基于LSTM的短時電力負荷預測

袁曉丹 趙佳琪 薛秀茹

摘要：隨著用電量的增加，為了電力系統的規劃和運行的穩定、經濟的發展、人民的生活，對電力負荷進行準確的預測顯得尤為總要。為得到短時電力負荷的準確預測，采用LSTM模型對其進行建模分析。首先將數據進行預處理，將奇異值修正，建立了基于LSTM的預測模型。將負荷列數據做重構，建立了兩層LSTM結構的預測模型。仿真結果表明，該模型能夠很好更好地擬合負荷曲線，具有較高的預測精度。

短期負荷預測主要對未來幾小時或幾天的用電負荷進行預測，是電網合理調度和平穩運行的基礎。常見的短期負荷預測的方法主要有傳統的統計學方法和基于機器學習的預測方法。如宋曉茹等針對影響中長期電力負荷多因素間的非線性和不確定性的問題，提出了一種粗糙集（RS）和最小二乘支持向量機（LSSVM）相結合的中長期電力負荷預測方法，有效的提高了電力負荷預測的精度;陳冬灃、肖建華將一種改進的粒子群算法（EPSO）應用到中長期電力負荷預測中去優化支持向量機（SVM）的參數;翟帥華等人提出了粒子群算法改進了BP神經網絡負荷預測模型，解決了傳統的BP神經網絡負荷預測模型在訓練的過程中存在極易陷入極小值和收斂速度慢的問題;龍金蓮、張玉芬等在分析傳統的負荷預測的基礎上，著重給出了現代時間序列分析在負荷預測方法上的新成果，重點提出了波動性模型（ARCH族模型，SV族模型）在解決負荷預測中參數估計的重要性，提出了一種基于數據分組處理方法來優化PSO-LSSVM的中長期電力負荷預測的預測方法等。Jinseok K等提出了一種利用小數據集預測用電模式和最大用電持續負荷的方法，減小了預測的電力成本;Mohammed Hattab等提出了采用基于最小二乘的粒子群優化算法來預測電網電力負荷的回歸方法，解決了預測精度問題，使得預測更為準確;Bharathi Dora等提出了一種基于小波變換和雙指數平滑的電力負荷預測模型，討論了利用合適的小波系數閾值法還有小波重構方法，有效的解決了去噪問題;Ceperic E等提出了一種基于支撐向量回歸（SVR）的短時電力負荷預測方法，該方法將粒子群全局優化技術用于SVR超參數優化，減少了操作人員的交互作用，提高了預測精度。

近年來，深度學習作為一個新興的機器學習的種類，廣泛應用于語言識別、計算機視覺等領域。長短時記憶網絡（LSTM）由于可以充分挖掘時序數據之間的內在關聯，并能夠解決時間上的梯度消失的問題，常用于預測問題。曾豪將LSTM應用于城市日常空氣質量指數預測，相對于其他的預測方法，該預測方法能夠很好的考量外在的影響，解決了預測精度的問題;宋晨光將LSTM用于股票股價的預測，解決了原來不能查看股價模式的問題;周捷等利用LSTM中單元的記憶功能進行了流量序列預測，解決了在一般的預測方法中不能進行多維度多方向預測的難點問題。

基于此，本文將LSTM模型應用于電力負荷的預測中，通過對英國的加的夫（Cardiff）的2016年的電力數據進行分析，建立了基于LSTM的負荷預測模型，并采用MAE（平均絕對誤差）對模型性能進行評估。

LSTM神經網絡是一種基于時間的遞歸隱層神經網絡，它能夠更好的解決RNN中存在的長依賴問題。LSTM由三個門來控制細胞狀態，這三個門分別稱為忘記門、輸入門和輸出門，經典的LSTM基本單元如圖1所示。

遺忘門用于決定細胞需要丟棄哪些信息，用sigmoid單元處理，通過查看和信息來輸出一個0-1之間的向量，可表示為：

輸入門利用和通過tanh層得到新的候選細胞信息 。

接下來遺忘門選擇忘記舊細胞信息的一部分，輸入門選擇添加候選細胞信息的一部分得到新的細胞信息。

更新完細胞狀態后，將輸入通過sigmoid層得到判斷條件，將細胞狀態經過tanh層得到一個-1～1之間值的向量，該向量與輸出門得到的判斷條件相乘得到最終LSTM的輸出。

在數據采集的過程中，由于人工、天氣、器件老化等外在因素的影響，造成了壞數據的產生，對于以后預測的準確度產生極壞的影響，因此在使用模型訓練之前，首先要將壞數據進行識別并處理。文中所選數據取自英國的加的夫（Cardiff）的2016年的電力數據，如圖2所示。數據樣本中不存在缺失的數據值，但是存在不合適的奇異值，利用前一時刻和后一時刻的平均值的方法對奇異值進行修正。修正之后的負荷數據圖如圖3所示。

在實驗中，將前11個月的8040個樣本數據作為訓練集，第12月的樣本數據作為測試集。預測模型由兩個LSTM層結構組成，第一個LSTM層和第二個LSTM層都分別建立了一個隱藏層，每個隱藏層各自設置了128個隱層單元。輸入形狀是1個時間步長，輸出接一個單元的全連接層，進行了150次訓練。預測結果如圖4所示。

模型訓練的損失函數MSE（均方誤差）曲線如圖5所示，可以看出當模型的訓練的次數達到20次后就沒有了明顯的偏差，在140次后偏差更小，精度更高。

針對電力負荷的短期預測問題，建立了基于LSTM的電力負荷預測模型。LSTM模型較原來的RNN模型能避免RNN梯度消失問題，使得預測更加準確。在進行預測時，將數據集中的樣本數據進行了預處理，識別并改正了樣本數據。將時間序列問題轉變成監督問題并實現歸一化，輸入為時間步長1。搭建了兩層LSTM，每層LSTM中有一層隱藏層，隱層中設置了128個隱藏單元，輸出接一個全連接層。將數據集中前11個月的電力負荷作為訓練集，將最后一個月為預測訓練，仿真結果表明，該模型可以實現對電力負荷數據的準確預測。

參考文獻：

[1]吳云，雷建文，鮑麗山，等.基于改進灰色關聯分析與蝙蝠優化神經網絡的短期負荷預測[J].電力系統自動化，2018，42（20）：67-72.

[2]陳緯楠，胡志堅，岳菁鵬，杜一星，齊祺.基于長短期記憶網絡和 Light GBM 組合模型的短期負荷預測[J/OL].電力系統自動化. https：//kns.cnki.net/kcms/detail/32.1180.TP.20200610. 1819.012.html.;

[3]宋曉茹，李莉，張來青.中長期電力負荷預測[J].計算機仿真，2014，31（09）：132-135.

[4]陳冬灃，肖建華，劉耿彬.基于改進粒子群算法的中長期電力負荷組合預測[J].自動化應用，2016（12）：139-140+147.

[5]翟帥華，姜雲騰，李萍.基于改進PSO-BP神經網絡的短期電力負荷預測[J].工業控制計算機，2018，31（09）：148-150.

[6]龍金蓮，張玉芬，盧家暄，等.基于GMDH-PSO-LSSVM中長期電力負荷預測[J].貴州大學學報，2017，34（06）：49-53+84.

[7]Jinseok K， Hyungseop H， Ki-Il K. Adaptive optimized pattern extracting algorithm for forecasting maximum electrical load duration using random sampling and cumulative slope index [J]. Energies， 2018， 11（7）： 1723.

[8]Mohammed Hattab， Mohammed;Maitah， et al. Medium Term Load Forecasting for Jordan Electric Power System Using Particle Swarm Optimization Algorithm Based on Least Square Regression Methods[J]. Journal of power and Engineering， 2017， 5（2）： 75-96.

[9]Bharathi Dora， Haranath Kar，et al. A Simple Hybrid Model for Short-Term Load Forecasting[J].Journal of Engineering， 2013， 2013.

[10]Ceperic E， Ceperic V， Baric A. A Strategy for Short-term load forecasting by support vector regression machines [J].IEEE Transactions on Power Systems， 2013， 28（4）： 4356-4364.

[11]曾豪.基于LSTM 的環境污染時間序列預測模型的研究[D].華中科技大學.2019.

[12]宋晨光.基于長短期記憶神經網絡模型的股票價格走勢預測[D].江西財經大學.2019.

[13]周捷，嚴建峰，楊璐，等.LSTM 模型集成方法在客戶流失預測中的應用[J].計算機應用于軟件，2019，36（11）：39-46.