基于改進LSTM的滾動預測模型的能源供給研究

宋 強

(貴州電網有限責任公司 計量中心，貴州 貴陽 550000)

能源供給作為構成能源市場活動的一個重要方面，充足的能源供給是經濟和社會發展的必要保障。同時，隨著供給側結構性改革的不斷深入、可持續發展的要求及對環保的重視程度，低碳經濟模式逐漸成為發展重點[1-2]。伴隨著一大批水電站的興建，風電、太陽能等的快速發展，能源來源持續多樣化，清潔能源逐步取代化石燃料成為主要能源，是能源供給發展的必然趨勢。因此，如何合理預測與判斷能源供給情況，結合地區資源特色保障能源供應，同時優化能源結構促進可持續發展，為競爭性業務開展提供數據支撐，值得深入探討和研究。近年來，學者對能源供給預測展開了大量研究，研究方法主要有趨勢外推法、時間序列分析法、神經網絡法、灰色系統預測法等。文獻[3]利用提出了一種基于動態三次指數平滑的時間序列預測模型，對火電廠發電量進行預測，具有動態的平滑系數和動態參數，論證了比傳統的加權移動平均法的預測更精準，更好地服務于火電廠發電的運行控制。文獻[4]采用基于BP神經網絡的雙預測模型結構來預測光伏發電量，有效地解決天氣變量預測值不準確造成的預測誤差大且存在波動的問題，具有一定的實用性。文獻[5]運用灰色模型對光伏發電量進行總體趨勢預測后，引入了加權馬爾可夫鏈預測理論，同時考慮了模型對指數增長序列的適應性以及發電量數據隨機波動的特點，提高了對波動性較大的發電量數據預測的精度。文獻[6]針對水電站的水流量和發電量，通過基于極限學習機和長短期記憶網絡模型的區間預測方式進行預測，比點預測有更大的誤差包容性，對于水電站的穩定運營有著廣泛的應用前景和指導意義。

總體上看，當前多為對單一類型能源發電量進行預測，且僅從時間維度進行建模，未考慮影響能源發電量的主要因素，對歷史數據依賴性較強，隨著時間范圍的增大，誤差將不斷擴大，精準率不高。因此，本文以南網某電力公司為例，對不同類型能源供給進行研究，利用灰色關聯度分析法剔除關聯度較低的變量，將能源發電量作為輸出，提出一種基于改進LSTM的滾動預測方法，對模型進行訓練，對新數據持續學習，動態調整模型參數，滾動更新數據變化最新規律，具有更高的準確率。

1 灰色關聯度分析法

能源發電量通常受氣候等環境外界影響較大，兩者之間具有較強的關聯度，因此需要對各能源類型受氣候的影響因素進行分析。灰色關聯度分析法(Grey Relation Analysis，GRA)是一種多因素統計分析的方法，通過確定參考數據列和若干個比較數列的相關系數及相關度，進而判斷其聯系是否緊密及兩因素變化的態勢是否一致[7-9]。灰色關聯度分析法計算的具體步驟如下。

(1)確定分析序列。用矩陣表示反映系統行為特征的參考序列和影響系統行為的比較序列，即：

(1)

式中，n為變量類型個數；mR+。

矩陣前4列為某地區主要能源類型：火電、水電、風電、太陽能序列，比較序列由各氣候類型溫度、風速、降雨量等影響因素構成。

(2)指標正向化。將逆向指標通過倒數法轉化為正向指標，使指標同趨勢化，轉化后的矩陣仍記為X。

(3)無量綱化處理。對步驟(2)中得到的矩陣進一步進行數據的無量綱化處理。

(2)

矩陣轉換為矩陣：

(3)

(4)計算參考數列與比較數列灰色關聯系數。關聯系數本質為曲線間幾何形狀的差別程度，曲線間差值的大小，可作為關聯程度的衡量尺度。參考數列與比較數列灰色關聯系數的計算如下：

(4)

式中，ρ為分辨系數，一般在0～1之間，ρ越小，分辨力越大，通常取0.5；Δ(min)為兩級最小差；Δ(max)為兩級最大差；Δi(k)為各比較數列曲線上的每一個點與參考數列曲線上的每一個點的絕對差值。

(5)計算關聯度。因為關聯系數是各個時刻的關聯程度值，數值為動態且不固定，而信息過于分散不便于進行整體性比較，因此將各個時刻的關聯系數匯聚求平均值，作為比較數列與參考數列間的關聯程度。關聯度公式如下：

(5)

式中，ri[0，1]，其值越接近1，說明相關性越好，即該影響因素與發電量的關聯程度越大。

2 基于改進LSTM的滾動預測模型

2.1 LSTM模型原理

長短期記憶網絡(LSTM，Long Short-Term Memory)[10-12]是一種時間循環神經網絡，屬于深度學習神經網絡，區別于一般的RNN(循環神經網絡)，不只由一個簡單的結構鏈式構成，解決了長期依賴問題。

LSTM的網絡結構由多個門Gate——Input gate(輸入門)、Forget gate(遺忘門)和Output gate(輸出門)和內部記憶單元構成。不同于一般的RNN，LSTM中的前后2個記憶單元的隱藏層節點的信息傳播不是經過Sigmoid層，而是通過一個Sigmoid的神經層和一個逐點相乘的操作來實現的。LSTM的工作流程如下。

(1)遺忘門決定丟失信息。遺忘門通過讀取前一時刻輸出信息和當前輸入信息，給每個記憶單元Ct-1輸出一個0～1之間的ft向量值，1表示“完全保留”，0表示“完全舍棄”。

ft=σ(Wf×[ht-1，xt]+bf)

(6)

式中，σ為Sigmoid函數；Wf為權值矩陣；ht-1為上一個記憶單元的輸出；xt為當前記憶單元的輸入；bf為偏置量。

圖1 LSTM網絡結構示意Fig.1 Network structure of LSTM

it=σ(Wi×[ht-1，xt]+bi)

(7)

(8)

由式(6)—式(8)得到更新后的記憶單元狀態Ct：

(9)

(3)輸出門決定輸出信息。輸出門的Sigmoid層決定需要輸出的信息Ot，并通過tanh進行處理，再與Sigmoid的輸出相乘，最終得到LSTM網絡確定輸出的部分ht。

ot=σ(Wo×[ht-1，xt]+bo)

(10)

ht=ot×tanh(Ct)

(11)

式中，σ為Sigmoid函數；Wo為t時刻輸出門Ot的權值矩陣；ht-1、xt含義同上；bo為偏置量。

2.2 滾動預測方法

基于歷史數據對各類型能源發電的預測，本質為建立未來各類型能源發電量與歷史各類型能源發電量及歷史氣候影響因素的映射關系[13-15]。然而氣候等環境影響因素變化較為復雜，若用統一復雜模型來定量描述映射關系，對于距離較遠的不同電廠以及同一電廠在不同季節的變化將不具備適用條件，因此需要通過持續學習，根據接收到的最新不同能源類型的發電量變化規律以及氣候等環境因素的變化情況，將歷史數據與最新數據共同作為訓練數據，對新數據持續學習，調整模型參數，滾動更新數據變化最新規律，提高模型預測準確率。同時，為了防止模型出現過擬合現象，在訓練時采用指數衰減的策略來設定學習率，而在測試時使用固定且很小的學習率，來控制每次滾動預測中網絡參數可調整的范圍。滾動預測方法以此解決數據變化規律的更替，使得模型更接近真實運營情況，并具有良好的普適性，不受電廠地址位置等的約束。且對于新建的類型電廠，通過學習臨近電廠或類似氣候條件下的歷史發電數據，同樣能夠實現滾動預測未來發電量的目的。

3 實例分析

3.1 能源數據獲取與準備

本文數據來源于南網某電力公司提供的2018年1月—2020年4月的月度各類型能源發電量數據，主要能源類型包括火電、水電、風電、太陽能，數據真實有效可信；氣候數據來源于互聯網氣象臺站，主要包括溫度、風速、降雨量等，對各類型能源發電量進行預測。整體預測流程如圖2所示。

圖2 基于改進LSTM的滾動預測建模流程Fig.2 Rolling prediction modeling process based on improved LSTM

3.2 能源發電量與氣候關聯度分析

通過灰色關聯度分析方法，在式(1)中，n=8，矩陣中前4列分別代表風電、火電、水電、太陽能的發電序列，其余各列代表影響發電量的氣候因素，分別為平均氣溫、降水量、日照時數、極大風速，計算出各影響因素與各類型能源發電量的關聯度。計算結果見表1。

表1 能源發電量與氣候關聯度分析Tab.1 Analysis of correlation between energy generation and climate

從表1可以看出，風電與平均氣溫、極大風速、降水量相關性較強，火電與平均氣溫存在一定的相關性，水電與平均氣溫、降水量關聯度較大，太陽能與日照時數的關聯較為密切。從而得到與各類型能源關聯度較大的影響因素作為模型的輸入變量，而剔除其余關聯度較小的變量。

3.3 利用改進LSTM的滾動預測模型預測

將經過上述灰色關聯度分析方法篩選后的與各類型能源關聯度較大的變量作為模型的輸入，對風電選取平均氣溫、極大風速、降水量三維參數；對火電選取平均氣溫一維參數；對水電選取平均氣溫、降水量二維參數；對太陽能選取日照時數一維參數，將各類型能源發電量作為輸出，并按照80%、20%劃分訓練集、測試集，利用改進LSTM的滾動預測方法對模型進行訓練，設置網絡的時間序列交替時間步；指定LSTM層有200個隱含單元；同時防止梯度爆炸，將梯度閾值設置為1；初始學習率設定為0.005，在125輪訓練后將學習率的衰落因子調整為0.2。最終得到各類型能源發電量的預測結果如圖3—圖6所示。

圖3 風電預測結果Fig.3 Wind power forecast results

圖4 水電預測結果Fig.4 Hydropower forecast results

圖5 火電預測結果Fig.5 Thermal power forecast results

圖6 太陽能預測結果Fig.6 Solar energy forecast results

對比傳統RNN算法，本文提出的基于改進LSTM的滾動預測算法可以解決長期依賴問題，有效提高能源發電量的預測精度。采用相同的測試數據集分別利用傳統算法和本文算法進行準確率測算，均方根誤差(RMSE)測算結果見表2。

由表2可知，在各時長的對比中本文算法的誤差均小于傳統算法，且隨著預測時間的增加，傳統算法與本文算法的誤差均在不斷增加，而傳統算法僅依賴歷史數據在隨著時長的增加誤差的增幅更大。因此基于改進LSTM的滾動預測算法明顯優于傳統方法，采用基于改進LSTM的滾動預測算法總體準確率達到了92.60%，比傳統算法的準確率提高了7.74%。

表2 傳統算法與本文算法準確率對比結果Tab.2 Comparison of accuracy between traditional algorithm and this algorithm

3.4 能源供給情況分析

根據上述對各類能源預測結果，結合歷史數據，進而得到各類型能源近3年占比變化情況，并繪制能源供給情況(圖7)。從能源供給趨勢來看，風電、水電、太陽能等清潔能源在逐步擴大，而火電發電量占比由最初的70%以上逐漸降為40%左右，供給結構趨于優化。在國家能源清潔化發展戰略和節能減排政策的落實下，鼓勵水電、風電、太陽能發電、核電等清潔能源發電機組替代常規火電機組發電，由高效環保的火電機組替代低效高污染火電機組及關停發電機組發電，未來水電、風電、太陽能發電等清潔能源有望進一步發展，且該地區水電有望替代火電成為主力發電能源類型。

圖7 能源供給情況趨勢Fig.7 Energy supply trend

針對能源供給趨勢的預測分析，進一步提出該地區的能源發展對策[16]：①提高能源效率，通過突破關鍵技術難點，使用高能效鍋爐、水泵、電熱聯產、三連供等系統并對其定期維護，以及擴大水電、風電等裝機容量，提高設備利用率；②大力發展可再生能源與新能源，積極并因地制宜地制定好可再生能源發展規劃，加大對可再生能源如新能源分布式光伏、生物質能等的開發和推廣；③加強政府能源管理，制定系統和配套的綜合性能源政策和法規體系，保證資金重組和提高投資者的積極性，以及制定可再生能源有關技術標準、產品質量標準，規范經營者的行為和保證消費者的合法權益等。

4 結語

本文從能源供給側出發，提出一種基于改進LSTM的滾動預測模型的能源供給預測方法，通過灰色關聯度分析法篩選關聯度較高的變量，利用改進LSTM的滾動預測方法滾動更新數據變化最新規律，對各類型能源進行預測，解決了長期依賴問題，有效提高能源發電量的預測長度和精度，模型預測準確率達到92.60%，相比傳統算法提高了7.74%。同時以直觀可視化的方式展現預測結果，并針對提出能源發展對策，實現對能源市場發展潛力的分析，為競爭性業務開展提供數據支撐。