基于LSTM的智能家庭用電預測模型研究

周游 徐丹 趙燦 譚宇渲

文章編號：2096-1472（2022）-02-39-03

DOI：10.19644/j.cnki.issn2096-1472.2022.002.009

摘? 要：家庭用電是能源市場的一個重要組成部分，預測家庭用電需求能夠實現智能供電，可以有效地提高供給率，但目前預測方法大多效果不佳。針對此，提出了一種基于LSTM的面向家庭智能用電預測算法，建立了端到端的智能家庭用電預測模型。其在Boruta特征篩選的基礎上設計了特征選擇方法，對多個特征進行重要性計算，選取其中重要性高的部分進行建模，然后利用LSTM網絡與全連接層對時間序列數據進行訓練，得到預測模型。實驗結果表明，所提方法的預測效果明顯優于其他三種模型，能與真實數據較好地擬合。

關鍵詞：智慧能源;用電預測;特征選擇;時間序列;LSTM網絡

中圖分類號：TP399? ? ?文獻標識碼：A

Research on Smart Power Consumption Prediction?Model of Smart Home based on LSTM

ZHOU You， XU Dan， ZHAO Can， TAN Yuxuan

（Suzhou Power Supply Branch， State Grid Jiangsu Electric Power Limited Company， Suzhou 215004， China）

542790714@qq.com; xudan19870725@126.com; 342677492@qq.com; 852901313@qq.com

Abstract： Household power consumption is an important part of the energy market. Predicting household power demand can effectively improve energy supply efficiency， but most of the current prediction methods are not effective. To address the problem， this paper proposes an LSTM （Long Short-term Memory）-based power consumption prediction algorithm for smart home， where an end-to-end smart home power prediction model is established based on LSTM. A feature selection method that utilizes Boruta feature screening is also designed. The importance of multiple features is calculated， the most important part of those features is selected for modeling， and then LSTM network and the full connection layer are used to train the time series data to obtain the prediction model. The experimental results show that the prediction effect of the proposed method is significantly better than the other three models， and it can fit the real data well.

Keywords： smart energy; power consumption prediction; feature selection; time series; LSTM network

1? ?引言（Introduction）

近年來，能源產業正迎來一個新的發展，智慧能源與能源互聯網等概念越來越得到重視。智慧能源就是結合信息技術、人工智能技術、大數據技術的新能源模型形態，是能源互聯網的基礎架構。作為能源市場的主要組成部分，家庭用電的穩定關系著民生問題。對用電量進行全面的理解有助于減少家庭的電費支出，也有利于進行能源合理分配。

物聯網與人工智能等技術的興起，以及家庭傳感器的廣泛采用，積累了大量的時間序列特征數據，可以用來對家庭用電模式進行分析。長短時記憶網絡（Long Short Term Memory， LSTM）在處理時間序列預測問題上有明顯的優勢，可以獲得較佳的預測效果。

2? ?相關工作（Related work）

進行家庭用電預測常用的預測方法主要包括隨機森林（Random Forest， RF）、極限樹（ExtraTrees， ET）、差分自回歸移動平均模型（Auto Regressive Integrated Moving Average Model， ARIMA）等。

2.1? ?常用預測方法

隨機森林算法先使用T 個弱分類器分別對T 個由隨機采樣而來的訓練集進行訓練，然后對多個弱分類器進行組合，最后由投票或取均值得出最終結果。大量實驗表明，隨機森林算法通過這種方式使得模型整體的泛化能力及準確度明顯優于其他Bagging算法。

極限樹算法也稱為極限森林，意為極其隨機的森林。在隨機森林算法中，為了對需要劃分的節點進行選擇，需要在特征子集上隨機進行尋找，以找出最優劃分特征。極限樹算法直接使用隨機的特征和閾值來進行劃分，這樣可以得到形狀更隨機、差異更大的決策樹，可見極限樹算法比隨機森林更激進。

ARIMA是一種基于平穩時間序列來進行預測的算法，用于電力序列模型預測，可以使用三元組（p，d，q）來建模。在模型構建過程中，主要根據PACF圖和ACF圖來分別確定p和q的取值，其中的d代表使序列數據成為平穩時間序列所做的差分次數。

2.2? ?長短時記憶網絡

LSTM是一種特殊的循環神經網（Recurrent Neural Network， RNN）結構，用來處理RNN面臨的一個無法解決的長期依賴問題。在標準RNN中，內部是一種重復神經網絡模塊的簡單鏈式結構。由于這種結構過于簡單，因此在經過t 個時刻之后會導致0時刻的信息幾乎被遺忘。

整體上看，LSTM與其結構相同，但LSTM中重復的模塊結構與RNN不同。對比可發現，RNN中的神經網絡層只有單一的一個，而LSTM中有四個，并且以一種非常特殊的方式進行交互。通過這種復雜的結構，可以使以前時刻的重要信息得以保存，避免發生遺忘。

3? ?數據處理（Data processing）

3.1? ?數據描述

本文實驗采用美國某家庭從2016 年1 月11 日17 時到2016 年5 月27 日18 時之間，每隔10 分鐘所記錄下的共19，736 條數據作為訓練樣本。每個樣本由時間（date）、氣溫（T）、濕度（RH）、天氣（weather）、光線（lights）、隨機變量（rv1、rv2）等共28 組特征數據所組成。其中，氣溫和濕度由該家庭所安裝的9 個溫度傳感器所獲取;天氣由室外溫度（T_out）、露點（Tdewpoint）、室外濕度（RH_out）、大氣壓（Press_mm_hg）、風速（Windspeed）、可見度（Visibility）組成。本文希望通過這28 組數據組成的特征來實現對某家庭用電量的準確預測。某家庭各時刻用電量詳情如圖1所示。

3.2? ?特征篩選

除日期和需要預測的用電量之外，采集到的數據共包括27 個特征數據。對于實際的模型構建來說，數據集中的變量太多，而大多數變量與目標問題無關。當數據集的特征過多時會有缺點：首先，特征過多會占用過多資源，導致算法速度慢，使用起來很不方便;其次，當變量的數量顯著高于最優時，會導致很多機器學習算法的準確率下降，降低模型的性能。

針對上述問題，本文采用Boruta算法來對特征進行篩選，通過對各個無偏的弱分類器—決策樹的投票來進行分類，對各個特征的重要性給出數值估計，并使用Z-Score來計算特征重要度，從而選擇出對因變量影響較為重要的特征。

式中，avg_loss為平均損失，為標準差。

經過100 輪迭代，Boruta特征篩選模型成功地從28 個特征中篩選出21 個重要特征，分別為T1、T2、T3、T4、T5、T7、T8、RH_1、RH_2、RH_3、RH_4、RH_5、RH_6、RH_7、RH_8、RH_9、T_out、Tdewpoint、RH_out、Press_mm_hg、Windspeed。所選取的21 個特征重要度排名如圖2所示。

4? ?預測算法（Prediction algorithm）

4.1? ?處理流程

為了建立面向智能家庭用電預測模型，在篩選完特征后，還需將樣本數據序列化，以滿足LSTM模型的訓練要求。預測模型建立的主要步驟包括采集數據、選取特征、特征篩選、樣本數據序列化、特征數據歸一化、LSTM數據輸入、模型參數調優、用電預測建模、訓練并保存模型等，具體流程如圖3所示。

4.2? ?算法

基于LSTM的面向家庭智能用電預測算法如下。

算法1 基于LSTM的面向家庭智能用電預測算法

輸入：數據集I，特征矩陣X

輸出：預測模型

1： Boruta_selector（X）：

2： Repeat：

3：? ?shadow_features=shuffle（X）

4： new_features=shadow_features+real_features

5： Z_Score_real=score（real_features）

6：? ?Z_Score_shadow=score（shadow_features）

7：? ?Zmax=max（ Z_Score_shadow）

8：? ?if Z_Score_real > Zmax then

選擇該特征

9： series_to_supervised（）

10： StandardScaler（）

11： for k=1 to 70 do

12：? ?訓練得到LSTM模型

13： Return 預測模型

5? ?實驗及分析（Experiment and analysis）

5.1? ?模型訓練

訓練前，將樣本數據集按7∶3的比例劃分為訓練集和測試集。模型訓練過程中訓練集損失值和測試集損失值的變化過程如圖4所示。從圖4可以看出在訓練過程中，訓練集損失值和測試集損失值不斷下降，最終收斂于一個較低值，表明本文實驗模型訓練效果良好。

5.2? ?模型訓練結果分析

訓練結束后，在樣本數據集中進行隨機采樣，獲取6，000 個樣本數據。將隨機選取的數據傳入最終預測模型，觀察其預測結果的準確度。本文所提出模型的預測結果與實際數據擬合情況如圖5所示。從圖5可發現，本文所提出的預測模型可對真實值進行較好地擬合。

5.3? ?對比試驗分析

為進一步對本文所提出的預測模型進行評估，另外選取了當前常用的隨機森林算法、極限樹算法、ARIMA算法對同一樣本數據進行實驗，并以R2_SCORE（R方值：取值范圍為[0，1]，越接近1表示預測效果越好）和RMSE（均方根誤差）的值（越小表示效果越好）作為算法的評估指標。四種方法的評估結果如表1所示。

通過對實驗數據對比發現，本文所提出的基于LSTM預測模型與隨機森林、極限樹、ARIMA算法預測結果相比，R2_Score最大并且RMSE值最小，表明該模型在面對本文所提供的數據進行預測時效果明顯優于其他三種模型，可對真實數據進行較好的擬合，預測結果與真實值非常接近。

6? ?結論（Conclusion）

本文主要研究了單一家庭的用電模式與數據，并提出了一種基于LSTM的面向家庭智能用電預測算法。該算法希望通過由家庭傳感器所采集的溫度、濕度、天氣、光線等數據來對該時刻家庭所需消耗的電量進行預測，并通過與其他三種常用的預測方法進行對比，展現出本文所提出算法的預測性能。本文所提出的算法可以與能源管理系統相結合，通過大數據來對每一時刻家庭所需電量進行預測，不僅可以降低各家庭電力成本，還有利于能源的合理分配，避免因能源分配不均而可能出現的問題。

參考文獻（References）

[1] 曲朝陽，張率，劉洪濤.基于用電影響因素回歸的小區用電預測模型[J].東北電力大學學報，2015，35（1）：73-77.

[2] 王永偉，李新龍，田斐，等.基于人群搜索算法的電網短期用電負荷預測研究[J].電網與清潔能源，2020，36（12）：35-40.

[3] 谷云東，馬冬芬，程紅超.基于相似數據選取和改進梯度提升決策樹的電力負荷預測[J].電力系統及其自動化學報，2019，31（5）：64-69.

[4] 范繼鋒，王瀚霆，薄宏斌，等.大數據技術在電力行業中的應用研究[J].電力設備管理，2020（12）：55-59.

[5] 唐靜，李瑞軒，黃宇航，等.基于多維特征分析的月用電量精準預測研究[J].電力系統保護與控制，2017，45（16）：145-150.

[6] 鄧婷，范潤宇.遠程電力抄表系統的網關通信設計與實現[J].軟件工程，2020，23（3）：60-62.

[7] 朱家貽，劉思蕊，潘楠，等.一種基于LSTM神經網絡的短期用電負荷預測方法[J].中國新通信，2021，23（1）：167-168.

[8] 李婉華，陳宏，郭昆，等.基于隨機森林算法的用電負荷預測研究[J].計算機工程與應用，2016，52（23）：236-243.

[9] 杜曉明，湯立，蔡李花，等.基于極限學習機與旋轉森林相結合的棧式深度學習分類方法[J].江蘇科技大學學報（自然科學版），2019，33（6）：82-87.

[10] 王斌.基于時間序列ARIMA模型的電力負荷短期預測分析[J].石河子科技，2019（3）：43-47.

[11] 郭冰楠，吳廣潮.改進的隨機平衡采樣Bagging算法的網絡貸款研究[J].計算機與現代化，2019，284（04）：15-20.

[12] 楊永嬌，肖建毅，趙創業，等.基于Isolation Forest和Random Forest相結合的智能電網時間序列數據異常檢測算法[J].計算機與現代化，2020，295（03）：103-106，130.

[13] 豐瑞，羅思煩，李前洋.基于特征選擇的極限隨機森林算法研究[J].計算機應用研究，2020，37（9）：2625-2628，2633.

[14] SZUL T， TABOR S， PANCERZ K. Application of the BORUTA algorithm to input data selection for a model based on rough set theory （RST） to prediction energy consumption for building heating[J]. Energies， 2021，14（10）：1-13.

[15] 陸冰鑒，周鵬，王興，等.基于EEMD和LSTM的短期風速預測模型研究[J].軟件工程，2020，23（3）：43-48.

作者簡介：

周? 游（1987-），男，本科，高級工程師.研究領域：軟件開發，能源互聯網，工業互聯網.

徐? 丹（1987-），女，本科，工程師.研究領域：智能電力，信息研究.

趙? 燦（1993-），女，碩士，工程師.研究領域：智能配電網運行.

譚宇渲（1995-），男，本科，助理工程師.研究領域：電力自動化.

2597500520254