動(dòng)態(tài)組合深度學(xué)習(xí)模型在短期負(fù)荷及光伏功率預(yù)測(cè)中的應(yīng)用

熊 圖，趙宏偉，蔡智洋，陳明輝，劉麗新，劉銘銘

（1.廣州供電局有限公司，廣東 廣州 510000； 2.北京清軟創(chuàng)新科技股份有限公司，北京 100085； 3.華北電力大學(xué) 可再生能源學(xué)院，北京 102206）

0 引言

準(zhǔn)確地預(yù)測(cè)光伏功率和負(fù)荷是電力系統(tǒng)安全、穩(wěn)定、經(jīng)濟(jì)運(yùn)行的重要前提。 能源行業(yè)的數(shù)字化趨勢(shì)為人工智能技術(shù)的應(yīng)用提供了必要條件。同時(shí)，人工智能技術(shù)的快速發(fā)展也為光伏功率和負(fù)荷的預(yù)測(cè)提供了全新的解決方案[1]。

深度學(xué)習(xí)技術(shù)作為人工智能領(lǐng)域的尖端技術(shù)，獲得了廣泛關(guān)注，各行業(yè)科研人員對(duì)該技術(shù)的內(nèi)涵以及相關(guān)應(yīng)用場(chǎng)景進(jìn)行了深入挖掘。 深度學(xué)習(xí)技術(shù)將語(yǔ)音識(shí)別的正確率提高了25%左右[2]。在圖像識(shí)別應(yīng)用方面，深度學(xué)習(xí)相關(guān)算法能夠在ImageNet 競(jìng)賽中將傳統(tǒng)模型的精度提升9%[3]。 由此可見，深度學(xué)習(xí)技術(shù)在多個(gè)領(lǐng)域有著優(yōu)異的實(shí)踐效果，相比于傳統(tǒng)淺層模型，深度學(xué)習(xí)模型往往能夠獲得更好的學(xué)習(xí)效果。目前。深度學(xué)習(xí)技術(shù)與能源領(lǐng)域的結(jié)合仍然有限，如何充分發(fā)揮各個(gè)深度學(xué)習(xí)模型的特征優(yōu)勢(shì)，以獲得更好的預(yù)測(cè)解決方案，成為了科研人員亟待解決的問(wèn)題。

對(duì)于傳統(tǒng)的光伏與電力系統(tǒng)負(fù)荷預(yù)測(cè)方法，已經(jīng)有較多的文獻(xiàn)對(duì)其展開了分析與研究，主要研究方法包括神經(jīng)網(wǎng)絡(luò)[4]、樹組合算法[5]和支持向量機(jī)[6]。 針對(duì)光伏預(yù)測(cè)模型，文獻(xiàn)[7]提出了一種基于ARIMA 時(shí)間序列算法的光伏預(yù)測(cè)模型，該模型在陰雨天與晴天均取得了較好的預(yù)測(cè)精度。 文獻(xiàn)[8]分析了光伏功率預(yù)測(cè)問(wèn)題的發(fā)展現(xiàn)狀，并從點(diǎn)預(yù)測(cè)、區(qū)間預(yù)測(cè)和概率預(yù)測(cè)3 個(gè)方面，分別對(duì)當(dāng)前的預(yù)測(cè)方法及相關(guān)技術(shù)、 預(yù)測(cè)效果的衡量指標(biāo)等進(jìn)行了歸納和總結(jié)。 文獻(xiàn)[9]結(jié)合云計(jì)算技術(shù)提出一種電力用戶側(cè)大數(shù)據(jù)分析處理平臺(tái)，將智能電表、SCADA 系統(tǒng)和各種傳感器中采集的數(shù)據(jù)整合，并利用并行化計(jì)算模型MapReduce 與內(nèi)存并行化計(jì)算框架Spark 對(duì)電力用戶側(cè)的大數(shù)據(jù)進(jìn)行分析。

針對(duì)負(fù)荷預(yù)測(cè)模型，文獻(xiàn)[10]為了進(jìn)一步提升極限學(xué)習(xí)機(jī)的計(jì)算性能，采用流形正則化方式優(yōu)化模型的參數(shù)和超參數(shù)。文獻(xiàn)[11]利用Kohonen神經(jīng)網(wǎng)絡(luò)挖掘各用戶之間用電行為的相似性，在考慮電價(jià)和溫度等影響因素的情況下，利用在線學(xué)習(xí)機(jī)模型對(duì)聚類分析后的用戶分別進(jìn)行電力負(fù)荷預(yù)測(cè)。 文獻(xiàn)[12]使用深度置信網(wǎng)絡(luò)提取了電、熱、氣用能信息的耦合特征，對(duì)綜合能源系統(tǒng)中的電、熱、氣等多種能源負(fù)荷進(jìn)行了有效預(yù)測(cè)。 文獻(xiàn)[13]將負(fù)荷預(yù)測(cè)問(wèn)題抽象為非線性數(shù)學(xué)問(wèn)題，并考慮了生產(chǎn)活動(dòng)、供需環(huán)境、宏觀社會(huì)與經(jīng)濟(jì)指標(biāo)等因素對(duì)計(jì)算結(jié)果的影響。 文獻(xiàn)[14]通過(guò)獲取母線負(fù)荷所屬的行政區(qū)域，提取與母線地理位置緊密對(duì)應(yīng)的高精度數(shù)值天氣預(yù)報(bào)信息，通過(guò)研究母線負(fù)荷與氣象因素之間的相關(guān)特性，構(gòu)建了基于數(shù)值天氣預(yù)報(bào)和負(fù)荷分類預(yù)測(cè)的母線負(fù)荷預(yù)測(cè)模型。

綜上可知，目前光伏功率和負(fù)荷預(yù)測(cè)存在以下問(wèn)題： ①人們較多地采用淺層學(xué)習(xí)方法進(jìn)行預(yù)測(cè)，但該算法的學(xué)習(xí)能力有限，無(wú)法在深層次特征訓(xùn)練過(guò)程中有效利用，預(yù)測(cè)精度難以提升；②現(xiàn)有的模型往往只采用一種算法進(jìn)行預(yù)測(cè)，單一算法的魯棒性較低，如果單一算法在訓(xùn)練過(guò)程中陷入局部極小值，那么該模型的預(yù)測(cè)結(jié)果的準(zhǔn)確性會(huì)較差。

針對(duì)上述問(wèn)題，本文在分析兩種深度學(xué)習(xí)算法（長(zhǎng)短記憶網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)）基本原理的基礎(chǔ)上，提出了基于深度學(xué)習(xí)模型動(dòng)態(tài)組合的短期負(fù)荷及光伏功率預(yù)測(cè)模型 （以下簡(jiǎn)稱為短期負(fù)荷及光伏功率預(yù)測(cè)模型），在該模型中使用深度置信網(wǎng)絡(luò)和長(zhǎng)短記憶網(wǎng)絡(luò)分別對(duì)輸入數(shù)據(jù)進(jìn)行訓(xùn)練，并使用線性模型對(duì)各個(gè)深度學(xué)習(xí)的訓(xùn)練結(jié)果進(jìn)行動(dòng)態(tài)結(jié)合，最終輸出預(yù)測(cè)結(jié)果。

1 相關(guān)預(yù)測(cè)算法機(jī)理分析

1.1 深度置信網(wǎng)絡(luò)模型

深度置信網(wǎng)絡(luò)以能量函數(shù)的方式描述整個(gè)系統(tǒng)的狀態(tài)。令vi為第i 個(gè)可見神經(jīng)元的狀態(tài)參數(shù)；hj為第j 個(gè)隱藏神經(jīng)元的狀態(tài)參數(shù)[13]。深度置信網(wǎng)絡(luò)DBN 的整體架構(gòu)如圖1 所示。

圖1 DBN 的整體構(gòu)架Fig.1 DBN stacked by RBM

深度置信網(wǎng)絡(luò)的能量函數(shù)E（v，h）、聯(lián)合概率分布函數(shù) P（v，h）的表達(dá)式分別為

式中：ai，bj分別為第 i 個(gè)可視單元、第 j 個(gè)隱含單元的偏置信息；wij為第i 個(gè)可見神經(jīng)元與第j 個(gè)隱藏神經(jīng)元之間的權(quán)值信息；nv，nh分別為可見神經(jīng)元、隱藏神經(jīng)元的數(shù)量；Z 為統(tǒng)一配分變量。

Z 的計(jì)算式為

設(shè)θ 為參數(shù)集，T 為整個(gè)樣本個(gè)數(shù)，通過(guò)計(jì)算最大化的對(duì)數(shù)似然函數(shù)L（θ）求得模型的最優(yōu)參數(shù)。 令 v（t）為已知的第 t 個(gè)輸入樣本，則 L（θ）的計(jì)算式為

θ 的計(jì)算式為

1.2 長(zhǎng)短記憶網(wǎng)絡(luò)結(jié)構(gòu)

長(zhǎng)短期記憶網(wǎng)絡(luò)是一種改進(jìn)優(yōu)化的循環(huán)神經(jīng)網(wǎng)絡(luò)模型[16]，標(biāo)準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)模型在隱含層中只包含相對(duì)簡(jiǎn)單的記憶模塊，在訓(xùn)練模型時(shí)，極易出現(xiàn)梯度消失的問(wèn)題。 為了進(jìn)一步提升循環(huán)神經(jīng)網(wǎng)絡(luò)模型，將長(zhǎng)短記憶網(wǎng)絡(luò)中的隱含層設(shè)計(jì)成更復(fù)雜的結(jié)構(gòu)，主要通過(guò)遺忘門、輸入門、輸出門來(lái)增減記憶單元的信息。

記憶單元的結(jié)構(gòu)如圖2 所示。

圖2 記憶單元的結(jié)構(gòu)Fig.2 Architecture memory block

給定一個(gè)輸入量 X={x1，x2，…，xT}，則長(zhǎng)短期記憶網(wǎng)絡(luò)的輸出量為 Y={y1，y2，…，yT}。 每個(gè)時(shí)刻，當(dāng)記憶單元經(jīng)過(guò)各個(gè)門時(shí)，會(huì)接收當(dāng)前的輸入量xt、來(lái)自上一隱藏狀態(tài)的輸出量ht-1和內(nèi)部單元狀態(tài)ct-1。 長(zhǎng)短記憶網(wǎng)絡(luò)的計(jì)算過(guò)程如下。

首先，遺忘門信號(hào)ft決定哪些信息將從記憶單元狀態(tài)Ct-1中刪除，并由激活函數(shù)σ（x）決定遺忘門的激活狀態(tài)。

遺忘門信號(hào)ft的計(jì)算式為

式中：Wfx為輸出信號(hào)與遺忘門的權(quán)值矩陣；Wfh為記憶單元與遺忘門的權(quán)值矩陣；Wfc為輸入量與遺忘門的權(quán)值矩陣；bt為遺忘門對(duì)應(yīng)偏置。

遺忘門信號(hào)ft與最后一個(gè)記憶單元狀態(tài)Ct-1相對(duì)應(yīng)，Ct-1取 0～1。 當(dāng) Ct-1為 0 時(shí)，表明完全忘記最后的狀態(tài)；當(dāng)Ct-1為1 時(shí)，表明完全保持最后的狀態(tài)。

其次，長(zhǎng)短記憶網(wǎng)絡(luò)使用輸入門信號(hào)it決定將要存儲(chǔ)到新單元狀態(tài)Ct的新信息，輸入門信號(hào)it的計(jì)算式為

式中：Wix為上一狀態(tài)信號(hào)與輸入門的權(quán)值矩陣；Wih上一狀態(tài)信號(hào)與遺忘門的權(quán)值矩陣；Wic為輸入門與上一狀態(tài)的權(quán)值矩陣；bi為輸入門對(duì)應(yīng)偏置。

令Ut為添加到新單元狀態(tài)Ct的候選值，Ut的計(jì)算式為

式中：Wcx為輸入信號(hào)與輸入門的權(quán)值矩陣；g（x）為tanh 函數(shù)，也為激活函數(shù)；Wch為輸入門與遺忘門的權(quán)值矩陣；bc為上一狀態(tài)對(duì)應(yīng)偏置。

將舊記憶單元狀態(tài)Ct-1更新為新狀態(tài)Ct的計(jì)算式為

依據(jù)式（9）中的Ct-1ft確定從Ct中遺忘信息的數(shù)量，依據(jù)Utit確定添加到新單元狀態(tài)Ct的信息數(shù)量。

最后，利用輸出門信號(hào)ot計(jì)算出ht。

ot的計(jì)算式為

式中：σ 為 sigmoid 函數(shù)；Wox為輸出信號(hào)與輸出門的權(quán)值矩陣；Woh為記憶單元與輸出門的權(quán)值矩陣；Woc為輸入量與輸出門的權(quán)值矩陣；bo為遺忘門對(duì)應(yīng)偏置。

ht的計(jì)算式為

式中：l（x）為 tanh 函數(shù)。

針對(duì)梯度下降法的不足，本文在優(yōu)化長(zhǎng)短記憶網(wǎng)絡(luò)的基礎(chǔ)上，提出了一種自適應(yīng)時(shí)刻估計(jì)方法（Adaptive Moment Estimation，ADAM）。 ADAM能夠根據(jù)不同的參數(shù)狀態(tài)，設(shè)計(jì)出定制化的自適應(yīng)性學(xué)習(xí)率，從而使得ADAM 能夠適用于非平穩(wěn)或梯度稀疏梯度問(wèn)題。本文利用ADAM 來(lái)更新長(zhǎng)短記憶網(wǎng)絡(luò)的參數(shù)，以提高模型對(duì)負(fù)荷與光伏功率的計(jì)算能力。

2 基于組合深度學(xué)習(xí)算法的短期負(fù)荷及光伏功率預(yù)測(cè)模型

相比于常規(guī)預(yù)測(cè)算法，深度學(xué)習(xí)算法雖然能夠獲得較好的預(yù)測(cè)效果，但是該類型算法的模型層數(shù)與節(jié)點(diǎn)數(shù)較多，短期負(fù)荷及光伏功率預(yù)測(cè)模型中往往包含了較多的信息，該模型在訓(xùn)練過(guò)程中有陷入局部極小值的風(fēng)險(xiǎn)。 有的局部極小值點(diǎn)所對(duì)應(yīng)的模型泛化性能較差，該模型與深度學(xué)習(xí)模型組合后，可有效減少陷入局部極小值點(diǎn)的風(fēng)險(xiǎn)。 組合后的深度學(xué)習(xí)模型充分發(fā)揮了各個(gè)算法的優(yōu)勢(shì)，摒棄了各個(gè)算法中預(yù)測(cè)效果較差的環(huán)節(jié)。此外，由于短期負(fù)荷及光伏功率預(yù)測(cè)模型在訓(xùn)練過(guò)程中的假設(shè)空間通常較大，可能有多個(gè)假設(shè)在訓(xùn)練集上達(dá)到同等性能，組合后的深度學(xué)習(xí)能夠有效地減少單一模型泛化性能不佳的風(fēng)險(xiǎn)。因此，采用組合學(xué)習(xí)方式后，短期負(fù)荷及光伏功率預(yù)測(cè)模型的預(yù)測(cè)精度會(huì)有所提升。

針對(duì)上述問(wèn)題，本文將短期負(fù)荷及光伏功率預(yù)測(cè)模型與不同類型的深度學(xué)習(xí)算法進(jìn)行動(dòng)態(tài)結(jié)合，以獲得更好的預(yù)測(cè)效果。在短期負(fù)荷及光伏功率預(yù)測(cè)模型的第一層中使用長(zhǎng)短記憶網(wǎng)絡(luò)與深度置信網(wǎng)絡(luò)算法對(duì)負(fù)荷預(yù)測(cè)數(shù)據(jù)和光伏預(yù)測(cè)數(shù)據(jù)分別進(jìn)行訓(xùn)練，在第二層中使用線性模型，將第一層中的預(yù)測(cè)結(jié)果進(jìn)行動(dòng)態(tài)結(jié)合，使得第一層模型的計(jì)算結(jié)果能夠取長(zhǎng)補(bǔ)短，提高短期負(fù)荷及光伏功率預(yù)測(cè)模型預(yù)測(cè)結(jié)果的準(zhǔn)確度。此外，短期負(fù)荷及光伏功率預(yù)測(cè)模型中的線性模型選擇的是線性回歸方法，該方法屬于無(wú)偏估計(jì)方法。

短期負(fù)荷及光伏功率預(yù)測(cè)模型的結(jié)構(gòu)如圖3所示。

圖3 短期負(fù)荷及光伏功率預(yù)測(cè)模型的結(jié)構(gòu)圖Fig.3 Load and PV output forecasting based on dynamic ensemble deep learning model

由圖3 可知，短期負(fù)荷及光伏功率預(yù)測(cè)模型中訓(xùn)練環(huán)節(jié)的輸入特征包括負(fù)荷的歷史數(shù)據(jù)、天氣數(shù)據(jù)和節(jié)假日數(shù)據(jù)。 光伏預(yù)測(cè)環(huán)節(jié)的輸入特征包括光伏出力的歷史數(shù)據(jù)、天氣數(shù)據(jù)。

3 算例分析

本文選用廣州某地區(qū)負(fù)荷實(shí)際數(shù)據(jù)進(jìn)行驗(yàn)證。為了確定本文算法計(jì)算結(jié)果的準(zhǔn)確性，選擇了多種應(yīng)用場(chǎng)景進(jìn)行模擬計(jì)算，并且在各個(gè)場(chǎng)景中分布式光伏的接入容量均達(dá)到較高的比例。 場(chǎng)景一為光伏功率預(yù)測(cè)場(chǎng)景，該場(chǎng)景下光伏裝機(jī)容量為400 kW，預(yù)測(cè)目標(biāo)為下一小時(shí)的光伏出力情況；場(chǎng)景二為負(fù)荷預(yù)測(cè)場(chǎng)景，該場(chǎng)景為居民負(fù)荷用電情況，預(yù)測(cè)目標(biāo)為下一小時(shí)的負(fù)荷。在各個(gè)場(chǎng)景中，算例采用的誤差指標(biāo)為平均相對(duì)誤差MAPE、均方根誤差RMSE。

MAPE，RMSE 的計(jì)算式分別為

式中：n 為數(shù)據(jù)集的樣本數(shù)量；ai，bi分別為 i 時(shí)刻各個(gè)預(yù)測(cè)任務(wù)的真實(shí)值和預(yù)測(cè)值。

3.1 深度學(xué)習(xí)模型的結(jié)構(gòu)參數(shù)選擇

長(zhǎng)短記憶網(wǎng)絡(luò)與深度置信網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的選擇均較為困難，上述參數(shù)的選擇方法具有極大的相似性，長(zhǎng)短記憶網(wǎng)絡(luò)與深度置信網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)包含了神經(jīng)元、隱含層和訓(xùn)練代數(shù)。本文以長(zhǎng)短記憶網(wǎng)絡(luò)在負(fù)荷預(yù)測(cè)任務(wù)中的結(jié)構(gòu)參數(shù)選擇為例，將數(shù)據(jù)集劃分為訓(xùn)練集與測(cè)試集，分析不同結(jié)構(gòu)參數(shù)對(duì)短期負(fù)荷及光伏功率預(yù)測(cè)模型各項(xiàng)性能的影響。其中，變量數(shù)目和訓(xùn)練時(shí)長(zhǎng)分別作為時(shí)間和空間復(fù)雜程度的計(jì)算指標(biāo)。

不同隱含層在測(cè)試集上的預(yù)測(cè)效果如表1 所示。

表1 不同隱含層在測(cè)試集上的預(yù)測(cè)效果Table 1 The influence of layer number for modeling

由表1 可知，當(dāng)模型具有2 層隱含層時(shí)，測(cè)試樣本的RMSE 較小，為3.21%，這說(shuō)明2 層隱含層的長(zhǎng)短記憶網(wǎng)絡(luò)模型與當(dāng)前數(shù)據(jù)情況匹配得較好；當(dāng)隱含層為 3，4 層時(shí)，測(cè)試樣本的RMSE 較大，這說(shuō)明模型產(chǎn)生了過(guò)擬合效應(yīng)。

表2 為神經(jīng)元數(shù)量對(duì)模型建立的影響。

表2 神經(jīng)元數(shù)量對(duì)模型建立的影響Table 2 The influence of node number in one layer for modeling

由表2 可知，當(dāng)神經(jīng)元個(gè)數(shù)為20 時(shí)，測(cè)試樣本的RMSE 較小，為3.21%；當(dāng)神經(jīng)元個(gè)數(shù)逐漸增加時(shí)，空間、時(shí)間復(fù)雜度均逐漸增加，測(cè)試樣本的RMSE 也逐漸升高，此時(shí)模型產(chǎn)生了過(guò)擬合效應(yīng)。

3.2 短期負(fù)荷與光伏功率預(yù)測(cè)效果分析

本文對(duì)兩種場(chǎng)景下的預(yù)測(cè)結(jié)果進(jìn)行分析，并將使用本文算法與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法 （單層隱藏層）得到的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。

圖4 為測(cè)試集中不同的負(fù)荷預(yù)測(cè)結(jié)果與實(shí)際負(fù)荷的比較。

圖4 不同的負(fù)荷預(yù)測(cè)結(jié)果與實(shí)際負(fù)荷的比較Fig.4 Load forecasting results based on dynamic ensemble deep learning model

圖5 為不同的光伏功率預(yù)測(cè)結(jié)果與實(shí)際光伏功率的比較。

圖5 不同的光伏功率預(yù)測(cè)結(jié)果與實(shí)際光伏功率的比較Fig.5 PV output forecasting results based on dynamic ensemble deep learning model

由圖4，5 可知，在負(fù)荷預(yù)測(cè)與光伏功率預(yù)測(cè)的場(chǎng)景中，短期負(fù)荷及光伏功率預(yù)測(cè)模型的預(yù)測(cè)精度均優(yōu)于傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)模型。 由圖4，5還可看出，當(dāng)負(fù)荷曲線或光伏功率曲線產(chǎn)生較大波動(dòng)時(shí)，短期負(fù)荷及光伏功率預(yù)測(cè)模型仍然能夠較好地跟蹤負(fù)荷和光伏功率的變化情況，這是由于短期負(fù)荷及光伏功率預(yù)測(cè)模型充分發(fā)揮了深度置信網(wǎng)絡(luò)與長(zhǎng)短記憶網(wǎng)絡(luò)兩種深度學(xué)習(xí)模型的優(yōu)勢(shì)，使得最終預(yù)測(cè)結(jié)果的預(yù)測(cè)精度能夠大幅度提高，而BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力有限，其預(yù)測(cè)結(jié)果的精度低于本文的動(dòng)態(tài)組合模型

3.3 多種算法預(yù)測(cè)結(jié)果對(duì)比分析

為了進(jìn)一步驗(yàn)證本文算法的優(yōu)越性，將本文的動(dòng)態(tài)組合深度學(xué)習(xí)算法與深度置信網(wǎng)絡(luò)、 隨機(jī)森林算法、時(shí)間序列算法的預(yù)測(cè)結(jié)果進(jìn)行比較。利用不同預(yù)測(cè)算法得到的負(fù)荷與光伏功率預(yù)測(cè)誤差如表3 所示。

表3 利用不同預(yù)測(cè)算法得到的負(fù)荷與光伏功率預(yù)測(cè)誤差Table 3 Load and PV output forecasting error evaluation considering multiple models

由表3 可知，相比于其他算法，動(dòng)態(tài)組合深度學(xué)習(xí)算法夠較好地跟蹤負(fù)荷與光伏出力的變化趨勢(shì)。在負(fù)荷預(yù)測(cè)和光伏功率預(yù)測(cè)的場(chǎng)景下，動(dòng)態(tài)組合深度學(xué)習(xí)算法均獲得了較高的預(yù)測(cè)精度，這是由于多種深度學(xué)習(xí)算法動(dòng)態(tài)結(jié)合能夠提高模型的泛化性與魯棒性。相比于其他算法，深度置信網(wǎng)絡(luò)只使用了單一深度學(xué)習(xí)方法，容易陷入局部極小值，使得整體泛化性不高。隨機(jī)森林屬于淺層學(xué)習(xí)算法，從輸入數(shù)據(jù)挖掘來(lái)的信息有限，雖然該算法也取得了良好的預(yù)測(cè)精度，但是仍然低于動(dòng)態(tài)組合深度學(xué)習(xí)算法。時(shí)間序列算法的學(xué)習(xí)能力最弱，只能計(jì)及負(fù)荷的歷史信息，預(yù)測(cè)精度也偏低，由此可見，本文所提出的組合預(yù)測(cè)模型對(duì)于電力系統(tǒng)制定運(yùn)行策略有著較高的參考價(jià)值。

4 結(jié)束語(yǔ)

本文深入分析了深度學(xué)習(xí)算法在多個(gè)領(lǐng)域（圖像處理、語(yǔ)音識(shí)別等方面）的應(yīng)用，并將深度學(xué)習(xí)的尖端人工智能技術(shù)與能源領(lǐng)域相關(guān)問(wèn)題結(jié)合起來(lái)，提出了一種基于深度學(xué)習(xí)模型動(dòng)態(tài)組合的短期負(fù)荷及光伏功率預(yù)測(cè)模型。 在該模型中使用了2 種深度學(xué)習(xí)模型 （深度置信網(wǎng)絡(luò)與長(zhǎng)短記憶網(wǎng)絡(luò)）分別對(duì)輸入數(shù)據(jù)進(jìn)行訓(xùn)練，并使用線性模型對(duì)各個(gè)深度學(xué)習(xí)的訓(xùn)練結(jié)果進(jìn)行動(dòng)態(tài)結(jié)合，而后輸出最終預(yù)測(cè)結(jié)果。此外，本文還使用廣州某地光伏功率與負(fù)荷的相關(guān)數(shù)據(jù)進(jìn)行實(shí)例驗(yàn)證。 分析結(jié)果表明，模型架構(gòu)對(duì)于預(yù)測(cè)結(jié)果有較大影響，多個(gè)深度學(xué)習(xí)模型相結(jié)合能夠有效地提高負(fù)荷預(yù)測(cè)與光伏預(yù)測(cè)功率的精度。

在未來(lái)，針對(duì)深度學(xué)習(xí)算法的預(yù)測(cè)問(wèn)題，可以在以下幾個(gè)方面作進(jìn)一步改進(jìn)，以提高負(fù)荷與光伏出力的預(yù)測(cè)精度。具體的改進(jìn)方向：①預(yù)測(cè)模型中的結(jié)構(gòu)參數(shù)選擇方式對(duì)預(yù)測(cè)結(jié)果有著較大影響，今后可探索一種更高效、科學(xué)的方式對(duì)結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化；②目前，在光伏功率預(yù)測(cè)和負(fù)荷預(yù)測(cè)的算法中，輸入特征的選擇往往依靠科研人員的經(jīng)驗(yàn)，下一步工作中應(yīng)將人工智能方法的特征分析方式與經(jīng)驗(yàn)相結(jié)合。