基于CNN與LSTM的農村電力負荷預測研究

楊迪 張璐 楊力人 方亮 劉繼江

（1.中國三峽新能源集團有限公司甘肅分公司 2.西北工業大學）

0 引言

節能型農村的建設已是我國經濟發展與綠色能源可持續發展的長遠目標。在“碳達峰、碳中和”與構建新型電力系統愿景下，電力系統的發展進程將迎來巨大挑戰，因此，對電力負荷精準預測有利于提高電力系統的經濟性、平衡性、可靠性。

國內外學者均對負荷預測進行相應的研究，王曉輝[1]等人利用PSO算法能夠尋找全局最優解的特點進行LSTM超參數尋優，并與傳統LSTM神經網絡預測模型及BP神經網絡預測模型進行對比，驗證了該方法的預測精度較高。鄧智廣[2]針對現階段電力負荷預測要求逐漸提高，提出一種基于貝葉斯分類的短期負荷預測模型，結果表明該預測方法較傳統方法預測的精度更高。朱經紅[3]基于混沌時間序列提出一種新的城網飽和負荷預測方法。結果表明，該方法預測結果較為準確，可在短時間內達到較高預測精度。

本文基于實際農村負荷數據，研究基于CNN與LSTM的電力負荷預測模型，并與ARIMA的負荷預測方法進行對比，驗證了本文提出的電力負荷預測模型的優越性。

1 研究理論

1.1 預測模型

（1）CNN

卷積神經網絡（CNN，Convolutional Neural Networks）是常用來處理已知網絡拓撲結構的神經網絡結構。隨著CNN不斷改進，出現許多卷積網絡結構變體，包含輸入層、卷積層、池化層、全連接層及輸出層，卷積層用于提取底層特征，池化層實現數據維度下降并防止過擬合，全連接層匯總卷積層與池化層得到信息并輸出。

（2）LSTM

長短時記憶神經網絡（LSTM，Long Shortterm Memory）是一種特殊的遞歸神經網絡（RNN，Recurrent neural network），可以解決長序列訓練過程中的梯度消失和梯度爆炸問題，LSTM在長序列中有更好的表現。結構圖如圖1所示。

圖1 LSTM結構

LSTM在訓練過程中，將歷史有用的信息保留，無用的信息遺忘，比RNN處理長序列問題的效果更好。常用Sigmoid激活函數輸出區間為（0,1），有助于及時更新數據，Tanh與Sigmoid函數類似，但其輸出區間為（-1,1）。

1.2 灰色關聯分析

為提高預測精度及訓練速度，需采用相關分析法篩選影響因素。灰色關聯度法是灰色理論的重要分支，可分析多因素之間的關聯度。因其對樣本數量要求不高、計算量小等特點，本文選擇該方法篩選影響因素，步驟如下。

（1）確定參考序列X0及比較序列Xi

（2）采用均值化法無量綱處理

（3）計算絕對差值

（4）由絕對差值計算極差

（5）求關聯度系數

（6）求灰色關聯度

（7）灰色關聯度排序

2 研究過程

2.1 數據處理

本文以陜西某農村地區實際負荷為研究對象，經過前期數據整理共得到數據間隔為1h的14982組數據，由于臨時檢修，有6天的數據存在異常，為提高預測精度，將這6天的數據經過經驗修正法處理得到有效的14976組數據。

2.2 負荷特性分析

（1）季節特性

負荷變化具有一定規律，為進一步分析該地區負荷變化情況，將數據進行四季劃分，得到春、夏、秋、冬負荷數據分別為184天、184天、106天、150天，具體變化如圖2所示。

圖2 四季負荷變化

由圖可知，在不同季節的負荷變化趨勢相似，但量級存在差異，冬季因供暖需求大，故負荷需求量較大，春季次之，夏、秋季負荷需求量較小。

（2）周負荷

周負荷變化如圖3所示。

圖3 周負荷變化曲線

由圖3可知，周負荷曲線變化具有周期性。農村用戶負荷變化情況不同于學校或其他辦公場所，工作日與休息日并無較大差異。

（3）日負荷

本文以春分、夏至、秋分及冬至四個典型日為例，分析日負荷的變化情況。

由圖4可知，日負荷變化趨勢呈“三峰兩谷”特性，冬至因供暖需求使得負荷值較大，波峰出現早上7～9時、下午13～15時、晚上19～21時，反映了農村用戶日常生活。

圖4 日負荷變化特性

2.3 氣象因素

結合1.2節內容，本文選擇溫度、露點、濕度等參數作為灰色關聯度比較序列，實際負荷值為參考序列，各參數與負荷的關聯度如表1所示。

表1 灰色關聯度

結果表明，各氣象參數與負荷的關聯度均大于0.6，說明各參數均與負荷有一定關聯性，本文選擇大于0.7的參數作為預測模型輸入量。

3 負荷預測

3.1 評價參數

為準確評估預測模型性能，本文選擇平均絕對誤差（MAE）、平均平方根誤差（RMSE）、平均絕對百分誤差（MAPE）作為評價指標，其中ti為預測值，yi為實際值。MAE反映預測值與實際值的偏離情況，值越小，預測模型更精確。RMSE與原始數據具有相同的量綱，對異常值更敏感，值越小，預測更準確，MAPE采用百分率來說明誤差的大小。計算方法如下。

3.2 預測模型參數設置

預測模型輸入節點數為4，輸出節點數為1，隱層采用單層結構，同時設置不同的隱層神經元數量，為避免網絡權值隨機初始化影響，本文運行10次求平均值，結果如表2所示。

表2 隱含層神經元設置

深度學習中需多次訓練才能得到較理想的結果，本文設置了多組Epoch，測試結果如表3所示。

表3 Epoch設置

綜上，本文隱層神經元個數選擇80，Epoch設置為200，優化器選擇Adam，Dropout設置為0.2。

3.3 預測結果評價及分析

本文對該農村負荷進行不同時間尺度預測，變化趨勢與預測結果如圖5、圖6所示。

圖5 日負荷預測

圖6 周負荷預測

由表4知，以日負荷預測為例，相比ARIMA預測，CNN預測的MAE、RMSE、MAPE分別降低0.0626MW、0.0622MW、6.51%，LSTM預測的MAE、RMSE、MAPE分別降低0.176MW、0.211MW、12.26%。結果表明，三種預測模型精度由高至低依次為LSTM、CNN、ARIMA。

表4 預測結果評價

4 結束語

本文以陜西某農村變電站為研究對象，基于實際變電站的負荷數據結合神經網絡算法實現不同時間尺度的負荷預測，得出以下結論。

1）以季節、周、日為量綱，對負荷進行特性分析，結果表明不同時間尺度下負荷的變化趨勢存在差異，同時溫度、濕度、風速、氣壓與負荷具有一定關聯度。

2）建立ARIMA、CNN及LSTM預測模型，其中，LSTM預測精度最高，其預測日負荷時MAE為0.2314MW，RMSE為0.2965MW，MAPE為17.14%；預測周負荷時MAE為0.2237MW，RMSE為0.2949MW，MAPE為15.00%。

上述研究可供電力能源規劃、可行性分析等方面提供支持，對電力系統的安全穩定經濟運行有實際作用，具有一定推廣性。