基于深度學(xué)習(xí)的多特征短期負(fù)荷預(yù)測

龍雯 王同喜

摘要：精確的電力負(fù)荷預(yù)測對智能電網(wǎng)等基礎(chǔ)設(shè)施的高效管理至關(guān)重要。本文引入了幾種深度學(xué)習(xí)網(wǎng)絡(luò)：RNN、LSTM、DNN，對某地某家庭短期內(nèi)實際電力負(fù)荷值的消耗進(jìn)行仿真預(yù)測，實驗結(jié)果表明，RNN、LSTM和DNN模型下的預(yù)測值與真實值的大致趨勢均一致，模型效果差距不大，RNN略好于DNN，DNN略好于LSTM，整體仍有優(yōu)化空間。

關(guān)鍵詞：電負(fù)荷預(yù)測;時間序列預(yù)測;深度學(xué)習(xí)

中圖分類號：TP311文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2021）16-0186-02

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

1引言

精確的電力負(fù)荷預(yù)測對智能電網(wǎng)等基礎(chǔ)設(shè)施的高效管理至關(guān)重要。隨著這些基礎(chǔ)設(shè)施在全國逐漸鋪開，電力系統(tǒng)負(fù)荷數(shù)據(jù)的數(shù)據(jù)量呈現(xiàn)指數(shù)型上漲，同時由于其非線性動態(tài)的性質(zhì)，對此類負(fù)荷數(shù)據(jù)的精準(zhǔn)預(yù)測仍然是一件充滿挑戰(zhàn)性的任務(wù)。近年來，深度學(xué)習(xí)從計算機(jī)視覺到自然語言處理領(lǐng)域都取得了不錯的成效，將深度學(xué)習(xí)模型應(yīng)用到電力負(fù)荷預(yù)測問題中也成了許多研究者選擇的方式之一。本次實驗主要選取了RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）、LSTM（長短期記憶網(wǎng)絡(luò)，RNN變體）、DNN（深度神經(jīng)網(wǎng)絡(luò)）三種模型進(jìn)行預(yù)測。

2問題描述

家庭總耗電情況與家里的電流電壓以及各類電器的使用等均有一定相關(guān)性。因此，預(yù)測某家庭短期電力負(fù)荷值消耗量是一個多變量多步預(yù)測單變量多步的時間序列預(yù)測問題。

3實驗與結(jié)果

3.1數(shù)據(jù)集

本文選取了某地某家庭電負(fù)荷消耗量。該數(shù)據(jù)集的主要數(shù)據(jù)特征有：廚房、洗衣房、電熱水器和空調(diào)等的有功功率（Wh）以及每分鐘的平均電壓（V）、平均電流（A）、有功功率（kW）、無功功率（kW）。是某家庭從2006年12月至2010年11月近四年的電力負(fù)荷數(shù)據(jù)，其中每1min作為一個采樣點。

3.2 數(shù)據(jù)預(yù)處理

3.2.1處理異常值與缺失值

對于本文數(shù)據(jù)集中存在的諸如“？”的異常值，均通過將其替換成nan的方式與缺失值一并處理。

對于本文數(shù)據(jù)集中存在的缺失值，因家庭電器的使用在1min內(nèi)極可能具有連續(xù)性，故此處選擇使用其上一個非空采樣點的數(shù)據(jù)對缺失值進(jìn)行填充。

3.2.2數(shù)據(jù)重采樣

采樣分為上采樣和下采樣。上采樣是將低頻次數(shù)據(jù)通過相應(yīng)的方法轉(zhuǎn)換為高頻次數(shù)據(jù)，而下采樣則是將高頻次數(shù)據(jù)轉(zhuǎn)換為低頻次數(shù)據(jù)。

對于本文數(shù)據(jù)集，采用下采樣來對數(shù)據(jù)進(jìn)行重新采樣，使采樣點的采樣周期從1min降低為15min。

3.2.3數(shù)據(jù)標(biāo)準(zhǔn)化

當(dāng)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，擬合網(wǎng)絡(luò)時，過大的數(shù)值數(shù)據(jù)可能影響網(wǎng)絡(luò)的收斂速度和學(xué)習(xí)效果，所以對網(wǎng)絡(luò)的輸入數(shù)據(jù)需要先進(jìn)行縮放。數(shù)值數(shù)據(jù)縮放方式主要有兩種：歸一化和標(biāo)準(zhǔn)化。本文使用歸一化對數(shù)據(jù)縮放，使原始范圍內(nèi)的所有值都處于0和1的范圍內(nèi)。

3.2.4數(shù)據(jù)重塑

本文數(shù)據(jù)集本質(zhì)是一個多變量時間序列數(shù)據(jù)集。而電力負(fù)荷預(yù)測問題本質(zhì)是一個序列預(yù)測問題，因此需要將數(shù)據(jù)從序列數(shù)據(jù)轉(zhuǎn)換為輸入特征-輸出標(biāo)簽對數(shù)據(jù)，來將問題重新構(gòu)造為有監(jiān)督學(xué)習(xí)的問題。

原數(shù)據(jù)集中屬性可以作為特征的有7個。此數(shù)據(jù)集中廚房、洗衣房、電熱水器和空調(diào)并不是家里所有的電路電能消耗，須增加一列其他的電能消耗量作為為新特征列，因此一共有8個特征。

將原數(shù)據(jù)重塑為有監(jiān)督類型數(shù)據(jù)常用的方法有：（1）增加數(shù)據(jù)維度;（2）根據(jù)時間間隔設(shè)置時間窗口。該數(shù)據(jù)集特點符合持續(xù)性預(yù)測的特點，因此選用第二種方式將數(shù)據(jù)進(jìn)行重塑，然后將前三天同一時間步的每分鐘有功功率，以及8個特征的前4個時間步共35個特征作為有監(jiān)督學(xué)習(xí)問題的輸入特征，將當(dāng)前時間步的每分鐘有功功率作為輸出標(biāo)簽。

3.3實驗?zāi)Ｐ?/p>

循環(huán)神經(jīng)網(wǎng)絡(luò)并不是單獨處理一個個輸入值，它的前一個輸入和后一個輸入存在相關(guān)性。由于這種特性，循環(huán)神經(jīng)網(wǎng)絡(luò)及相關(guān)變體適合處理涉及序列信息的任務(wù)。而深度神經(jīng)網(wǎng)絡(luò)由于自身的網(wǎng)絡(luò)結(jié)構(gòu)特點適合處理復(fù)雜問題。因此，本實驗選取了兩種適合處理時間序列信息的神經(jīng)網(wǎng)絡(luò)：RNN和LSTM，以及深度神經(jīng)網(wǎng)絡(luò)DNN。

3.4結(jié)果分析

電力負(fù)荷預(yù)測問題本質(zhì)是回歸預(yù)測問題，因此本實驗選取了三種常見的回歸預(yù)測評估指標(biāo)：RMSE、MAE、MAPE。實驗結(jié)果表明：RNN、LSTM和DNN模型下的預(yù)測值與真實值的大致趨勢均一致，模型效果差距不大，RNN略好于DNN，DNN略好于LSTM。整體仍有優(yōu)化空間。實驗的預(yù)測結(jié)果趨勢圖和預(yù)測評估指標(biāo)表如下：

4 結(jié)語

本文將幾種不同的深度學(xué)習(xí)模型應(yīng)用到短期電力負(fù)荷預(yù)測問題上。這幾種模型能夠?qū)崿F(xiàn)短期負(fù)荷大致趨勢的預(yù)測，但從效果上并未出現(xiàn)明顯差異和優(yōu)勢。接下來可以考慮從增加數(shù)據(jù)集，更換成RNN和CNN組合模型等角度進(jìn)一步優(yōu)化結(jié)果，增加預(yù)測的準(zhǔn)確性。

參考文獻(xiàn)：

[1] 田敏.智能電網(wǎng)時序數(shù)據(jù)短期預(yù)測分析研究[D].北京：華北電力大學(xué)（北京），2016.

[2]簡獻(xiàn)忠，任成國，王如志. 深度學(xué)習(xí)在短期電力負(fù)荷預(yù)測中的應(yīng)用[A]. 中國高科技產(chǎn)業(yè)化研究會智能信息處理產(chǎn)業(yè)化分會.第十二屆全國信號和智能信息處理與應(yīng)用學(xué)術(shù)會議論文集[C].中國高科技產(chǎn)業(yè)化研究會智能信息處理產(chǎn)業(yè)化分會：中國高科技產(chǎn)業(yè)化研究會，2018：4.

[3] 劉建華，李錦程，楊龍月，等.基于EMD-SLSTM的家庭短期負(fù)荷預(yù)測[J].電力系統(tǒng)保護(hù)與控制，2019，47（6）：40-47.

[4] 王永志，劉博，李鈺.一種基于LSTM神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測方法[J].實驗室研究與探索，2020，39（5）：41-45.

[5]童準(zhǔn).基于深度學(xué)習(xí)的電網(wǎng)負(fù)荷預(yù)測技術(shù)研究[J].機(jī)電信息，2020（32）：82-83.

【通聯(lián)編輯：梁書】