基于深度神經網絡的電力工程負荷預測與優化

摘 要：電力負荷預測和優化是電力工程中的重要研究領域，精確的電力負荷預測有助于電力工程項目負責人提前制定用電計劃、優化資源配置和提高運行效率。首先，本文采用F-score特征評價方法選擇合適、有效的特征量。其次，利用深度神經網絡構建特征量與電力負荷間的預測模型，并對模型進行修正。在此基礎上，基于神經網絡訓練樣本，剔除冗余數據，得到電網負荷數據集，并利用神經網絡分類器對輸出集進行分類和融合，優化電力負荷預測結果。仿真結果表明，本文提出的預測方法能夠較好地逼近實際電力負荷，平均絕對誤差MAPE和均方根誤差分別為2.69和1.79。運算時長、擬合程度和電力負荷值均證明優化后的深度神經網絡具有精度高、抗干擾能力強等優點，能夠在電力工程中進行推廣和應用。

關鍵詞：負荷預測；電力系統；F-score特征；神經網絡；均方根誤差

中圖分類號：TP 870 " " " " " " " " " " " 文獻標志碼：A

電力工程包括電能生產、輸送、調配以及應用相關領域，電力負荷是電力輸送和調配穩定性的保證，對電力工程至關重要。電力負荷預測與優化是電力工程領域中的重要研究方向。隨著能源需求持續增加、電力市場日趨復雜，對電力系統進行負荷預測與優化的研究十分重要。雖然傳統的時間序列分析法、回歸分析法等方法能夠滿足電網運行的需要，但是對變化復雜的負荷數據來說，其預測的準確性和穩健性均不能令人滿意[1]。因此本文提出基于深度神經網絡的電力工程負荷預測與優化研究。電力系統負荷預測是在綜合考慮歷史負荷、經濟條件、氣象條件和社會事件等因素的基礎上，對未來負荷進行預測的過程。在電網規劃與調度過程中，負荷預測是一項非常重要的工作，短期預測可以為機組的啟停、調度等工作提供基礎，準確地預測電力系統的動態變化是保證電力系統正常發展，并保障其安全運行的前提，也是電力系統有序規劃用電、響應用電需求以及電力市場順利發展的重要基礎，對電網優化調度和電力市場均有十分重要的作用[2]。由于負荷預測具有強烈的隨機性，并會受天氣等影響，難以進行準確的預測，因此，加強對高負荷預測的研究、提高負荷精度是電網安全、經濟運行的關鍵。

1 基于深度神經網絡的電力工程負荷預測方法

對電力工程中的電力規劃和電力建設來說，準確的負荷預測有助于合理規劃電源建設和電網布局、判定新增發電容量的規模/類型以及改進輸電/變電設施的擴建和改造計劃。因此電力負荷預測是電力工程中一項關鍵的工作，研究負荷預測方法對電力工程規劃、建設等具有重要意義。

1.1 F-score特征選擇

在對電力系統進行短期負荷預測過程中，必須從海量的數據中抽取對其有重要作用的因子。特征選擇旨在剔除冗余的特征量，從原始特征集合中選擇能夠反映整體或大多數信息的最佳特征量，以達到降低特征空間維度的目的。F-score特性評估標準是一種簡便、高效的類內、類間距離度量標準，可以根據類別間的距離選出最有價值的特征。在訓練樣本集合Xk∈Rm（k=1，2，…，n）中，訓練樣本第i個特征的F-score值Fi如公式（1）所示。

（1）

式中：l（l≥2）為抽樣類的數目；nj（j=1，2，…，l）為第類別樣品的數量；、分別為數據集合中特征i的平均和數據集合j的平均；xk，i（j）為集合j在類別k中的特征i；為集合j在第i個特征上的平均值。

公式（1）中的分子是每一類近似類間距離的平方和，而分母是總的類內樣本協方差，F-score值較大，表明具有較高的類別判別能力，即類間越稀疏、類別內部越稠密，分類效果越好，這個特征的重要性也越高，因此可以設置閾值，以選擇最佳特征子集[3]。根據F-score值對各個特征進行降序排序，并對相鄰2個特性的F-score值和坐標軸圍繞的區域進行積分，累計積分，進而串聯起來得到光滑的S曲線。曲線S的拐點就是需要設定的閾值0。因此，可以把閾值0表達成S二階差分的極大值，如公式（2）所示。

（2）

式中：fi為第i個特征的二階差分值；Si為第i個特征的累積積分；n為特征的總數；Sn為最后一個特征的累積積分值；|fi-fi-1|為第i個特征和第i-1個特征的二階差分值的絕對值；S0=0為各特征的F-score值等于0。

1.2 電力負荷預測

本文采用F-score特征篩選與深層神經網絡相結合的方法，建立基于F-score特征篩選與深度神經網絡相結合的電力負荷預測主要流程。電力負荷預測主要流程如圖1所示，該流程可從數據中自動抽取數據本質特征，比傳統神經網絡訓練速度更快、魯棒性強，不易陷入局部極值，能夠更好地適應負荷預測需求。將均值誤差ε作為深層神經網絡的適合度函數，如公式（3）所示。

（3）

式中：c為預測數據點總數；Yij為第i個點的實際負載值；yij為深度神經網絡預測的負載值。

對采集的電力負荷數據進行預處理，包括數據清洗、歸一化等處理，消除噪聲和野值的影響。

獲得預測輸出值后，再反歸一化為實際負荷值，如公式（4）所示。

yi=yi'（xmax-xmin）+xmin （4）

式中：yi為歸一化的實際負載值；yi'為逆向歸一化的真實載荷值；xmax和xmin分別為最大值和最小值。

為了檢驗預報的有效性，分別采用2個指數，即平均絕對誤差百分比（MAPE）和均方根誤差（RMSE），如公式（5）所示。

（5）

式中：為第i個時間點的預測負載值。

2 電力工程負荷數據處理與優化模型構建

2.1 電力負荷數據預處理

基于深度神經網絡的電力工程負荷預測與優化模型主要包括特征選擇、模型構建、樣本訓練和預測優化4個步驟。首先，利用F-score特征評價方法對原始負荷數據進行特征選擇，提取對負荷預測有影響的關鍵特征。其次，利用深度神經網絡構建特征量與負荷間的預測模型，并調整網絡結構、激活函數和損失函數等參數，優化模型的性能。再次，利用樣本數據對模型進行訓練，采用反向傳播算法調整網絡參數，使模型能夠準確地預測負荷值。最后，利用神經網絡分類器對預測結果進行分類和融合，進一步優化負荷預測結果。完成對電力負荷離散數據的檢測和校正后，對電力負荷數據統一進行預處理，包括數據凈化和數據規范化。剔除原始數據集中的冗余信息，填充數據鄰域的均值或者中間值，以保證數據序列的完整性。處理包括多余數據和丟失數據的錯誤數據，如公式（6）所示。

（6）

式中：y（t）為電網目前的負荷順序；x（t）為剔除誤差后的載荷序列；m為異常數據的數目；ωi為對離散數據有影響力的參數；Iit為在采樣時間t下，功率負載數據所對應的脈沖函數。

電力負荷數據具有正態分布的特性，如果使用傳統的偏差標準化方法，就會打亂原來的時序分布。平均標準化處理后的電量數據如公式（7）所示。

（7）

式中：x、x'分別為平均標準化前和平均標準化后的電量數據；ms為原功率負載資料的均值；sx為原電負載資料的標準偏差。

基于此對電力負載數據進行標準化處理，使其既能保證數據的維數，又能保證序列的正態分布特性。針對相同日期的電力負荷數據X=（X1，X2，…，Xn），利用絕對中值差分方法進行異常數據識別，獲得一組電力負載數據的平均數X，如公式（8）所示。

W=median（|Xi-|） （8）

式中：median為中間函數。

利用公式（8）求出中間值后，可以得到一個比較合理的日電力負荷數據數值范圍[-nW，+nW]，如果超過這個范圍，就判定為不正常。將X'作為類似日期的異常負荷數據，對識別出的異常數據X'的缺失值，采用拉格朗日差方法進行填補，即基于荷載數據點間的連續性變化，對缺失點前、后的數值進行插值修復，從而填補缺損點。在此基礎上，針對已有的日均電量數據，進行數據凈化和數據規范化預處理，利用數據凈化技術修補原負荷數據中存在的離群點，對不同維度的原始數據進行歸一化處理，對同一時間點進行變換，從而保證數據的質量[4]。

2.2 神經網絡分類負荷預測優化

本文針對負荷分層特征，確立基于多層深層神經網絡（DNN）的建模方法，采用多種網絡結構和參數對其進行分層采樣，以高效描述負荷分層特征。采用深層神經網絡對圖像進行初步特征提取和非線性轉換，并將其輸入已有的預測模型中。該方法充分發揮了深度學習的優勢，并將其與傳統預測模型的穩定性能相結合，更好地解決復雜、多變的電網負荷預測問題[5]。利用神經網絡分類器對所抽取的電力負載的特征量進行分類和融合，并在此基礎上對所抽取的電能進行分類和融合。

本文在優化過程中，重點對模型參數進行了合理調節和選取。采用交叉驗證、網格搜索等方法，系統評價各參數組合對模型性能的影響，篩選出最優參數。同時采用早停方法，避免當測試集中的性能無法繼續提高時，提前停止訓練。進而利用真實電網數據對提出的理論和算法進行深入研究，建立電網負荷預測與優化模型，使其具有較高的平均絕對誤差和均方根值。

3 電力負荷預測仿真分析

3.1 電力負荷預測準備

為了驗證基于深度神經網絡的電力工程負荷預測與優化模型的有效性，本文進行了仿真試驗。試驗數據來自某電力公司的實際負荷數據，包括多個時間段的負荷值和相應的天氣、節假日等影響因素。特征量F-score值降序排列如圖2所示，采用上述F-score特征選取法，選出9個排序較高的特征量，并將其作為負載預測的特征量。

在試驗中，先對數據進行預處理和特征選擇，然后構建深度神經網絡預測模型，并利用樣本數據進行訓練，再將觀測數據中的負荷、氣象數據按照8∶2的比例分為訓練和測試2種類型。其中，預先選取的負載特性包括對當日h-1期間的負載值進行預測、對當日h-1期間的負荷值進行預報、對當日h-3期間的負荷值進行預報、對當日h-3期間的載荷值進行預報、對當日的數據種類進行預報、對2023年10月8日的氣溫進行預測、對2023年10月1日的天氣情況進行預報。

3.2 誤差結果

將本文算法與傳統的BP神經網絡、RBF神經網絡以及不采用F-score特征的深度神經網絡進行比較，得到3種算法的預測結果及其與實際負荷間的偏差曲線。不同方法的負荷預測結果如圖3所示。當電力負荷值為12時，負荷實際值為7500。傳統神經網絡方法的負荷值為7300，本文的改進深度神經網絡的負荷值為7543，接近電力負荷實際值，誤差較小。

預測結果誤差情況見表1，可以看出，采用F-score特征選取的深層神經網絡可以取得最佳預測效果，該算法的預測結果與實際負荷的偏差最小，并且RMSE為1.79，也是最小的。傳統深度神經網絡的MAPE為4.14，RMSE為5.53，預測時間為131.26s，而本文的改進深度神經網絡方法的MAPE為2.70，RMSE為1.80，預測時間為123.52s，預測時間比傳統神經網絡快了7.7s。因此，利用F-score的特征選取可以進一步提升深層神經網絡的預測能力，使其預測時間更短，能夠更好地滿足實時負荷預測的需求。因此本文的改進深度神經網絡在電力負荷預測用時方面具有顯著優勢，這不僅有助于在最短的時間內完成電力資源的優化配置，而且能幫助電力工程負責人提前安排作業機組啟動。

3.3 精度對比

對本文所建模型在不同時段、不同負載特征下的預測精度進行評價，電力負荷預測值的精度對比見表2。與BP神經網絡、RBF神經網絡和傳統深度神經網絡相比，本文方法的預測準確率有顯著提高。特別是尖峰時段，負荷波動劇烈，常規方法很難精確捕獲。對負荷特性進行精細化篩選，并對模型參數進行優化，可以更好地擬合負荷變化趨勢，降低預報誤差。在低谷期，雖然負荷變化不大，但是該方法仍能保持較高的預報精度。當迭代次數為100時，第一次精度為0.896，第三次精度為0.835，比第一次低了0.061，迭代次數越多，精度越小，表明采用本文方法進行高壓電網電力負荷采集的精度較高。準確的負荷預測能夠促進電力工程中的電源建設和電網布局，因此本文方法可加強對電力工程輸變電相關設施的擴建，并完善改造計劃。

4 結論

本文采用F-score特征選取與深層神經網絡相結合的方法，對電力負荷進行高精度預報。試驗證明，本文提出的F-score特征選取算法具有較高的預測精度與高效性，可以為電網安全、穩定運行與優化調度提供重要支撐。尤其當負載達到12級時，其預報結果與實測結果基本吻合，誤差較小。與單個模型相比，本文方法能夠有效提高電力系統的負荷預測精度和可靠性，其預測結果與實際負荷值的偏差最小，平均絕對誤差MAPE為2.69，均方根誤差RMSE為1.79，預測精度顯著提升，證明本文方法在電力負荷預測領域具有有效性，提升了電力工程的規劃效果和運行穩定性，在電力工程運行研究中具有實用價值。

參考文獻

[1]曾泓泰，郭慶來，周艷真，等.面向電網運行方式計算的不收斂潮流無功調整方法[J].電力系統保護與控制，2022，50（19）：1-12.

[2]尹浩然，張玲華.基于N-BEATS的能源互聯網負荷預測[J].電子設計工程，2024，32（11）：76-81.

[3]生紅瑩，趙偉國，陳揚，等.基于深度數據挖掘的電力系統短期負荷預測[J].吉林大學學報（信息科學版），2023，41（1）：131-137.

[4]蔣燕，王秀峰，高道春，等.面向區域綜合能源系統的電-氣負荷聯合預測研究[J].電測與儀表，2023，60（5）：154-158.

[5]張赫.基于數據關聯性挖掘的電力系統暫態穩定態勢感知研究[J].電氣應用，2024，43（5）：93-101.