基于深度學習的電力網絡終端負荷預測方法

摘要：電力網絡的終端負荷預測自適應感知能力相對較差，所以在執行的過程中極易出現誤差或者問題，造成大規模或者關聯性的預測問題。因此，對基于深度學習的電力網絡終端負荷預測方法進行設計與分析。確定終端負荷預測自編碼單元，關聯單元進行深度SAE-NN預測模型的設計，在此基礎之上，創建DNN深度預測訓練結構，利用SLF法實現電力網絡終端負荷的預測。最終的測試結果表明：在相同的測試環境之下，對比于傳統的聚類分解負荷預測組，本文所設計的深度學習的負荷預測組最終得出的預測百分比誤差相對較低，表明此種方法的預測效果更佳，具有一定的實際應用意義。

關鍵詞：深度學習 電力網絡 終端負荷 預測方法 執行指令 深度神經網絡

Abstract： The adaptive sensing perception ability of terminal load forecasting of power network is relatively poor， so errors or problems are prone to occur in the process of execution， causing large-scale or relevance forecasting problems. Therefore， design and analysis of the power network terminal load forecasting method based on deep learning. The self coding unit of terminal load forecasting is determined， and the correlation unit designs the deep SAE-NN forecasting model. On this basis， the DNN deep forecasting training structure is created， and the SLF method is used to realize the terminal load forecasting of power network. The final test results show that under the same test environment， compared with the traditional cluster decomposition load forecasting group， the final prediction percentage error of the deep learning load forecasting group designed in this paper is relatively low， indicating that this method has better forecasting effect and has certain practical significance.

Key Words： Deep learning; Power network; Terminal load; Forecasting method; Execution instruction; Deep neural network

中圖分類號： TP399?? 文獻標識碼：A

電力網絡的負荷預測實際上是對網絡的運行情況進行檢測的一種重要的監督形式，同樣也是電力資源以及能量管理過程中重要且關鍵的一個工作環節。通常情況下，終端負荷預測的結果直接影響最終電力的調配以及供應結果，而在這個過程中出現的預測誤差也會造成電網后續日常執行以及安全校核的最后處理結果，所以電力網絡終端負荷的預測具有十分重要的意義，可以更好地提升電網動態估計的狀態，同時調節電力配網的負荷程度，以此來減少發電、配電的實際成本，有利于電力網絡的進一步創新與發展[1]。但是對于電力網絡終端的負荷預測在實際應用的過程中也存在一定的問題和缺陷，這些因素也為預測帶來了較多的不確定因素，致使最終的預測結果并不具備準確性以及可靠性[2]。由于電力負荷本身是處于時刻變化的，固定的電力負荷特性十分有限，并且適應能力較弱，所以，在應用的過程中一般會選擇非固定的電荷[3]。

傳統的預測方法主要是依據數據的測量以及預測指令的編制來實現的，雖然可以達到預期的效果，但是由于應用過程中外部因素或者內部電力供應的異常，極有可能會發生誤差預測現象，再加上淺層預測的模式，最終致使結果不具有可信度[4]。所以，面對這樣的狀況，需要創建更加靈活且穩定的預測方法，不同于傳統預測方法的是，本文所設計的方法是結合深度學習技術來實現的，實際的預測范圍精準且具體，同時對于電力網絡負荷的異常數據也可以快速匯總整合，形成對應的層級特征，為預測的效果增加可信度和準確性。因此，對基于深度學習的電力網絡終端負荷預測方法進行設計與分析。在深度學習的背景之下，基于傳統的預測方法，結合多層級的預測結構，降低預測模型的泛化性限制，從而確保預測實際效果，增強整體的預測質量。

1方法設計

1.1 終端負荷預測自編碼單元確定

自編碼單元是一種無線恒等的數據處理程序，同時也是構建SAE的基本單元[5]。所以，在無線的負荷范圍之內，進行預測自編輸出比值的確定，完成計算之后，將其設定在深度學習下的三層神經網絡預測結構之中，依據得出的數據信息，可以將對應的自編碼單元處理結構劃分為以下幾部分，即可視預測層、隱藏預測層以及重構預測層，每一個層級均具有其特有的功能，同時也是相互獨立的存在[6]。但是在應用的過程中，每一個層級單元結構也存在不同程度電力網絡的輸入和輸出，并對預測數據進行同構，形成自編碼單元的同構結構，具體如圖1所示。

根據圖1中的數據信息，最終可以了解到自編碼單元的同構結構的創建，單個反向傳播結構同時也與自編單元的恢復輸入值相一致，這樣可以盡快以最小的逼近條件來實現自編單元范圍的確定。并在這個范圍之內進行自編單元誤差代價函數的計算，具體的如公式（1）所示：

1.2 深度SAE-NN預測模型設計

本研究利用神經網絡的預測處理指令進行電力網絡日常數據信息的獲取與匯總。依據其設立對應的電力網絡SAE-NN模型，但是需要注意的是，初始的預測模型之中還包含SAE模型以及LR模型兩部分，SAE模型為底層的初始模型，主要被用于電力網絡數據的匯總以及分析，而LR模型的應用預測程度和范圍相對較高，應用的區域以及層級也處于變化的狀態。

在兩個模型中，利用多個稀疏自編碼單元構建因隱藏層級，再添加對應的終端負荷預測輸入值，為了避免外部因素對最終的模型構建產生直接干擾，還需要在此基礎之上，設計對應的深度SAE-NN預測條件，分為限制條件和預測條件，但是需要注意的是，條件的創建需要考慮深度學習的電力網絡負荷變化程度，通常情況下，負荷變化呈現出負相關，再結合深度SAE-NN的執行執行指令，最終完成深度SAE-NN預測模型的設計。

1.3 DNN深度預測訓練結構創建

在電力網絡負荷預測模型之中輸入范圍矩陣，計算出實際的預測范圍，將其作為GRU網絡的實際執行預測訓練結構，在矩陣結構之中結合深度DNN深度預測訓練條件，實現兩個矩陣的關聯處理，但是在這個過程中，DNN作為實際的預測的輸入指令，在設計的預測模型之中，實現全連接預測關聯效果。在此基礎之上，結合預測訓練的整體環境，進行深度學習下損失函數的計算。在深度訓練的過程中，Adam優化訓練法具有一定的優化作用，是一種可替代的進階優化預測模式，通過不斷地迭代更新，可以對電力網絡終端的負荷數據進行采集，并且利用預測模型來進行權重以及負荷預測偏差的計算，集合損失函數的預設范圍，計算DNN深度預測訓練結構的均方誤差，具體如公式（3）所示：

1.4 SLF法實現電力網絡終端負荷預測

通過深度模糊處理技術，進行電力網絡模糊執行規則的創建，依據上述的預測條件，形成更加完整、全面的預測規則。隨后，將粗糙集引入SLF電力處理程序之中。根據電力網絡終端負荷獨有的冗余屬性，進行循環聚類中心值的識別分辨。在預測數據庫中，結合終端的實際聚類屬聚類，對負荷預測的連續值實現多目標、多層級的設定，并以此來確定對應的模糊值，實現模糊聚類預測數據的轉換，從而了解到對應的預測情況。數據發生離散化之后，在預測的過程中存在一定的不確定性，在深度學習的泛化背景之下，結合SLF法進行歸一負荷預測比的計算：

2方法測試

本次測試主要是對深度學習的電力網絡終端負荷預測效果進行驗證。測試共分為兩組，一組為傳統的聚分解負荷預測方法，另一種為本文方法。

2.1測試準備

測試環境如下：執行程序為IntelXeon E5，預測的框架為B/S結構下的GTX1080TI 11G框架。設計深度學習的預測工具，將B/S結構與Tensorflow框架關聯。

2.2測試過程及結果分析

根據表1中的數據信息，最終可以得出實際的測試結論：在相同的測試環境之下，對比于傳統的聚類分解負荷預測組，本文所設計的深度學習的負荷預測組最終得出的預測百分比誤差相對較低，表明此種方法的預測效果更佳，具有一定的實際應用價值。

3結語

電力網絡數據的海量化處理給傳統的預測模式增加了較多的預測壓力，在深度學習的背景之下，可以建立較為真實且具體的預測方法，能夠提升電力網絡的整體泛化性能，預測精準度也得到了明顯的提高，有利于未來實現更加高效的預測效果。

參考文獻

[1]肖啟志，何葵東，肖楊.夏季城市用電短期負荷預測方法研究[J].山西電力，2021（5）：1-4.

[2]雷鳴，唐李洋，葉振宇等.一種基于深度學習的居民家庭短期用電預測方法[J].電腦知識與技術，2019，15（21）：240-242，254.

[3]朱尤成，王金榮，徐堅.基于深度學習的中長期風電發電量預測方法[J].廣東電力，2021，34（6）：72-78.

[4]李正浩，李孟凡.基于深度學習的智能型負荷預測方法的研究[J].智慧電力，2020，48（10）：78-85，112.

[5]王曉霞，徐曉鐘，張彤，等.基于集成深度學習算法的燃氣負荷預測方法[J].計算機系統應用，2019，28（12）：47-54.

[6]熊圖，趙宏偉，陳明輝，等.基于特征排序與深度學習的母線負荷預測方法[J].可再生能源，2019，37（10）：1511-1517.

作者簡介：陳佳鵬（1987—），男，碩士，工程師，研究方向為供電技術。

3970500589292