓(xùn)練過程中會(huì)因?yàn)榈鴮?dǎo)致梯度消失和梯度爆炸[6]。為了解決這個(gè)問題，Hochreiter提出了LSTM。LSTM是一種特殊的RNN，適用于處理序列數(shù)據(jù)，如語音識(shí)別和自然語言處理。它具有記憶長(zhǎng)期依賴關(guān)系的特點(diǎn)，這使得它能更好地處理序列數(shù)據(jù)。LSTM的核心是長(zhǎng)期記憶單元[7]，它可以記住以前的輸入和輸出，并根據(jù)當(dāng)前輸入和上一個(gè)時(shí)間步的輸出來更新自身狀態(tài)。這種能力使得LSTM在處理時(shí)序數(shù)據(jù)時(shí)表現(xiàn)出色。記憶單元由三個(gè)門（Gate）控制：輸入門（Input Gate）、遺忘門（Forget Gate）和輸出門（Output Gate）。輸入門用于控制新輸入的信息，遺忘門用于控制以前的信息是否應(yīng)該被遺忘，輸出門用于控制當(dāng)前狀態(tài)的輸出。LSTM中的門由邏輯回歸單元控制，其激活函數(shù)為sigmoid函數(shù)，用于將輸入值映射到0到1之間。門的輸出值接近1時(shí)，門完全打開；接近0時(shí)，門完全關(guān)閉。這種機(jī)制使得LSTM能夠有效地控制信息的流動(dòng)，從而更好地處理序列數(shù)據(jù)。

LSTM的基本網(wǎng)絡(luò)單元如圖2所示。輸入、狀態(tài)存儲(chǔ)器單元和中間輸出共同確定狀態(tài)存儲(chǔ)器單元的遺忘部分。在輸入門中，在sigmoid和tanh函數(shù)之后確定狀態(tài)存儲(chǔ)器單元中的保留向量。中間輸出由更新的和輸出，計(jì)算如公式1至公式6所示[8]。

圖2 LSTM基本結(jié)構(gòu)圖

對(duì)于時(shí)間步t，假設(shè){xt-1，xt}{ct-1，ct}和{ht-1，ht}分別表示前一時(shí)刻和當(dāng)前時(shí)刻的輸入、記憶狀態(tài)和隱層狀態(tài)。則LSTM單元的更新公式如下：

上述公式中，sigmoid函數(shù)σ（x）=1/（1+exp（-x））為激活函數(shù)，而tanh則被用于門控制。W和b分別代表記憶單元和門控制的權(quán)重和偏置。從上述更新公式可以看出，遺忘門用于選擇性地遺忘最后一次的單元狀態(tài)并校正參數(shù)，輸入門用于更新信息的狀態(tài)，輸出門用于讀取、輸出和校正參數(shù)。LSTM采用“門”結(jié)構(gòu)來增加信息的傳輸和交換，解決了模型訓(xùn)練中的“梯度消失與爆炸”問題，可以應(yīng)用于許多場(chǎng)景[9]。

2.3 CNN+LSTM

電力消耗預(yù)測(cè)是一種重要的電力系統(tǒng)運(yùn)營(yíng)和規(guī)劃任務(wù)，可以幫助電力公司預(yù)測(cè)未來的電力需求和電力價(jià)格，從而更好地制定電力調(diào)度和發(fā)電計(jì)劃，CNN+LSTM組合模型可以用于電力消耗預(yù)測(cè)。

在CNN+LSTM模型中，LSTM可以用于建模時(shí)間序列數(shù)據(jù)中的長(zhǎng)期依賴關(guān)系，從而更好地理解和預(yù)測(cè)電力消耗。LSTM可以自動(dòng)地從CNN提取的特征序列中學(xué)習(xí)到時(shí)間序列數(shù)據(jù)的模式和規(guī)律，并生成預(yù)測(cè)結(jié)果。CNN+LSTM模型通過反向傳播算法進(jìn)行訓(xùn)練和調(diào)優(yōu)，以最小化預(yù)測(cè)誤差。在訓(xùn)練過程中，可以使用交叉驗(yàn)證等技術(shù)來評(píng)估模型的性能和泛化能力，從而選擇最優(yōu)的模型和參數(shù)。經(jīng)過訓(xùn)練后的CNN+LSTM模型可用于預(yù)測(cè)未來的電力消耗，輸出預(yù)測(cè)結(jié)果，從而輔助電力公司制定出更好的電力調(diào)度和發(fā)電計(jì)劃，以滿足未來的電力需求。

通過CNN與LSTM的實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)單一的傳統(tǒng)經(jīng)典預(yù)測(cè)方法在電力消耗預(yù)測(cè)中或多或少都存在預(yù)測(cè)準(zhǔn)確率不高、泛化能力不強(qiáng)的問題。又因?yàn)閷?shí)際電力負(fù)荷波動(dòng)隨機(jī)性較強(qiáng)，預(yù)測(cè)時(shí)需考慮的因素較多，因此利用神經(jīng)網(wǎng)絡(luò)組合模型的優(yōu)勢(shì)，采用CNN卷積神經(jīng)網(wǎng)絡(luò)充分提取時(shí)間序列的特征，輸入到LSTM網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，使得模型的預(yù)測(cè)準(zhǔn)確率更高、泛化能力更強(qiáng)，于是結(jié)合上面兩種方法，構(gòu)建了CNN+LSTM模型，模型結(jié)構(gòu)如圖3所示。

圖3 CNN+LSTM基本結(jié)構(gòu)圖

3 特征分析

電力消耗的預(yù)測(cè)受到多種因素的影響，需要使用多維特征參數(shù)集，其中包含多種類型的特征參數(shù)。然而，負(fù)載具有強(qiáng)烈的非線性和隨機(jī)波動(dòng)性，從而降低了預(yù)測(cè)精度和模型的可解釋性。本研究使用的數(shù)據(jù)集包含了某市2017年1月1日至2017年12月31日期間每10分鐘獲取的配電網(wǎng)歷史數(shù)據(jù)。時(shí)序數(shù)據(jù)按照3:1的比例進(jìn)行順序切分，數(shù)據(jù)集的劃分情況如圖4所示。

圖4 數(shù)據(jù)集劃分

本實(shí)驗(yàn)采用的數(shù)據(jù)集特征向量共包含6個(gè)維度：“溫度”“濕度”“風(fēng)速”“一般擴(kuò)散流”“擴(kuò)散流”和“總功耗”。溫度：溫度對(duì)電力消耗有直接影響。在許多設(shè)備中，溫度升高會(huì)導(dǎo)致電子元件的內(nèi)阻增加，從而增加設(shè)備的功耗。濕度：濕度對(duì)電力消耗的影響通常是間接的。高濕度環(huán)境下，設(shè)備可能需要額外的冷卻措施來保持溫度穩(wěn)定，例如空調(diào)系統(tǒng)的運(yùn)行。這些額外的冷卻措施可能會(huì)增加設(shè)備的功耗，導(dǎo)致更高的電力消耗。風(fēng)速：風(fēng)速可以影響設(shè)備的散熱效果。使設(shè)備的溫度保持在較低水平，從而降低設(shè)備的功耗。一般擴(kuò)散流和擴(kuò)散流：一般擴(kuò)散流和擴(kuò)散流是在流體力學(xué)中描述流體運(yùn)動(dòng)的概念。在某些設(shè)備中，例如風(fēng)機(jī)或風(fēng)扇，流體（通常是空氣）的流動(dòng)會(huì)消耗能量。因此，較大的一般擴(kuò)散流或擴(kuò)散流會(huì)導(dǎo)致設(shè)備消耗更多的電力。總功耗：總功耗是設(shè)備在特定時(shí)間內(nèi)消耗的總電力。溫度、濕度、風(fēng)速、一般擴(kuò)散流和擴(kuò)散流等特征的變化可以影響設(shè)備的功耗，從而影響總功耗。這些特征的變化可能導(dǎo)致設(shè)備消耗更多或更少的電力。

通過相關(guān)性分析6個(gè)特征的參數(shù)均為每10min采樣一次，數(shù)據(jù)分布如圖5。

圖5 特征數(shù)據(jù)分布與相關(guān)性熱力圖

從圖5數(shù)據(jù)分布與相關(guān)性分析中可以發(fā)現(xiàn)數(shù)據(jù)擁有周期性且擴(kuò)散流影響系數(shù)最低，濕度影響最大。

4 數(shù)據(jù)歸一化

歸一化處理是將數(shù)據(jù)按照一定比例縮放，使得數(shù)據(jù)落在特定的范圍內(nèi)，常用于提高模型收斂速度、防止梯度爆炸和提高計(jì)算精度。在負(fù)荷預(yù)測(cè)中，輸入數(shù)據(jù)可能具有不同的量綱，不同的特征參數(shù)具有不同的特性和數(shù)量級(jí)。沒有標(biāo)準(zhǔn)化的訓(xùn)練會(huì)削弱較低數(shù)量級(jí)數(shù)據(jù)的影響。在實(shí)驗(yàn)中，使用Min-Max Scaling對(duì)數(shù)據(jù)x進(jìn)行線性變換，數(shù)據(jù)大小限制在[0,1]之間，計(jì)算方法如式7所示。

式中：xi是第i個(gè)采樣點(diǎn)的原始實(shí)測(cè)數(shù)據(jù)，是歸一化后的值，xmax和xmin分別是實(shí)測(cè)數(shù)據(jù)的最大值和最小值。

5 模型評(píng)價(jià)指標(biāo)

本文使用了時(shí)間序列分析中常見的評(píng)估指標(biāo)，包括平均絕對(duì)誤差（MAE）、均方根誤差（RMSE）和平均百分?jǐn)?shù)誤差（MAPE）來衡量模型的預(yù)測(cè)表現(xiàn)，其計(jì)算方法如式8～10所示。

式中：yi是采樣點(diǎn)i的實(shí)際值；yfi是采樣點(diǎn)i的負(fù)荷預(yù)測(cè)值；N是采樣點(diǎn)的數(shù)量。

為了確保模型的訓(xùn)練和預(yù)測(cè)過程具有科學(xué)性和統(tǒng)一性，本研究選擇測(cè)試集數(shù)據(jù)作為模型預(yù)測(cè)結(jié)果的評(píng)估標(biāo)準(zhǔn)[11]。

6 模型預(yù)測(cè)結(jié)果

圖6分別為CNN、LSTM、CNN+LSTM各模型選取500個(gè)連續(xù)數(shù)據(jù)節(jié)點(diǎn)的測(cè)試擬合效果與局部預(yù)測(cè)擬合效果[12]。并局部放大了6個(gè)數(shù)據(jù)波動(dòng)的點(diǎn)，通過測(cè)試結(jié)果很容易發(fā)現(xiàn)混合模型與單一模型對(duì)比，結(jié)果有明顯的優(yōu)勢(shì)。曲線擬合較好，準(zhǔn)確率更高，數(shù)據(jù)波動(dòng)較大的情況下容易發(fā)現(xiàn)LSTM的預(yù)測(cè)效果強(qiáng)于CNN。從表1的數(shù)據(jù)來看，CNN的平均絕對(duì)誤差、平均百分比誤差和均方根誤差均大于LSTM與CNN+LSTM。如表2所示分別為CNN、LSTM、CNN+LSTM分別在訓(xùn)練250、200、200輪，梯度下降方法分別采用Adam、Adam、Nadam時(shí)，學(xué)習(xí)率分別為0.0001、0.001、0.01時(shí)取得最優(yōu)結(jié)果MAPE值分別為1.889、1.047、0.734。相比單一模型來說，混合模型復(fù)雜度更高，準(zhǔn)確率相對(duì)來說也有所提升[13]。

表1 各模型最優(yōu)結(jié)果數(shù)據(jù)

表2 模型最優(yōu)參數(shù)結(jié)果

圖6 CNN、LSTM、CNN+LSTM模型測(cè)試結(jié)果

在以上基礎(chǔ)之上總結(jié)各個(gè)網(wǎng)絡(luò)的優(yōu)點(diǎn)，CNN+LSTM模型可以比單獨(dú)使用CNN或LSTM模型更好地處理序列數(shù)據(jù)。CNN可以自動(dòng)地從序列數(shù)據(jù)中提取特征，而LSTM可以捕捉序列數(shù)據(jù)中的長(zhǎng)期依賴關(guān)系，從而更好地理解和預(yù)測(cè)序列數(shù)據(jù)。搭建混合模型CNN+LSTM對(duì)比CNN與LSTM結(jié)合了它們各自的優(yōu)點(diǎn)，在數(shù)據(jù)平緩與波動(dòng)較強(qiáng)的節(jié)點(diǎn)直接表現(xiàn)出了很好的效果，其中CNN+LSTM優(yōu)于LSTM這也充分體現(xiàn)了LSTM適合于時(shí)序處理任務(wù)，CNN+LSTM模型相比于單獨(dú)使用CNN或LSTM模型，具有更好地處理序列數(shù)據(jù)、圖像和序列數(shù)據(jù)的組合、更好的泛化能力和更高的預(yù)測(cè)精度等優(yōu)勢(shì)，可以用于電力消耗預(yù)測(cè)[14]。

7 結(jié)論與展望

本文采用卷積神將網(wǎng)絡(luò)、長(zhǎng)短記憶時(shí)間以及卷積神將網(wǎng)絡(luò)與長(zhǎng)短記憶時(shí)間網(wǎng)絡(luò)結(jié)合使用的方法，對(duì)某市配電網(wǎng)的用電量進(jìn)行了預(yù)測(cè)。如圖6分別為CNN、LSTM、CNN+LSTM各模型選取500個(gè)連續(xù)數(shù)據(jù)節(jié)點(diǎn)的測(cè)試效果。結(jié)合表1中的、RMSE、MAE、MAPE三個(gè)數(shù)值與圖6的測(cè)試結(jié)果，發(fā)現(xiàn)混合模型相比單一模型的準(zhǔn)確率更高。

精準(zhǔn)的預(yù)測(cè)電力消耗是電力管理的重要組成部分。在今后的研究中，可以搭建更為復(fù)雜的網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)研究。