基于LSTM 的鋼鐵工業地區母線短期負荷預測研究

孫昀昀，王連成

（山東大學，山東 濟南 250061）

0 引言

準確的母線負荷預測是制定電網合理運行方式和電力調度的數據基礎。母線負荷相對于系統負荷，量大面廣且易受多重因素影響，通常是供給有限范圍區域負荷的總和。母線負荷變化特點是速度快、趨勢不明顯，使母線負荷穩定性通常較弱。當光伏電源并網和鋼鐵沖擊性負荷容量達到一定規模時，其功率波動會破壞接入電網原有負荷特性曲線的固有形態，給統調負荷預測工作帶來困難，增加電力電量平衡的難度。

迄今為止已提出了多種各具特點的母線負荷預測方法，文獻［1］分析了母線負荷與氣象因素的關聯性，找出了影響其負荷特性的氣象因素，構建出基于關聯性分析的母線負荷分類預測模型。文獻［2］小波分解算法，將母線負荷序列分解，分別分析各序列規律特征的不同，構造出不同的支持向量機模型負荷預測，重構后獲得預測值。母線負荷屬于短期負荷預測，傳統方法如時間序列法、回歸分析法已經被廣泛應用，但預測精度逐漸不再滿足現代需求。隨著人工智能和智能電網的發展，以深度學習為代表的人工智能方法在電力系統負荷預測領域取得了不錯的效果。深度學習模型通過多層非線性映射逐層學習海量負荷序列中蘊含的抽象特征。文獻［3］采用模糊C-聚類算法將不同行業劃分為不同的預測類型；分別建立基于深度信念網絡的負荷預測模型，負荷預測精度有所提升，但沒有充分利用負荷數據的時序特性。文獻［4］采用MATLAB中的BP神經網絡建立以時間序列為模型的方法應對鋼鐵廠用電復雜多變的特性，但作者指出由于BP網絡基于自身特點，采用非線性函數的梯度優化算法，存在收斂速度慢、容易陷入局部最優的缺點，有一定的局限性。

為了解決傳統方法中存在的問題，以含有大型鋼廠沖擊性負荷的地區母線負荷數據為基礎，利用深度學習長短期記憶 （Long Short-term Memory,LSTM）算法的優勢充分挖掘與整合多維影響因素，根據母線負荷中所包含的光伏發電、鋼鐵負荷所占比例的大小，將母線分為三類進行預測，提出鋼鐵工業地區的短期母線負荷預測模型。

1 基于深度學習的負荷預測方法

1.1 深度學習網絡模型

循環神經網絡（Recurrent Neural Network，RNN）是一類具有短期記憶能力的神經網絡，適合用于處理視頻、語音、文本等與時序相關的問題［5-6］。循環神經網絡中神經單元不僅可以接受其他神經單元傳輸的信息，還可以處理本神經單元的信息形成環路。根據時間展開后，循環神經網絡神經元如圖1所示。

圖1 展開的循環神經網絡神經元

時間為t時，網絡的輸入量為xt，不僅當前時刻的隱狀態 （即隱藏層神經元活性值）ht與輸入xt有關，上一個時刻的隱狀態ht-1也與其相關，進而與全部輸入序列 x=｛x1，x2，…，xt｝相關。 由圖 1 可知 RNN展開后由多個相同的單元連續連接，是一個自我不斷循環的結構。表示為：

式中：zt為隱藏層的凈輸入；f（·）為非線性激活函數，一般是tanh函數或Sigmoid函數；U為狀態-狀態權重矩陣；W為狀態-輸入權重矩陣；b為偏置矩陣。

但RNN神經網絡也有其局限性，隨著時間跨度增加，容易產生長期依賴激活函數和網絡參數的問題，失去從過去獲取更多信息的能力，產生梯度消失或梯度爆炸現象［7］。在這個基礎上，RNN的變體LSTM神經網絡嶄露頭角。

1.2 LSTM神經網絡

為了改善RNN的缺陷，LSTM神經網絡由S.Hochreiter和 J.Schmidhuber于 1997年提出［8］。 與標準 RNN結構重復的神經網絡模塊的鏈式形式相比，LSTM在每個RNN的cell內部加入了三個控制門單元（Gate），構成一組稱之為記憶塊（Memory Blocks）的循環子網絡。用于選擇對關鍵節點信息的記憶或者遺忘，實現了長時間和短時間記憶的結合，有效改進了RNN難以處理的人為延長時間任務的問題，更適用于處理和預測時間序列中間隔和延遲相對較長的重要事件，在語言模型、機器翻譯、語音識別［9］等領域應用廣泛。圖2為LSTM神經網絡典型結構。

圖2 LSTM神經網絡典型結構

LSTM神經網絡單元處理數據的流程是：把t時刻輸入數據與t-1時刻的輸出數據結合，經過遺忘門選擇性保留長期記憶狀態變量。再通過輸入門將上一時刻長期狀態與當前時刻狀態疊加，得到新記憶狀態變量。最終長期記憶狀態變量通過輸出門作用得到t時刻輸出。與RNN相比，LSTM得到新記憶狀態值是疊加的形式，可以大大改善狀態值逐漸接近0 的情況，即梯度消失現象［10］。

根據圖2所示，可以用式（3）—式（8）解釋 LSTM循環模型單個循環體的具體運算過程，其中xt為輸入，yt為輸出，it為輸入門的輸出，ft為遺忘門的輸出，ot為輸出門的輸出，W和b為參數矩陣。σ采用Sigmoid激活函數。

2 短期負荷預測流程

LSTM神經網絡由于具有記憶結構，可以很好地反映負荷數據在時間順序上的聯系。將深度學習LSTM神經網絡應用于短期負荷預測，重點在于對海量的歷史負荷數據進行預處理以及解決由于網絡深、參數多帶來的訓練困難問題。將數據庫按7∶3的比例分為訓練數據集和測試數據集，分別用于深度學習網絡模型的學習過程和對訓練完成的深度學習網絡模型的性能測試。圖3為深度學習網絡模型構建過程。

圖3 深度學習網絡模型構建過程

模型構建的詳細流程：

1）數據預處理，歷史負荷數據采集系統會存在數據缺失或者數據異常的情況［11］。若不加處理輸入模型將會導致很大的誤差。因此，數據預處理需要對缺失的數據進行填補，并對異常數據進行識別和修正［12］。

2）確定模型的輸入輸出變量，將預處理后的數據集劃分成為訓練集、測試集2個部分。按是否有標簽將訓練集數據分為無標簽數據和有標簽數據，訓練集數據用于模型訓練，測試集用于測試模型對新數據預測性能的優劣。

3）由于神經網絡具有激活函數特性，對［-1，1］內的數據更加敏感［13］。針對數據庫進行歸一化處理，采用歸一化公式（9）將數據處理至［0，1］區間內。

式中：X′為完成歸一化的輸入變量；X為預處理后的待歸一化數據；max（X）為待歸一化數據每行的最大值；min（X）為待歸一化數據每行的最小值。

4）訓練集數據輸入LSTM網絡模型中獲得預測值，模型超參數采取梯度下降調整方式，代價函數為平方重構誤差，LSTM實現監督學習。

5）LSTM網絡訓練完成后，輸入測試集數據，反歸一化后輸出預測結果。

6）將5）中得到的負荷預測值與實際負荷進行對比評價，采用誤差的均方根值（Root Mean Square Error，RMSE）作為預測結果的評級指標，衡量LSTM 網絡模型的預測準確性。

式中： δr為誤差的均方根；fp（i）和 fi（i）分別為測試集中第i個采樣點的預測負荷值和實際負荷值；n為測試集中樣本數。電力負荷預測中RMSE越小，則負荷預測效果越好。

3 深度LSTM負荷預測模型

該地區多數母線帶有鋼鐵工業負荷，母線負荷曲線波動幅度大，母線負荷預測的基準值遠小于系統預測的基準值，提升母線負荷準確率成為一個棘手的問題。通過分析母線歷史準確率，將母線分為三類。第一類母線接入光伏發電站，負荷變動與天氣關聯性強，日周期性明顯，歷史預測準確率高；第二類母線接入部分鋼鐵工業負荷，有一定的日周期性，歷史準確率較高；第三類母線幾乎完全接入鋼鐵工業負荷，日周期規律性很差，同時受鋼鐵企業生產計劃、檢修計劃影響大，歷史準確率低。

由于歷史負荷之間大體趨勢相同，但每日負荷受該日日期類型、氣象因素（溫度與光照）、電價波動、鋼鐵期貨水平變化而產生相應的變化。電價與工業負荷波動之間有密切的聯系，鋼鐵工業在電價高的白天負荷低于夜晚，在08：00電價變化分界處，負荷會明顯減少。鋼鐵市場價格的浮動也與鋼鐵負荷變化相關，鋼鐵價格上漲時，鋼鐵工業負荷隨之升高；相反地，鋼鐵市場低迷時，鋼鐵工業負荷也會降低。同時，光照因素對沒有光伏電廠接入的母線負荷預測影響較小。綜合考慮各母線負荷的實際情況，把負荷歷史數據和多種影響因素量化值的集合作為深度學習LSTM網絡預測模型的輸入量［14］，建立了兩種負荷預測的輸入特征集。特征集分別如表1、表2所示。

表1 不接光伏的負荷預測輸入特征

表2 接入光伏的負荷預測輸入特征

規定光伏未接入的母線預測模型為模型Ⅰ，光伏接入的為模型Ⅱ。模型Ⅰ中，1—7號特征量是待預測日前7日的每日96負荷點負荷數據；8號特征量為待預測日的日期類型，包括節假日信息；9號特征量是溫度因素，顯示為待預測日溫度的96點變化量化值；10號特征量展示各個時間段電價波動；11—12號特征量是選取螺紋鋼、H型鋼價格的波動體現鋼鐵市場形勢。模型Ⅱ中，1—3號特征量選取待預測前3日的96點負荷數據；4號特征量是待預測日的日期類型；5號特征量是96點溫度量化值；6號特征量為待預測日天氣類型，用于體現光照因素影響；7號特征量是待預測日各個時間段電價波動。以上特征量作為LSTM網絡模型的輸入量，充分反映了負荷隨影響因素變化的情況。

4 仿真與結果分析

基于MATLAB R2018b平臺實現本文所使用的深度學習網絡模型編程與仿真，在MATLAB中的Deep Learn Toolbox工具箱完成網絡調用。

4.1 仿真設置

測試仿真數據來自某地區2018年10個220 kV變電站共21條母線的實際負荷數據，采樣間隔選取為15 min，每天96點負荷值?？紤]到負荷數據變化的季節性、母線運行方式和檢修計劃調整，以30~90天作為訓練間隔。原始數據集為1—3月、6—7月、10—12月歷史負荷數據。

根據前期大量仿真可知，帶光伏電站的母線，對外界光照因素更敏感，適用模型Ⅰ；帶鋼鐵生產的工序的母線適用模型Ⅱ。

4.2 仿真結果分析

首先用深度學習的兩種模型以6個變電站6條母線為例進行仿真，對母線歷史負荷數據進行負荷預測，將三大數據集分別進行訓練測試工作；三大數據集的負荷預測仿真結果與現有負荷預測系統的預測結果進行對比，其對比結果如表3—表5所示。

表3 1—3月負荷預測準確率對比

表4 6—7月負荷預測準確率對比

表5 10—12月負荷預測準確率對比

調研地區現有預測方法，發現傳統方法僅考慮了時間因素與負荷之間的關系，鋼鐵工業自身特點以及影響負荷變化的多種因素沒有納入。故本文將多種影響因素量化輸入深度學習LSTM預測模型，可以有效地提升母線負荷預測準確性。已知GC 2號母線是帶有大型鋼鐵企業沖擊負荷的母線，存在負荷瞬時波動超過100 MW的極端情況，在僅依靠預測方法難以進一步提升準確率的情況下，常常還需要人工干預。

對于沖擊負荷疊加導致的負荷急劇變化，需要專工參考鋼廠生產工序和生產計劃，對波動點數據修正或用邊界值代替。

大型用電設備故障檢修、跳閘使得負荷急劇波動時，預測結果需要現場運行人員根據實際情況修正。

以6—7月數據集為例，將深度學習負荷預測方法的預測結果與人工神經網絡算法、支持向量機算法的結果進行對比如表6所示。

表6 6—7月各算法負荷預測準確率對比

將現下廣泛使用的人工神經網絡算法、支持向量機算法與本文使用的深度學習預測方法相比，可以證明深度學習預測方法的先進性及其在電力負荷預測方面的適用性。

5 結語

電力負荷時序數據有著時序性、非線性及觀測時限性的特點。特別是鋼鐵工業負荷包含更多的隨機因素，同時用電設備的啟停、檢修會導致總負荷產生很大的波動，其負荷變動周期性及規律性不佳?？紤]到光伏發電的間歇性和不確定性以及鋼鐵負荷的沖擊性，提出了基于深度學習的鋼鐵工業地區母線負荷預測方法。在充分考慮多重影響因素的基礎上，分析改善前饋神經網絡、支持向量機等機器學習方法在提取負荷序列深層特點的缺陷，構造深度學習LSTM網絡模型。仿真結果表明建立的模型可以有效提升負荷預測準確率。