基于多模型長短時記憶神經網絡的電力負荷預測方法研究

楊金喜 高 潔 孔伯駿 吳佳佳 薛 晨

（國網江蘇省電力公司揚州供電公司，江蘇揚州225002）

0 引言

近年來，隨著深度學習理論研究的深入發展，將深度學習理論應用于電力系統的用電需求預測成為一項很有意義的工作。深度神經網絡是由多個單層非線性網絡疊加而成的，與單層神經網絡不同。理論證明，兩層神經網絡可以無限逼近任意連續函數；也就是說，面對復雜的非線性分類任務，兩層（帶一個隱藏層）神經網絡可以分類地很好[1-4]。

綜合國內外在短期負荷預測方面的最新研究進展[5-6]，本文提出了一種基于多模型長短時記憶神經網絡（LSTM）的電力負荷預測方法，該方法的優勢在于能夠將神經網絡與聚類、分類的思想相結合，適用于短期負荷預測問題。由于在回歸分析中，輸入與輸出之間的線性相關性越強，對輸出的結果影響越大；進行預測的輸入，與當日負荷屬于同一類負荷，因此，同一類之間特征較為明顯，預期具有較好的預測效果；同時略去了一些極端條件的預測。通過算例仿真，發現該方法相比于典型方法，能夠精確預測出對應日期的用電負荷，提升預測效果，同時縮短網絡訓練時間，提升程序運行速度。

1 系統結構

進行預測的模型如圖1所示。本文按如下方法確定預測所需的數據：輸入矩陣X為有功負荷值曲線L（每1 h采樣一次）、預測日當日氣溫預測值T以及預測日星期序號C（1～7）合并而成，即X=[L，T，C]。由于神經網絡的輸出對輸入數據十分敏感，因此，對于輸入負荷數據及氣溫需要進行歸一化處理，轉化成（0，1）范圍內的數據，對于日期類型，采用one hot編碼方法處理。

圖1 基于多模型長短時記憶神經網絡的臺區短期負荷預測方法流程圖

對歷史電力負荷數據進行密度聚類（DBSCAN），DBSCAN優勢在于，無需設置區分的類數，同時可以排除離所有中心過遠的離群值。根據聚類結果以及歷史日期星期序號、歷史溫度訓練高斯分類器。

分類完訓練輸入之后，分別對網絡進行訓練，網絡具體結構以及參數設計將在下一小節中詳細闡述。

網絡訓練完成，設置預測日期，輸入其特征因素至訓練好的分類器，判斷其日負荷曲線更有可能屬于哪一類，選擇該類對應的神經網絡模型做出預測。網絡的輸出為預測負荷曲線Y。

值得注意的是，DBSCAN聚類算法會產生離群類，且離群類越多則說明該臺區或線路負荷隨機波動性越強，越難以預測。對此，本文采取的策略是：不進行離群類曲線的預測；對于一些曲線低于一定閾值的正常類，也采用相同的處理方法。

2 LSTM臺區負荷預測算法

如圖2所示，網絡由兩層LSTM網絡與單層感知器網絡組成，考慮到網絡層數過多可能會導致網絡過擬合以及訓練時間急劇增加，一些網絡參數設計如下：優化方法使用Adam（自適應矩估計迭代次數設置為200），對于預測的輸出Y，選擇參考前10天的輸入數據X，LSTM層隱藏元均設置為50。

圖2 深度網絡具體結構

3 仿真分析

為了評估所提預測方法的性能，選取揚州市200002451709號臺區2016年第三季度的數據進行預測。揚州市臺區發用電數據為每日間隔15 min采樣一次，每日共96點的日負荷曲線；氣象數據及日期類型可從互聯網取得。同時，采用其他方法作為對照：不進行聚類的深度LSTM網絡算法（Deep LSTM）、普通單層LSTM及感知器網絡（FNN），并統計各方法平均絕對誤差（MAPE）以及訓練網絡所花的時間。

根據圖3及表1可知，本文所提根據聚類結果對輸入分別訓練的LSTM網絡方法，平均誤差顯著低于其余方法。

根據表1，由于FNN網絡較為簡單，因此，其迭代時間顯著低于其余方法。深層LSTM網絡（有聚類）的方法相比于無聚類的方法，由于聚類過程減少了輸入量，因此訓練速度快于原有方法。

圖3 2016第三季度第200002451709號臺區負荷預測結果

表1 各方法訓練時間及平均誤差

4 結語

本文提出了一種基于多模型長短時記憶神經網絡的電力負荷預測方法，該方法能夠精確預測出對應日期的用電負荷，提升了預測效果，同時縮短了網絡訓練時間，提升了程序運行速度。仿真分析驗證了所提策略的正確性和可行性。此外，該方法可以推廣應用于其余短期高維時間序列預測問題。