基于GWO-LSTM的短期電力負(fù)荷預(yù)測(cè)

摘要：在電網(wǎng)的建設(shè)和運(yùn)營(yíng)過(guò)程中，電力負(fù)荷預(yù)測(cè)是非常重要的一環(huán)，根據(jù)預(yù)測(cè)結(jié)果，可以更好地進(jìn)行電網(wǎng)調(diào)度及安全監(jiān)測(cè)等重要工作，因此在做預(yù)測(cè)時(shí)盡可能提高預(yù)測(cè)精度是非常有必要的.根據(jù)選用數(shù)據(jù)中溫度、濕度、日期類型及負(fù)荷數(shù)據(jù)分析，先采用支持向量機(jī)（Support Vector Machines， SVM）、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short Term Memory，LSTM）對(duì)電力負(fù)荷進(jìn)行預(yù)測(cè)，然后通過(guò)灰狼優(yōu)化算法（Grey Wolf Optimizer，GWO）優(yōu)化LSTM神經(jīng)網(wǎng)絡(luò)的超參數(shù)，最后使用優(yōu)化后的模型進(jìn)行預(yù)測(cè).通過(guò)實(shí)驗(yàn)證明了所提方法的預(yù)測(cè)精度更高.

關(guān)鍵詞：長(zhǎng)短期記憶網(wǎng)絡(luò)；預(yù)測(cè)精度；灰狼優(yōu)化算法；電力負(fù)荷預(yù)測(cè)模型

中圖分類號(hào)：TM715 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：2095-6991（2023）01-0066-04

Abstract：In the process of power grid construction and operation， power load forecasting is essential. According to the prediction results， it can better carry out important work such as power grid dispatching and safety monitoring. Therefore， it is necessary to improve the prediction accuracy as much as possible. Through the analysis of temperature， humidity， date type and load data in the selected data， support vector machines （SVM） and long short term memory neural network （LSTM） are used to predict the power load respectively， and the super parameters of LSTM neural network are optimized through iteration by grey wolf optimizer （GWO）. Finally， the three methods are compared， and the results show that the prediction accuracy of the method is higher.

Key words：long-term and short-term memory; prediction accuracy; gray wolf optimization algorithm; load forecasting model

負(fù)荷預(yù)測(cè)是保證電力系統(tǒng)穩(wěn)定運(yùn)行的一項(xiàng)重要工作，首先根據(jù)預(yù)測(cè)對(duì)象信息可以得到其用電需求，從影響負(fù)荷的氣候因素、日期等實(shí)際情況出發(fā)，挖掘影響因素與用電負(fù)荷之間的關(guān)系，進(jìn)而對(duì)所選對(duì)象的用電行為進(jìn)行預(yù)測(cè)，得到準(zhǔn)確、可靠的預(yù)測(cè)結(jié)果.通過(guò)分析預(yù)測(cè)對(duì)象的歷史信息建立預(yù)測(cè)模型來(lái)認(rèn)識(shí)對(duì)象的變化規(guī)律.在過(guò)去的研究中，國(guó)內(nèi)外學(xué)者提出了許多方法來(lái)提高預(yù)測(cè)結(jié)果的精度，這些方法主要概括為基于統(tǒng)計(jì)方法和基于人工智能方法.統(tǒng)計(jì)方法是基于數(shù)學(xué)模型，包括隨機(jī)時(shí)間序列、回歸預(yù)測(cè)法等，其缺點(diǎn)在于不擅長(zhǎng)非線性預(yù)測(cè).支持向量機(jī)（Support Vector Machines， SVM）[1]、人工神經(jīng)網(wǎng)絡(luò)模型等方法對(duì)于非線性函數(shù)具有較好的擬合能力，這些方法基于人工智能且預(yù)測(cè)精度相較于傳統(tǒng)方法有所改進(jìn).近年來(lái)，發(fā)展迅速的深度學(xué)習(xí)出現(xiàn)在廣大學(xué)者的視野中且被廣泛應(yīng)用于各種領(lǐng)域.長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory， LSTM）[2]通過(guò)加入內(nèi)存單元來(lái)解決問(wèn)題，在歷史序列數(shù)據(jù)中學(xué)習(xí)長(zhǎng)短期規(guī)律信息會(huì)更加完整，在短期負(fù)荷預(yù)測(cè)中表現(xiàn)頗佳.本文采用灰狼優(yōu)化算法優(yōu)化LSTM超參數(shù)，建立灰狼優(yōu)化算法優(yōu)化長(zhǎng)短期記憶網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)模型，在進(jìn)行負(fù)荷預(yù)測(cè)時(shí)取得了較好的效果.

1 GWO優(yōu)化LSTM模型

1.1 LSTM

基于RNN改進(jìn)的LSTM靈活性和可控性均有明顯提升，同時(shí)在LSTM網(wǎng)絡(luò)中引入自循環(huán)設(shè)計(jì)[3]，讓梯度實(shí)現(xiàn)持續(xù)長(zhǎng)時(shí)間流動(dòng)，可從歷史數(shù)據(jù)中學(xué)習(xí)長(zhǎng)時(shí)間的計(jì)算記憶信息.LSTM 內(nèi)部結(jié)構(gòu)如圖1所示.

數(shù)據(jù)中的歷史信息記憶任務(wù)由記憶單元與隱藏狀態(tài)執(zhí)行.根據(jù)ht－1和xt 可知，遺忘門刪除儲(chǔ)存在記憶單元的信息.遺忘門表達(dá)式為：

2 灰狼優(yōu)化算法優(yōu)化長(zhǎng)短期記憶網(wǎng)絡(luò)

灰狼優(yōu)化算法具有較強(qiáng)收斂性和全局遍歷性等特點(diǎn)，為了避免人為經(jīng)驗(yàn)影響LSTM模型的效果，選用灰狼優(yōu)化算法對(duì)LSTM模型的超參數(shù)、迭代次數(shù)、隱藏層神經(jīng)元個(gè)數(shù)以及學(xué)習(xí)率進(jìn)行參數(shù)尋優(yōu).首先將數(shù)據(jù)中日期類型、負(fù)荷、溫度和濕度等數(shù)據(jù)進(jìn)行預(yù)處理，并劃分為用于訓(xùn)練模型的訓(xùn)練集和用于驗(yàn)證精度的測(cè)試集[4].先將算法的迭代次數(shù)、維度、種群數(shù)進(jìn)行初始化，確定上述要優(yōu)化的參數(shù)范圍，然后隨機(jī)生成種群并把其參數(shù)設(shè)置到LSTM中，計(jì)算它們的適應(yīng)度（本文以模型的預(yù)估值與真實(shí)值的均方差作適應(yīng)度），把當(dāng)前最優(yōu)解與全局最優(yōu)解進(jìn)行比較，進(jìn)一步擇優(yōu).經(jīng)持續(xù)迭代，LSTM超參數(shù)得以持續(xù)更新，達(dá)最大迭代次數(shù)為止，最后輸出最優(yōu)解對(duì)應(yīng)的參數(shù)值用于構(gòu)建電力負(fù)荷預(yù)測(cè)模型.

3 算例分析

3.1 數(shù)據(jù)處理及評(píng)價(jià)指標(biāo)

數(shù)據(jù)集使用某地區(qū)全年電力負(fù)荷、日類型和氣候數(shù)據(jù)，負(fù)荷數(shù)據(jù)為 15 min 粒度，一日為96個(gè)數(shù)據(jù)點(diǎn)，測(cè)試集選全年數(shù)據(jù)中最后10日，訓(xùn)練集為其余355日數(shù)據(jù).

首先對(duì)數(shù)據(jù)集x進(jìn)行歸一化操作，使得所有數(shù)據(jù)在區(qū)間[0，1]內(nèi)，公式如下：

此外電力負(fù)荷的影響因素還有日期類型[5]，在工作日、周末和節(jié)假日負(fù)荷往往呈現(xiàn)不同的工作狀態(tài).因此在對(duì)負(fù)荷進(jìn)行預(yù)測(cè)時(shí)要考慮日期類型的影響，對(duì)于日期類型因素可量化為一個(gè)數(shù)值作為模型的一個(gè)輸入，根據(jù)所選數(shù)據(jù)中不同日期類型的負(fù)荷數(shù)據(jù)分析可將日期類型量化為不同數(shù)值[6-7]，如表1所列.

3.2 預(yù)測(cè)結(jié)果分析

為驗(yàn)證所用模型可靠性和準(zhǔn)確度，選用SVM、LSTM兩個(gè)常用的預(yù)測(cè)模型與文中所用的GWO-LSTM方法進(jìn)行比較.預(yù)測(cè)結(jié)果（其中1日）如圖2所示，通過(guò)圖2可以明顯看出所提模型的預(yù)測(cè)結(jié)果更接近真實(shí)值.

3.3 誤差分析

在預(yù)測(cè)過(guò)程中相對(duì)誤差可以較好反映預(yù)測(cè)結(jié)果的準(zhǔn)確性，對(duì)比3種方法的相對(duì)誤差情況如圖3所示.

通過(guò)圖3可以明顯看到優(yōu)化后的網(wǎng)絡(luò)模型降低了誤差.預(yù)測(cè)結(jié)果評(píng)估指標(biāo)對(duì)比和模型效果提升的量化值如表2和表3所列，通過(guò)對(duì)比可以發(fā)現(xiàn)，優(yōu)化后的各項(xiàng)評(píng)估指標(biāo)效果均有一定提升，達(dá)到了預(yù)測(cè)結(jié)果.

4 結(jié)語(yǔ)

本文通過(guò)使用LSTM對(duì)電力系統(tǒng)負(fù)荷預(yù)測(cè)，其超參數(shù)包括學(xué)習(xí)率、迭代次數(shù)和隱藏層神經(jīng)元個(gè)數(shù)受人為因素影響，網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的精度非常依賴參數(shù)選擇，不同參數(shù)會(huì)導(dǎo)致預(yù)測(cè)結(jié)果的精度各有不同.為了提高預(yù)測(cè)模型的預(yù)測(cè)精度，提出一種基于GWO-LSTM的電力負(fù)荷預(yù)測(cè)方法，將模型的預(yù)測(cè)值與真實(shí)值的均方差作為適應(yīng)度，迭代尋找到最佳的超參數(shù).經(jīng)過(guò)優(yōu)化建立了更佳的預(yù)測(cè)模型，提高了預(yù)測(cè)精度.

參考文獻(xiàn)：

[1] 胡永迅，李彥梅.基于PSO-SVR的電力負(fù)荷預(yù)測(cè)[J].佳木斯大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，39（6）：54-57.

[2] 龐傳軍，張波，余建明.基于 LSTM 循環(huán)神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)[J].電力工程技術(shù)，2021，40（1）：175-180.

[3] 余引.基于CS-LSTM算法的電力負(fù)荷預(yù)測(cè)[D].北京：華北電力大學(xué)，2021.

[4] 李畸勇，張偉斌，趙新哲，等．改進(jìn)鯨魚(yú)算法優(yōu)化支持向量回歸的光伏最大功率點(diǎn)跟蹤[J]．電工技術(shù)學(xué)報(bào)，2021，36（9）：1771-1781.

[5] 李琦，趙峰.基于氣溫與日期類型的改進(jìn)ＢＰ網(wǎng)絡(luò)熱負(fù)荷預(yù)測(cè)[J].系統(tǒng)仿真學(xué)報(bào)，2018，30（4）：1464-1472.

[6] 林揚(yáng)宇，易弢，陳彬，等.考慮氣象因素和日期類型的短期負(fù)荷預(yù)測(cè)[J].計(jì)算機(jī)仿真，2014，31（3）：109-112.

[7] 王惠中，劉軻，周佳.基于綜合氣象指數(shù)和日期類型的電力系統(tǒng)負(fù)荷預(yù)測(cè)[J].電網(wǎng)與清潔能源，2015，31（9）：68-71.

[8] 林涵，郝正航，郭家鵬，等．基于TCA-CNN-LSTM的短期負(fù)荷預(yù)測(cè)研究[J/OL]．電測(cè)與儀表，2021.https：//kns.cnki.net/kcms/detail/23.1202.TH.2021 1027.1431.002.html

[9] HARIHARAN R，MORE K K.A research on electric load forecasting factors effecting and methods involved[J].International Journal of Innovative Technology and Exploring Engineering（IJITEE），2019，8（12）：1462-1466.

[10] ABEDINIA O，AMJADY N，ZAREIPOUR H.A new feature selection technique for load and price forecast of electrical power systems[J].IEEE Transactions on Power Systems，2017，32（1）：62-74.

［責(zé)任編輯：李 嵐］

作者簡(jiǎn)介：王旭（1998-），男，安徽阜陽(yáng)人，在讀碩士，研究方向：電力系統(tǒng)負(fù)荷預(yù)測(cè).E-mail：459356970@qq.com.