趙從杰 潘文林

（1.云南民族大學(xué)電氣信息工程學(xué)院 昆明 650500）（2.云南民族大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院 昆明 650500）

1 引言

電力工業(yè)對(duì)于我國(guó)經(jīng)濟(jì)建設(shè)、國(guó)家安全、社會(huì)穩(wěn)定、生活質(zhì)量具有至關(guān)重要的作用，為了提高電力行業(yè)的安全性和經(jīng)濟(jì)性需要對(duì)電力負(fù)荷進(jìn)行預(yù)測(cè)。經(jīng)過(guò)多年的研究，電力負(fù)荷預(yù)測(cè)方法也越來(lái)越成熟，電力負(fù)荷預(yù)測(cè)方法主要有電力彈性系數(shù)法、負(fù)荷密度、基于時(shí)間序列的ARMA 模型、回歸分析法、人工神經(jīng)網(wǎng)絡(luò)（ANN）、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和混合技術(shù)等［1］。Ferlito等利用一種比較法引入了多種數(shù)據(jù)驅(qū)動(dòng)技術(shù)來(lái)解決電網(wǎng)中的預(yù)測(cè)問(wèn)題［2］。Heydari 等提出了一種人工神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)對(duì)微電網(wǎng)中的風(fēng)能和太陽(yáng)能發(fā)電量預(yù)測(cè)［3］。Moradzadeh等提出了一種基于支持向量回歸（SVR）和長(zhǎng)-短期記憶（LSTM）模型的混合預(yù)測(cè)方法，對(duì)微電網(wǎng)進(jìn)行了短期負(fù)荷預(yù)測(cè)［4］。在文獻(xiàn)［5］中，提出了一種季節(jié)性調(diào)整支持向量機(jī)（SSA-SVM）的機(jī)器學(xué)習(xí)應(yīng)用混合技術(shù)進(jìn)行短期電力負(fù)荷預(yù)測(cè)。Wen 等［6］使用各種深度學(xué)習(xí)算法、多層感知器（MLP）和支持向量機(jī)（SVM）對(duì)微電網(wǎng)進(jìn)行了負(fù)荷預(yù)測(cè)。在其他一些研究中，也提出了將機(jī)器學(xué)習(xí)模型與優(yōu)化算法相結(jié)合的負(fù)荷預(yù)測(cè)方法。在文獻(xiàn)［7］中，采用支持向量機(jī)和粒子群優(yōu)化算法（PSO）的混合模型對(duì)微電網(wǎng)負(fù)荷進(jìn)行短期預(yù)測(cè)。在文獻(xiàn)［8］中，提出了一種將小波變換（WT）與果蠅優(yōu)化（FFO）算法相結(jié)合的短期負(fù)荷預(yù)測(cè)方法。在大多數(shù)情況下，這類混合模型由于輸入數(shù)據(jù)的高維性以及相關(guān)數(shù)據(jù)的時(shí)間序列特征無(wú)法識(shí)別出合適的數(shù)據(jù)模式，因而存在過(guò)擬合等問(wèn)題。在最近的研究中，深度學(xué)習(xí)技術(shù)被用作一種強(qiáng)有力的工具。它們?cè)陬A(yù)處理、處理和從原始數(shù)據(jù)中提取特征以及解決短期預(yù)測(cè)問(wèn)題［9］中表現(xiàn)出色。在以往的研究中，人們提出了一些用于處理和預(yù)測(cè)時(shí)間序列數(shù)據(jù)的深度學(xué)習(xí)技術(shù)，如卷積神經(jīng)網(wǎng)絡(luò)（CNNs）、深度自動(dòng)編碼器（DAEs）、遞歸神經(jīng)網(wǎng)絡(luò)（RNNs）和深度信念神經(jīng)網(wǎng)絡(luò)（DBNNs）。但DAE和DBNN 技術(shù)在理解與預(yù)期時(shí)間相關(guān)的時(shí)間序列樣本中的長(zhǎng)依賴性方面存在困難［10］，而CNN 方法具有最少的單元數(shù)和內(nèi)存，可以提取時(shí)間序列數(shù)據(jù)的基本特征。但是，過(guò)濾器選擇和層數(shù)是一些問(wèn)題，如果選擇不當(dāng)，可能會(huì)導(dǎo)致訓(xùn)練階段的過(guò)度擬合等問(wèn)題?；赗NN 的LSTM 和GRU 等技術(shù)在時(shí)間序列數(shù)據(jù)處理中表現(xiàn)良好，能夠?qū)?fù)雜的非線性參數(shù)進(jìn)行建模。GRU 網(wǎng)絡(luò)主要提取LSTM 網(wǎng)絡(luò)不能獲得的特征，并且比LSTM 網(wǎng)絡(luò)復(fù)雜。然而，一些研究表明，由于前向訓(xùn)練，LSTM 算法在識(shí)別大容量數(shù)據(jù)模式時(shí)遇到了數(shù)據(jù)缺失和過(guò)度擬合等問(wèn)題［11］。

為了預(yù)測(cè)微電網(wǎng)的短期負(fù)荷，解決現(xiàn)有方法存在的問(wèn)題，提出了一種稱為雙向LSTM（bilstm）的深度學(xué)習(xí)方法。雙向LSTM 是一種基于時(shí)間序列的技術(shù)，它考慮了一段時(shí)間內(nèi)的所有數(shù)據(jù)行為，影響網(wǎng)絡(luò)負(fù)荷的數(shù)據(jù)具有長(zhǎng)期的互聯(lián)行為和模式。因此，該方法的雙向運(yùn)動(dòng)及其層間相互關(guān)聯(lián)的結(jié)構(gòu)消除了訓(xùn)練階段的數(shù)據(jù)丟失和過(guò)度擬合等問(wèn)題。

2 電力負(fù)荷數(shù)據(jù)及數(shù)據(jù)預(yù)處理

2.1 電力負(fù)荷數(shù)據(jù)

本文從歐洲互聯(lián)電網(wǎng)下載了相關(guān)數(shù)據(jù)（https：//transparency.entsoe.eu/generation/r2/dayAheadAggregatedGeneration/show），以2019 年1 月1 日至2020年1 月1 日的瑞士電網(wǎng)負(fù)荷數(shù)據(jù)為案例，數(shù)據(jù)以每個(gè)小時(shí)整點(diǎn)記錄一次，共計(jì)8760 條數(shù)據(jù)，負(fù)荷數(shù)據(jù)分布圖如圖1所示。

圖1 瑞士2019年負(fù)荷分布圖

很多外界因素都會(huì)影響電力負(fù)荷數(shù)據(jù)，進(jìn)而影響電力負(fù)荷預(yù)測(cè)的精準(zhǔn)度?？紤]到瑞士的環(huán)境因素和人文因素，將瑞士當(dāng)?shù)匕l(fā)電能源種類及占比，家庭人口數(shù)量及占比，電價(jià)，日期等因素作為電力負(fù)荷預(yù)測(cè)的重要影響因子。如圖2 所示為2019 年瑞士不同能源發(fā)電占比分布圖，圖3為2019年瑞士電價(jià)分布圖。

圖2 2019年瑞士能源發(fā)電分布圖

2.2 數(shù)據(jù)預(yù)處理

1）數(shù)據(jù)補(bǔ)全

在下載數(shù)據(jù)過(guò)程中發(fā)現(xiàn)由于記錄數(shù)據(jù)設(shè)備故障或一些人為操作有部分電等原因?qū)е码娏ω?fù)荷數(shù)據(jù)缺失，為了達(dá)到較為準(zhǔn)確的預(yù)測(cè)效果，需要對(duì)缺失的數(shù)據(jù)進(jìn)行補(bǔ)全。本文采用雙線性插值法進(jìn)行數(shù)據(jù)補(bǔ)全。

2）歸一化處理

由于單價(jià)、負(fù)荷量、發(fā)電能源種類及占比等因素是不同量綱的，且雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)對(duì)數(shù)據(jù)的敏感度較高，數(shù)據(jù)尺度過(guò)大也會(huì)影響負(fù)荷預(yù)測(cè)結(jié)果。故對(duì)數(shù)據(jù)進(jìn)行如式（1）的歸一化處理。

式中xnorm為數(shù)據(jù)歸一化處理后的負(fù)荷數(shù)據(jù)，在0～1之間。x為原始數(shù)據(jù)，xmin最小電荷值，xmax為最大電荷值。

3 基于雙向長(zhǎng)短時(shí)記憶的負(fù)荷預(yù)測(cè)

長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）是在循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的基礎(chǔ)上演化而來(lái)，主要解決了梯度消失或梯度爆炸的問(wèn)題［12］。LSTM將RNN的輸入數(shù)據(jù)x(t)和隱藏層信息a(t-1) 變?yōu)檩斎霐?shù)據(jù)x(t)，隱藏層信息a(t-1) 和記憶單元c(t-1) 。參數(shù)的求解方法也發(fā)生了變化。雙向長(zhǎng)短時(shí)記憶（BiLSTM）是在LSTM的基礎(chǔ)上結(jié)合了輸入序列在前向和后向兩個(gè)方向上的信息。對(duì)于t時(shí)刻的輸出，前向LSTM 層具有輸入序列中t時(shí)刻以及之前時(shí)刻的信息，而后向LSTM 層中具有輸入序列中t時(shí)刻以及之后時(shí)刻的信息。前向LSTM 層t時(shí)刻的輸出記作h→t，后向LSTM 層t時(shí)刻的輸出結(jié)果記作h←t，兩個(gè)LSTM 層輸出的向量可以使用相加、平均值或連接等方式進(jìn)行處理。如圖4 所示為雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)結(jié)構(gòu)圖。

圖4 雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)結(jié)構(gòu)圖

輸入數(shù)據(jù)主要包括真實(shí)電荷值，發(fā)電能源種類及占比，家庭人口數(shù)量及占比，電價(jià)，日期；輸出層為電力負(fù)荷值。

4 仿真與驗(yàn)證

利用第1 節(jié)中的數(shù)據(jù)對(duì)本文提出的基于雙向長(zhǎng)短時(shí)電網(wǎng)負(fù)荷預(yù)測(cè)方法進(jìn)行驗(yàn)證。此外還跟文獻(xiàn)［13］提出雙循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法進(jìn)行對(duì)比，實(shí)現(xiàn)對(duì)一天、一周的電網(wǎng)負(fù)荷預(yù)測(cè)。本文用相關(guān)系數(shù)（R）、均方誤差（MSE）和均方根誤差（RMSE）等指標(biāo)來(lái)評(píng)價(jià)Bi-LSTM 網(wǎng)絡(luò)的性能。R 指數(shù)顯示了預(yù)測(cè)值與實(shí)際值之間的一種相關(guān)性，R 的最大值表明了網(wǎng)絡(luò)的高精度。MSE 和RMSE 指標(biāo)顯示了為每個(gè)樣本計(jì)算的這些指標(biāo)的預(yù)測(cè)誤差。一天負(fù)荷預(yù)測(cè)的R 值為0.9987，MSE 和RMSE 分別為0.0799 和0.2826。如圖5為雙循環(huán)神經(jīng)網(wǎng)絡(luò)一天的電網(wǎng)負(fù)荷預(yù)測(cè)結(jié)果，圖6 為雙長(zhǎng)短時(shí)記憶一天的電網(wǎng)負(fù)荷預(yù)測(cè)結(jié)果，圖7 為雙循環(huán)神經(jīng)網(wǎng)絡(luò)一周的電網(wǎng)負(fù)荷預(yù)測(cè)結(jié)果，圖8 為雙長(zhǎng)短時(shí)記憶一周的電網(wǎng)負(fù)荷預(yù)測(cè)結(jié)果。

圖5 雙循環(huán)神經(jīng)網(wǎng)絡(luò)一天的電網(wǎng)負(fù)荷預(yù)測(cè)結(jié)果

圖6 雙長(zhǎng)短時(shí)記憶一天的電網(wǎng)負(fù)荷預(yù)測(cè)結(jié)果

圖7 雙循環(huán)神經(jīng)網(wǎng)絡(luò)一周的電網(wǎng)負(fù)荷預(yù)測(cè)結(jié)果

圖8 雙長(zhǎng)短時(shí)記憶一周的電網(wǎng)負(fù)荷預(yù)測(cè)

5 結(jié)語(yǔ)

本文為了實(shí)現(xiàn)對(duì)瑞士電網(wǎng)的點(diǎn)和預(yù)測(cè)，提出了一種稱為雙向長(zhǎng)短時(shí)記憶的深度學(xué)習(xí)算法。與其他深度學(xué)習(xí)技術(shù)不同，bilstm 方法由于其獨(dú)特的結(jié)構(gòu)和雙向的訓(xùn)練程序，提供了處理大量時(shí)間序列數(shù)據(jù)的強(qiáng)大能力。此外，在訓(xùn)練階段避免數(shù)據(jù)丟失和過(guò)度擬合的問(wèn)題。利用輸入數(shù)據(jù)對(duì)bilstm 網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并以1h 為間隔對(duì)微網(wǎng)負(fù)荷進(jìn)行預(yù)測(cè)。通過(guò)相關(guān)系數(shù)（R）、均方誤差（MSE）、均方根誤差（RMSE）等性能評(píng)價(jià)指標(biāo)對(duì)預(yù)測(cè)結(jié)果進(jìn)行分析。將雙長(zhǎng)短時(shí)記憶法與循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行比較評(píng)價(jià)，結(jié)果表明本文提出的深度學(xué)習(xí)方法在電網(wǎng)短期負(fù)荷預(yù)測(cè)中具有較好的效果。