一種基于LSTM神經網絡的短期用電負荷預測方法

朱家貽 劉思蕊?潘楠 沈鑫 郭曉玨

【摘要】? ? 負荷預測目前已成為保障電力系統用電安全的重要基礎工作，在我國市場經濟制度持續完善過程中，能源產業也逐漸發展為以市場為導向，這就要求負荷預測要更加可靠、實時與準確。保證負荷預測的準確性，能為電力銷售計劃的制定奠定堅實基礎并提供可靠依據，確保電網運行更加安全與經濟。在智能電網時代下，電力用戶側涉及到海量數據，且用戶數據具有一定隨機性，以往所用負荷預測方法無法滿足新時期提出的負荷預測要求。為此，本文分析一種基于LSTM神經網絡的短期用電負荷預測方法，以更高效、準確的挖掘大量數據當中有價值的信息，經實例證明，此方法具有更高適用性和準確性。

【關鍵詞】? ? LSTM神經網絡? ? 短期用電? ? 負荷預測

前言

負荷預測主要是以電力負荷各項歷史數據為基礎，對負荷數據各項變化情況、數據相關性、社會條件和各種自然情況之間存在的內在關聯等進行分析與研究，探索并掌握負荷發展規律，進而相對科學、準確的預測未來一定時間段之內的負荷數據。短期負荷預測若存在誤差，將使電網運行成本顯著增加，而保證短期負荷預測的準確性，能夠對電網系統及各項相關設備具體運行作出合理安排，保證系統運行始終保持在安全范圍內。

以LSTM神經網絡為基礎的短期用電負荷預測方法，是對人工智能算法的有效改進，可以更好的對時間序列有關數據進行處理，并能對負荷數據相互存在的關聯性實現充分利用，保證負荷預測更加精準。

一、LSTM神經網絡的原理

通過對RNN（循環神經網絡）進行不斷改進與完善，獲得了LSTM神經網絡，它能夠對RNN當中容易發生的梯度消亡現象實現有效解決[1]。和普通神經網絡相比，RNN一個最重要的特點就是它所涉及到的多個隱藏層單元沒有保持相互獨立性，而是不同的隱藏層單元之間保持著相互連接的關系，同時相應隱藏層單元還和其所接受的時刻之前有關時序輸入存在密切關聯，它的這一特性有助于后續對時序相關數據進行更快速、準確地處理。傳統神經網絡當中，每個網絡層其參數均保持相互獨立不共享，但是RNN當中每一步的輸入，相應各層都會彼此之間共享輸入至隱含層權重、隱含層至隱含層權重、隱含層至輸出權重等相關參數。

這代表著RNN當中輸入的每一步，其所做的事情都是一樣的，只是保持著差異化的輸入，這一訓練形式能使網絡當中減少所需學習的相關參數，不僅有助于確保精度，還能使訓練時間大大減少。不過RNN卻面臨這樣一個不足，就是在標準RNN構架下，實踐當中只有非常有限的可聯系“上下文”，若相關記憶屬于較遠時刻的，那么其對輸出所產生的影響要么體現出衰減極小，要么體現出指數爆炸增長，此情況也就是通常所說的梯度消亡問題。

LSTM作為改進型RNN，主要就是能夠對梯度消亡問題加以解決[2]。LSTM單元當中，包含多個或單個Cell（細胞核），以對LSTM單元目前狀態進行描述。在LSTM單元結構當中包含三個控制門，具體就是Forget Gate、Output Gate、Input Gate，這三個控制門相應輸出都分別和1個乘法單元相連接，進而分別對網絡輸入、輸出、Cell單元相關狀態進行控制[3]。在對第一時刻輸入O1實現處理結束后，只要保證Forget Gate保持打開狀態，Input Gate保持關閉狀態，那么網絡輸出就會不間斷的受O1影響。

二、建立以LSTM神經網絡為基礎的負荷預測模型

2.1對輸入數據實現預處理

數據采集環節通常會受到設備老化、人為操作失誤等情況影響而產生壞數據，進而會對預測模型準確度產生較大程度的影響，所以，輸入訓練數據之前，要事先識別并處理樣本當中所存在的壞數據。因為負荷數據存在一定周期性，假設短期內數據在橫向層面保持一致，不存在突變，那么可通過橫向比較法識別壞數據[4]。

結合樣本統計指標以及設定閾值，可明確是否存在異常數據。由于傳感器的采樣頻率是每間隔30min采集一個點，所以所采集到的數據則是n天48個單位相應矩陣[5]。通過對壞數據實現識別并有效處理之后，要基于新數據集實現歸一化處理。

2.2選擇輸入輸出量

輸入數據在實現預處理結束后，就到了負荷預測模型建立最關鍵環節，也就是要合理的選擇輸入量和相應標簽，以更順利的通過神經網絡實現訓練。文章對短期用電負荷進行預測，主要是針對未來某幾天實現24h負荷圖的預測。負荷數據會根據休息日和工作日，按照一周為單位呈現出周期性變化，周末時間段和工作日時間段相比，用電負荷會有所下降。結合這一特性，文章選擇迭代預測方法，比如要對6月27號24h負荷值進行預測，那么則輸入5月1號至5月7號相應歷史負荷數據，同時將5月8號相應歷史負荷數據當作標簽輸出，實現首次訓練。之后輸入5月2號到5月8號相關歷史負荷數據，同時將5月9號相應歷史負荷數據當做標簽輸出，實現二次訓練，通過這一方式實現迭代預測，一直持續至獲得6月27號負荷預測值。另外，文章基于歷史數據通過one-hot編碼處理之后再次當做訓練樣本，能夠對歷史負荷數據具有的周期性規律實現更充分的利用。

在選擇時間序列模型技術方面，文章考慮到電力負荷是一種隨機過程，對相應隨機過程進行研究期間，自相關系數可以明確隨機過程平穩與否，同時可判定所選模型階數合適與否。綜合分析，將模型階數確定為7，也就是將前7天相應歷史負荷數據當作具體特征向量實現滾動預測。以單維度數據實現模型建立，證明此模型適用性非常良好。

2.3確定LSTM神經網絡結構

在明確輸入輸出量后，接下來的關鍵工作主要是合適的選擇網絡結構。而這一環節最核心步驟，就是對輸入輸出節點具體數量進行確定。首先針對多模型單變量方面的預測，主要選擇24個差異化神經網絡預測模型，一一和一天當中24h相對應，這一方法涉及到的參數相對易收斂，并且單個網絡結構相對比較小，不過此方法整個過程比較冗余、復雜，并且一個單獨網絡易過擬合。通常情況下，要對一天負荷量實現預測，所搭建的模型數量就是24個;針對單模型多變量方面的預測，主要通過數量為24的輸出節點一一代表一天當中對應的24h，同步對一天每個小時具體負荷數進行預測。若將此結構網絡放在傳統預測方法中，那么網絡結構會異常復雜，并且需訓練更新的參數數量多達上千個，這將會對網絡運算速度以及最終預測精度產生極大影響。

綜合分析，文章選擇多變量的模型形式實現網絡構建。因為LSTM網絡涉及到的權重共享方式有別于傳統神經網絡，選擇24個對應輸出節點期間，LSTM和傳統神經網絡相比，其所需學習的參數將大大減少，這樣便于模型更快速、便捷的建立，基本上只具有一個網絡就能夠高精度的實現負荷預測。

三、實例驗證

為了對上文所提出的短期用電負荷預測方法進行驗證，文章選擇某次負荷數據競賽當中涉及到的12個月數據當做樣本，將其中的前11個月數據當做訓練數據集，對12月7日、8日每日24h負荷值進行預測，同時選取的驗證集當中，12月7日屬于工作日，12月8日屬于休息日，通過上文提出的基于LSTM神經網絡的短期用電負荷預測模型實現訓練預測，并和傳統以BP神經網絡為基礎的模型作出對照。

通過分析BP網絡和LSTM網絡相應的訓練誤差降低曲線，并都將訓練1000步當做分界點，可以發現針對相同的數據，LSTM網絡對應的訓練步數約100的時候，已經降低至小于0.1，并且已呈現出網絡收斂狀態。在多層BP網絡當中，其訓練步數在1000步的時候，對應誤差還保持兩位數。足以見得相比傳統多層BP神經網絡，LSTM具有更高的學習效率。

通過實現訓練的模型預測12月7日、12月8日相關負荷數據，可以發現以LSTM神經網絡為基礎所構建負荷預測模型，只有非常小的誤差，并且表現比較穩定，這2天中對48個點實現預測，只有極個別點其誤差和3%相接近，其他大部分均保持在約1.5%，證明預測準確率非常高;以多層BP神經網絡為基礎所構建負荷預測模型當中，具有比較高的誤差率，其誤差大部分都超過了3%，并且一些點的誤差超過了5%，和當前所提出的短期預測精度要求不相符。

公式當中的Li代表真實值，Li代表預測值。通過對上述兩種方法分別計算其EMAPE，經結果對比，可明顯發現和多層BP網絡相比，以LSTM神經網絡為基礎的負荷預測方法其涉及到的平均百分誤差要明顯小得多，足以證明此方法和傳統方法相比具有更優秀的使用效果。

四、結束語

文章主要結合負荷數據本身所具有的特性，通過對負荷數據周期性進行研究，提出一種以LSTM神經網絡為基礎的短期用電負荷預測方法。基于LSTM原理，證明此方法在負荷預測方面具有良好的適用性。之后文章又討論了輸入輸出量選擇，為后續模型構建奠定堅實基礎。之后，通過某競賽當中涉及到的實際數據實現仿真，通過對數據實現預處理，將相關數據輸入到模型當中實現訓練預測，經過實例驗證，證明以LSTM神經網絡為基礎的短期用電負荷預測方法具有非常好的適用性，并且和傳統預測方法相比，其預測精確度更高。

參? 考? 文? 獻

[1]李昭昱， 艾芊， 張宇帆，等. 基于attention機制的LSTM神經網絡超短期負荷預測方法[J]. 供用電， 2019， 36（01）：22-22.

[2]姚朝， 辛平安， 施卜今，等. 基于LSTM時間遞歸神經網絡的短期電力負荷預測[J]. 云南水力發， 2019， 35（003）：163-163.

[3]陸繼翔， 張琪培， 楊志宏，等. 基于CNN-LSTM混合神經網絡模型的短期負荷預測方法[J]. 電力系統自動化， 2019， 43（08）：197-197.

[4]張洋， 姬波， 盧紅星，等. 基于LSTM神經網絡的短期高壓負荷電流預測方法[J]. 計算機科學， 2019， 046（006）：49-49.

[5]于佳弘， 包哲靜， 李志杰. 基于LSTM的用戶負荷區間預測方法[J]. 工業控制計算機， 2018， 031（004）：102-102.