基于CNN-BAS-GRU模型的短期電力負荷預測研究

謝志堅

（深圳市深能環保東部有限公司，深圳 518000）

0 引言

如今，電力網絡系統正隨著物聯網的崛起而朝向集成化、可視化、數字化、互聯化的智慧系統進行銜接。電力系統負荷預測對于電網系統的籌劃建設和經濟可持續發展起著至關重要的作用。負荷預測是以歷史負荷數據的變動特征為基礎，綜合天文、人文、管理等一系列有關因素，對未來短期的電力需求進行評估。隨著電網系統規模日益增添以及物聯化程度迅速增高，更精準的負荷預測對于科學管理電網系統、發電機組的組合調度以及電力市場運營等方面變得不可或缺［1］。此外，堅持綠色環保及可持續發展的思想需電網實施運行調度等方面的突破，而準確的短期負荷預測是電網調度優化的關鍵因素［2］。

由于眾多因素容易影響電力負荷的精準預測，國內外大量專家學者以各種方式提高預測模型的精準程度。關于負荷預測法可分為以回歸分析法［3］、傅里葉展開法［4］等運算簡便卻無力應對龐雜數據為代表的傳統預測方法和以神經網絡法［5］、深度學習［6］等運算力強、精度較好為代表的智能預測方法。

文獻［7］以改進粒子群算法優化的傅里葉殘差修正模型取得更高預測精度的成果。文獻［8］提出一種含有注意力機制的卷積神經網絡聯合長短期記憶網絡的預測模型以期改善預測效果。文獻［9］通過隨機森林算法選取特征數據，再經由長短期記憶網絡（LSTM）進行負荷預測。以上述模型為例的眾多預測法都采用組合預測，以避免單一模型的局限性而達到優勢集合來獲取更高預測精度。CNN 常用于在海量數據中篩選出有效的特征信息。在維持LSTM 偏差程度的基礎上，優化其收斂速度可得性能更佳的GRU模型［10］。天牛須搜索算法（BAS）擁有運算量少和搜索能力強等優勢而可用于優化神經網絡的參數。

因此，本文提出一種以CNN 采集有效的數據，跟隨負荷繁雜動態變化的關鍵信息，再建造時間序列后引入GRU，最后運用BAS 優化GRU 超參數的CNN-BAS-GRU 預測模型。結合CNN 數據處理、BAS參數優化和GRU時序處理三者的優勢以期準確有效地對電力負荷進行預測。

1 理論基礎

1.1 CNN的基本原理

CNN 模型對海量數據采取自動采集關鍵特征而有別于傳統的人工選取法，并建立完整的特征向量，其結構由輸入層、輸出層、卷積層、全連接層以及池化層構成，如圖1所示［11］。卷積層作用為卷積上層特征映射及一維卷積核后生成輸出特征映射，其表達式為

圖1 CNN結構模型

池化層的作用是為每個特征映射捕獲最強功效的值。

1.2 BAS的基本原理

天牛須搜索算法（BAS）源于天牛以兩須進行捕食活動，是一種無須明確數學模型即可進行快速準確尋優的智能優化算法。以全局最優值作為獵物，目標函數的變化作為尋優中的天牛位置，目標函數值為獵物信息素，其尋優步驟如下［12］：

（1）定義天牛搜索空間，并歸一化方向向量，其表達式為

（2）將天牛兩須動作視為搜索行為，且兩須長度隨迭代次數增加而遞減，天牛左右須的位置向量的表達式為

（3）以適應度函數表示天牛須所檢測到的獵物氣味濃度，并選取最佳適應度函數作為天牛新的位置向量，其表達式為

（4）由于搜索系數與步長系數隨迭代次數增多而改變，以數學模型可表示為

其中，d(τ- 1)為第τ- 1 次迭代的觸須長度；δ(τ- 1)為第τ- 1次迭代的搜索步長系數。

其流程框圖如圖2所示。

圖2 天牛須算法流程圖

1.3 GRU的基本原理

門控循環單元（GRU）以門體系監管信息因子而規避時間序列的長期依賴問題。GRU 以重置門和更新門為結構核心，具有參數少、易收斂、使用時間序列分析和訓練效率高等優勢，其內部結構如圖3 所示［13］。其中，GRU 網絡處理信息過程可表示為

圖3 GRU結構圖

其中，zt、rt分別為重置門與更新門輸出；W為權值矩陣；σ為Sigmoid激活函數；h為隱含層信息；?為Hadamard乘積。

GRU 以式（7）為基礎，以隱藏單元保存歷史數據，運用重置門控制現時信息和記憶信息的數據，并遞送新的記憶信息。并以式（8）為基礎，控制方才的狀態信息被引入當下狀態的程度，更新門隨其數值增大而擴增可代入信息。

2 短期負荷預測模型

2.1 數據預處理

在不先處理電力負荷數據的情況下，將大批量的數據導入神經網絡會導致其運算卡頓或形成梯度爆炸的狀況。因此，為了預測正常運轉，需要進行初始數據歸一化為標準區間向量的處理階段，其表達式為

其中，Xn為經預處理的數據；X為初始數據；Xmax為樣本最大值；Xmin為最樣本小值。

2.2 模型結構

由于負荷曲線不僅受到自然因素的影響，還會受到人為因素的干預。CNN 可通過交替的卷積層和池化層提取出受不定性因素感染的關鍵性信息特征，并經時間序列處理后導入GRU。BAS 利用自身跳出局部最優等優勢，給予GRU模型最佳參數以期實現電力負荷的更精確預測。

CNN-BAS-GUR 預測過程如下所示，其結構如圖4所示。

圖4 CNN-BAS-GRU預測模型結構

（1）以式（11）處理初始數據后導入CNN層；

（2）構建CNN 層提取的負荷變化特征向量為時間序列后導入GRU層；

（3）初始化BAS 參數，評價訓練集適應度，并計算GRU層的最佳參數；

（4）以具有最優參數的GRU 更新預測模型，在測試機預測中對比精度；

（5）迭代預測后，經反歸一處理，輸出評價后的數據。

3 實驗分析

3.1 模型評價標準

通過平均絕對百分比誤差（MAPE）和均方誤差（RMSE）兩項評價指標進行負荷預測，以檢驗所提模型的性能。其中，MAPE 與RMSE 的數值越小表示預測精確度越高。兩項項評價指標的表達式分別為

其中，n為樣本量；y為期望值；為預測值。

3.2 負荷數據的選取與處理

以Matlab 平臺為基礎，采用某電力市場共計兩年的歷史負荷數據，采集周期為15 min，共計96 個時間序列對CNN-BAS-GRU 預測模型進行實驗分析。將數據以7∶2∶1的比例界定訓練集、驗證集與測試集，并將CNN、GRU 和CNN-GRU 模型進行同上條件實驗后，對所有模型進行對比以驗證所提模型的有效性。

3.3 預測結果與分析

經由其他模型在全相同條件的實驗仿真基礎上，得隨機單獨一天和隨機連續半年進行負荷測試，其評價指標結果見表1。各模型在樣本內隨機單獨一天每第二個15 min 的時監控負荷的實際值、預測值以及誤差值見表2。各模型在樣本內隨機單獨一天的預測負荷值以及真實負荷值的變化曲線如圖5 所示。由表1 分析得，CNN-BAS-GRU 模型在單獨某天和連續半年的負荷預測與其他參與實驗的模型相比，皆取得最佳的預測精度。通過對比CNN模型和CNN-GRU模型的MAPE和FAavg指標值，可說明GRU模型能夠有效地處理時間序列問題。通過對比CNN-GRU模型和CNN-BAS-GRU 模型的MAPE和FAavg指標值，可表明BAS 算法能夠幫助GRU 模型尋得最佳參數值而提高整體的預測精度，具備優異的可靠程度。

表2 各模型實際值與預測值及誤差對比

圖5 各模型預測曲線對比圖

對各預測模型在隨機一天中第二個15 min監測負荷的預測值、真實值及其絕對百分比誤差值進行歸納整理為表2。其數據結果為，CNN-BAS-GRU 模型擁有最佳值，其24個監測樣本的預測平均絕對百分比誤差為1.43%，比CNN模型、GRU模型和CNN-GRU模型分別縮減了2.10、1.24 和0.76 個百分比，分析得出CNN-BAS-GRU模型的平均誤差還有最大誤差皆取得最佳表現，具有更精確的預測程度。

對樣本范圍內隨機一天的負荷值與各參與仿真實驗模型的預測值進行綜合整理，形成變化曲線如圖5 所示。由圖5 可見，盡管各預測模型都能較好地對短期電力負荷進行預測，但所提出的CNN-BAS-GRU 模型對實際值具有更好地匹配能力，且在峰谷負荷點也有更佳的擬合效果，預測誤差更小，與真實負荷變化的整體走向能夠極大程度上保持相同性，為短期電力負荷預測供應更優質的理論觀點。

4 結語

針對短期電力負荷預測的精準要求，提出一種基于CNN-BAS-GRU 模型的負荷預測。經理論分析研究，通過CNN 對海量數據收集關鍵特征后導入經BAS 優化的GRU 模塊進行預測。仿真實驗表明，CNN-BAS-GRU 模型對于短期負荷預測具備有效性和更精準的預測程度，對后續深度探索電力負荷預測的實時性、快速性具有一定的參考意義。

此外，由于氣象因素對于短期負荷預測有著至關重要的影響。其中，常見的影響因素是溫度，其次還有濕度、風力、天氣類型以及夏季、冬季負荷預測需要考慮天氣因素，都會使負荷發生急劇變化，下一步將日期類型列入影響負荷預測結果的因素之一。使用日期類型因素來決定特殊事件影響負荷。