基于深度時間卷積網絡的居民用電負荷預測

詹揚

（國網湖南省電力有限公司經濟技術研究院，湖南 長沙410004）

隨著智能電能表的大量普及，越來越多的居民用電數據被收集上來，這給家庭短期負荷的預測研究提供了可能。與以往針對大規模群體行為的能源消耗預測不同，以家庭為單位的負荷波動性更強，受環境、節假日以及用電習慣的影響更為明顯，因此在學術上更加值得研究。同時，隨著很多新概念正在能源領域的落地，如智能電網、可再生能源等，能源消費者與生產者之間的交易策略正在悄然發生著改變，評估和預測能源消費和生成模式對實現電力高效調度具有重要意義。

深度學習方法，由于其強大的特征提取能力逐漸被廣泛應用到了能源消耗的行為預測中。深度學習模型本質上屬于一種神經網絡，作為機器學習的重要分子，可以將其形象的理解為具有多隱層的神經網絡[1]。相比淺層神經網絡需要人工特征提取不同，深度學習模型利用大數據來自動獲取數據的內在特征，能夠更好的刻畫數據之間的內在信息，同時避免了人為干預所帶來的不確定性和復雜性，可以直接將原始數據作為輸入，通過多層模型逐層學習數據特征，從而實現更加有效的特征表達[2]。在現有的研究成果中，長短期記憶網絡LSTM[3-4]、深度置信網絡DBN[5]、深度卷積神經網絡RNN[6]等已經被廣泛應用到了居民用電的短期預測中，這些方法由于在預測過程中存在時間先后順序，必須等到當前預測結果計算完成后才能對下一時刻點進行預測，故無法實現大規模的并行計算。因此，本文將TCN網絡引入對短期用電負荷預測中，TCN網絡基于CNN 網絡發展而來，支持大規模的并行化處理，所以在運行效率和精度上均具有優勢。

1 算法設計與分析

1.1 用電負荷預測框架

本文采用UCI數據集，使用TCN模型進行居民用電負荷預測，整體設計框架如圖1 所示。首先對原始數據集進行去除空值等預處理后，采用滑窗選取序列數據，然后以TCN網絡為主體建立用電負荷與其特征參數之間的預測模型，采用時間卷積網絡能夠在預測過程中獲取更長的感受野，可有效提高預測的精度。

圖1 TCN用電負荷預測方法整體框架

1.2 時間卷積網絡

TCN 網絡最早由Shaojie Bai 等[7]提出，其思想可形象理解為一維全卷積網絡（1D FCN）與因果卷積（causal convolutions）的結合，這使得在進行用電負荷預測過程中使用較大規模的歷史數據成為可能。為了獲得更大的感受野，同時保持網絡的穩定性，TCN網絡采用擴展因果卷積代替普通的因果卷積網絡，并使用殘差模塊代替了一般的卷積層。對于1-D 的輸入序列x∈?n，卷積核大小為f:{0,…,k-1 }→?，定義時刻點t上的卷積為[7]：

式中：d為擴展因子；k為卷積核的大小。k=3的擴展因果卷積基本結構如圖2所示。

圖2 擴展因果卷積

在實際應用過程中，為了避免梯度爆炸或消失和降低學習復雜度，需要在每個TCN塊的，輸入和輸出之間使用的卷積網絡相連。添加殘差連接后的TCN模塊可表示為：

2 實驗結果分析

2.1 數據集

為了驗證模型的有效性，本文實驗數據集采用UCI家庭用電數據集，包括日期、時間、有功功率、無功功率、電壓、電流、廚房用電功率、洗衣服用電功率、熱水器用電功率等屬性。數據從2006年12月16 日開始采集，總時長4 年，每1 min 采集一條記錄，總計2075259條數據。

2.2 實驗結果

模型在迭代15 次后基本趨于收斂，如圖3 所示為預測值與原始值曲線對比圖，其中藍色曲線代表實際的用電負荷值，紅色代表預測值，由圖可知除個別時間點外，模型均可進行準確的預測。

3 結束語

本文基于時間卷積神經網絡基本思想，提出一種用基于深度學習的電負荷預測框架，其主要結構包括數據預處理和負荷預測兩個部分，網絡每層通過Padding的方式實現因果卷積，擴張系數逐層呈指數增長。這種指數形式的增長使得預測模型可以獲取序列的長時記憶。實驗結果證明了時間卷積神經網絡在居民用電負荷上的可行性。與此同時，由于時間卷積網絡基于卷積神經網絡的特性，使其能夠實現大規模的并行計算，訓練上相比傳統LSTM、GRU等網絡更具優勢。

圖3 用電負荷預測值與實際值對比曲線