深度學習在電力負荷預測中的應用

□朱詩奇

一、深度學習與電力負荷預測概述

(一)深度學習。近年來，機器學習領域中一個新的研究方向——深度學習得到了廣泛的關注。深度學習是對人工神經網絡的發展。人工神經網絡的基礎模型是感知機，人工神經網絡即為多層感知機，隨著神經網絡隱藏層的增多，更深的人工神經網絡可以稱為深度學習。相比于機器學習方法，深度學習無需人工進行特征提取，在面對大量數據樣本時，往往表現出更好的性能，因此，深度學習幾年來被廣泛應用于時間序列預測問題，基于深度學習的方法充分考慮了外界影響因素與被預測對象的對應關系，將影響因素特征化，大大提升了預測的精度，取得了優異的成績。

(二)電力負荷預測。電力負荷，又稱“用電負荷”，電能用戶的用電設備在某一時刻向電力系統取用的電功率的總和。電力負荷預測的實質是從已知的電力系統、經濟、社會、氣象等情況出發，根據歷史負荷變化規律，對未來某個時刻或時段做出預先估計和推測。電力負荷預測影響著電力系統的管理和運行，是電力系統制定發電計劃、交易計劃、調度計劃等的重要依據。

對電力負荷預測進行分類依據的劃分標準有很多，預測時間周期是較為常見的一種，可以將電力負荷預測分為超短期負荷預測、短期負荷預測、中期負荷預測和長期負荷預測四類。超短期負荷預測的時間從幾秒或幾分鐘到幾個小時，短期負荷預測的時間從小時到周，中期負荷預測和長期負荷預測的時間從月到年。其中，超短期負荷預測和短期負荷預測可歸為短期預測，中期負荷預測和長期負荷預測合稱為中長期預測[1]。

電力負荷數據預處理和預測方法選擇是電力負荷預測任務的關鍵環節。在電力負荷預測前，需要對負荷數據進行預處理，以減小異常歷史數據對預測精度的影響；預測方法的選擇和預測模型的建立直接影響著預測結果能否取得理想的準確度，進而影響整個電力系統的運行，因此是十分重要的。

二、短期電力負荷預測方法

短期負荷預測作為電力系統運行和控制的基礎性工作之一，對電力運行調度、電機啟動停止等方面有重要影響。傳統的短期電力負荷預測方法包括時間序列、回歸分析等。時間序列預測方法是最初進行的負荷預測研究，通過曲線擬合歷史負荷數據來建模預測電力負荷，該方法觀測的數據值表現出負荷變化連續，時間復雜度較低，屬于比較廣泛應用的方法。但該方法不限制輸入數據的要件，僅考慮了時序要素，沒有納入其他對結果具有潛在影響的要素，精度不高。后續的峰值模型則納入了濕度等其他要素。回歸分析法是根據數據內部規律預測未來，其定量特點主要在于研究事物間相互關系。從因果關系出發，可以根據自變量個數分為一元或者多元回歸分析法；從函數表達式的特點出發，分為線性回歸預測模型和非線性回歸預測模型。回歸分析原理簡單、運算快，但是負荷影響因素不足，結果不夠準確，數據輸入要求高，嚴重依賴模型和影響因子的準確性。基于深度神經網絡的負荷預測方法概括如下。

(一)基于BP神經網絡的預測方法。ANN算法中誤差反向傳播算法最為常用，但是迭代周期長、收斂慢。許多學者改進BP算法方面，如提出共軛梯度BP算法，應用于峰值負荷預測。其后，有學者克服了過長的輸入帶來的影響，納入獨立分量分析(ICA)方法和主成分分析(PCA)方法，降維后效率和精度都有所上升。此外，傳統BP算法收斂慢，訓練效率受到影響，PSO針對性提高了效率，模型性能得到提高。MPSO-BP預測模型在泛化能力上進行了針對性調優，提高了預測精度，對電力系統短期負荷預測效果較好。

(二)基于循環神經網絡的預測方法。電力系統負荷數據具有時序性和非線性特征，而循環神經網絡因為具有記憶性和參數共享的特點，能較好地對序列的非線性特征進行學習，因此，已有許多研究運用循環神經網絡及其變體來解決電力負荷預測問題。長短期記憶網絡(LSTM)運用于短期電力負荷預測，與傳統模型相比誤差更低、預測效果更好。不少學者對LSTM進行改進，以提升其在電力負荷預測任務上的表現，例如采用殘差機制對多層LSTM網絡的性能進行了改進。此外，在解碼過程中引入注意力機制，選擇性提取電力負荷數據的特征，提高了輸入輸出數據的相關性和模型預測的準確性。實驗結果表明，該模型較RNN、LSTM、GRU在預測準確度、性能穩定程度上都有較大提升。

與LSTM相比，門控循環單元(GRU)參數更少，收斂速度更快，因此也有大量研究提出了基于GRU及其變體的電力負荷預測模型。基于雙向GRU和殘差修正的負荷預測模型引入了氣象因素和節假日的影響，以提高預報結果的準確性。Ke等[2]提出了一種基于多層自編碼GRU神經網絡的短期電力負荷預測方法。該方法使用自編碼方法對電力負荷數據、節假日信息等輸入數據進行壓縮后，將編碼數據輸入多層GRU模型，模型輸出結果即為電力負荷預測結果。后續研究使用電負荷數據訓練一個特征提取網絡GRU,然后使用該網絡進行時序特征的提取,并將提取到的時序特征與非時序特征使用LightGBM進行電負荷的預測，實現了時序特征及非時序特征的充分融合。

也有研究將其他網絡結構、訓練技巧與循環神經網絡相結合，進一步增強預測性能。例如充分利用數據之間的相關性，對數據進行聚類，并利用每個聚類來訓練LSTM模型，然后將LSTM模型的預測結果采用全連接級聯(FCC)神經網絡進行模型融合，并采用改進的Levenberg-Marquardt(LM)訓練算法進行求解。為解決LSTM預測中偶爾出現的預測失敗、復雜的人工調試以及預測周期短的問題，同時提高短期負荷預測的準確性，LSTM與自組織映射、混沌時間序列預測、智能優化算法相結合的三種集成算法被提出。

基于循環神經網絡算法的優點是其能夠較好地學習電力負荷數據這類時序性數據，缺點在于無法并行處理，計算速度減慢，增加了其在實際應用中的難度。

(三)基于卷積神經網絡的預測方法。卷積神經網絡(CNN)的網絡結構具有特殊性，因而在計算機視覺領域應用廣泛，近年來，越來越多的學者將其運用于電力負荷預測，且在該領域取得了顯著效果。例如將卷積神經網絡與支持向量回歸相結合，在預測數據預處理階段，將數據轉換為灰度圖作為輸入數據，通過CNN進行特征提取，將電力負荷預測的影響因素混合從而提取更高維的新特征，并將新特征輸入支持向量回歸模型進行預測，取得了良好的效果。呂志興等[3]將K-means聚類與卷積神經網絡特征提取相結合，提出了一種短期電力負荷預測模型：利用K-means根據日相關性的強弱將用戶聚為兩類，使用ReLU作為CNN的激活函數，選擇均方誤差作為損失函數。相比于隨機森林和支持向量回歸機模型，該預測模型的平均絕對百分比誤差顯著降低。

(四)其他深度學習模型。盡管基于RNN和CNN的方法在電力負荷預測領域取得了優異的成績，對于其他深度學習模型的探索仍然是富有價值的。encoder-decoder方法因其在自然語言處理領域的成功，已經成為流行的seq2seq架構，能夠有效地從輸入數據中提取時間序列特征和轉換特征，在時間序列預測問題上性能表現較好。Jin等[4]提出了一種基于注意力的encoder-decoder網絡與貝葉斯優化結合的方法進行短期電力負荷預測，該模型是基于encoder-decoder結構的GRU遞歸神經網絡，在時間序列數據建模上具有高魯棒性。時序注意力層關注的是輸入數據的關鍵特征，這些特征在促進負荷預測的準確性方面發揮著重要作用。最后，使用貝葉斯優化方法確認模型的超參數以實現最佳預測。使用美國電力公司(AEP)的真實電力負荷數據進行的24小時負荷預測，實驗表明該模型在預測精度和算法穩定性方面優于其他模型。

三、中長期電力負荷預測方法

相比于短期電力負荷預測，中長期電力負荷預測的預測周期更長，影響因素更多，預測精度難以保障，因而較短期電力負荷預測方法而言，目前對于中長期電力負荷預測方法的研究更少。

基于人工神經網絡的預測方法首先被提出，最小二乘支持向量機(LSSVM)將RBF神經網絡作為核函數，驗證了LSSVM方法得到的預測數據與實際數據基本接近，相比于灰色預測發和人工神經網絡預測法均方誤差更小。用于解決中長期電力負荷預測問題的樹模型與深度神經網絡相結合的XGBoost-DNN組合模型，首先獲取交叉特征，將特征向量作為DNN的輸入層，隨后針對時間和負荷數據做特征處理，使DNN模型獲得高階交叉特征，從而預測未來一個月的電力負荷數據，在真實電力數據的仿真實驗中性能表現卓越。

BP神經網絡也被廣泛應用于中長期電力負荷預測中。何偉峰[5]將優選移動平方法和BP神經網絡結合，將優選移動平均法預測的結果作為BP人工神經網絡的輸入，提高了預測的準確性，并利用這種混合預測方法對我國中部某地區電力負荷進行了月度預測，取得了較好的數據吻合度。Elman神經網絡是一種基于BP神經網絡改進的算法，其結構特點是在隱藏層后增加承接層，用以記錄隱藏層前一時刻輸出的數據，從而形成延遲，使得Elman神經網絡能夠進行內部反饋學習后再進行輸出。學者在GM(1,1)模型中引入Elman神經網絡，搭建Elman灰色網絡電力負荷預測模型，對淮南市進行中長期電力負荷預測，相比于Elman神經網絡和GM(1,1)模型，Elman灰色網絡具有更高的運算精度。

黃元生等[6]將高斯過程與粒子群相結合，構建了一種混合電力需求預測模型，首先利用粒子群算法優化協方差函數參數，并將參數作為高斯過程模型進行電力需求培訓的初始值；隨后對協方差函數的參數再次優化，用訓練好的高斯過程模型進行中長期電力負荷預測。該模型在北京地區中長期電力需求數據集中表現優異。

四、結論與展望

本文對當前深度學習在電力負荷預測中的應用進行了梳理和總結，信息時代的高速發展帶動著深度學習方法滲透到各個領域，深度學習已成為電力負荷預測方法的重要組成部分，使得電力負荷預測結果精度不斷提升。基于目前的研究，面向短期電力預測的深度學習模型遠遠多于面向中長期電力負荷預測的深度學習模型。

對于電力系統而言，應當充分學習最新的電力負荷預測方法，結合本系統的電力負荷數據特征和相關影響因素進行分析，選取合適的預測方法并建立預測模型，促進當地電力系統的發展；對于科研工作者而言，要基于深度學習繼續探索新的電力負荷預測方法，持續提升電力負荷預測的精確度和穩定性，深化短期電力負荷預測研究，同時加大中長期電力負荷預測研究力度，從而為電力系統提供多預測周期的理論支撐。