GRU神经网络短期电力负荷预测研究

周莽 高僮 李晨光 姜辰龙

摘 要：随着智能电网的快速发展，针对电力部门亟需解决的短期电力负荷预测的问题，提出了一种基于栈式自编码和GRU神经网络的短期电力负荷预测方法，方法首先对输入的历史数据，包括电力负荷、天气信息和节假日信息等进行栈式自编码，从而将输入数据进行压缩，然后利用多层GRU构建神经网络，从而预测电力负荷，实例结果表明，将文本提出的电力负荷预测模型能有效预测电力负荷的日变化，与其它常用模型进行比对，预测误差更小，精度更高。

关键词：智能电网；神经网络；电力负荷预测；栈式自编码

中图分类号：TM715 文献标志码：A 文章编号：2095-2945（2018）33-0052-03

Abstract： With the rapid development of smart grid， a short-term load forecasting method based on stack self-coding and GRU neural network is proposed. Methods the input historical data， including power load， weather information and holiday information， are compressed by stack self-coding， and then the neural network is constructed using multi-layer GRU to predict the power load. The results show that the proposed power load forecasting model can effectively predict the diurnal variation of power load， and compared with other commonly used models， the forecasting error is smaller and the accuracy is higher.

Keywords： smart grid； neural network； power load forecasting； stack self-coding

1 概述

电力负荷预测包括长期电力负荷预测、中期电力负荷和短期电力负荷。短期负荷预测主要是预测短时间的负荷用量，一般包括数分钟到数小时的电力负荷使用状况，或者日电力负荷和周电力负荷预测情况，预测结果会对电厂的水电调度、发电机组控制、水火协调控制等提供理论参考依据，因此短期电力负荷预测是电网短期日常运行所需的重要工作内容。根据预测的输出形式要求，电力负荷预测可划分为点负荷预测和概率预测。点负荷预测是指对某一时刻用电量的一个具体的数值预测；概率负荷预测是指对用电量的概率区间的预测，结果为一个概率密度函数或一个预测区间。概率负荷预测与点预测相比，它对未来电力负荷的输出结果提供了更多的选择。但是，电力负荷预测会受到天气、温度、节假日等因素的影响，因此，短期负荷预测的方法和模型必须充分考虑环境因素，才能保证方法和模型的精确性和可靠性[1-3]。

2 电力负荷预测方法

栈式自编码和GRU神经网络进行融合，通过栈式自编码将数据进行压缩，然后利用GRU进行训练，然后预测电力负荷。自编码是一种无监督学习的过程，因此自编码的过程是自己建立标签[4]。自编码是一个典型的三层神经网络模型，包含输入层、隐藏层、输出层（重构层）。

工作流程如下：首先，训练第一层神经网络的权重值，然后将权值输入到自编码器，得到参数W1和b1；根据参数可以计算出经过第一层隐藏层的输出值。继续把输出值作为输入到自编码器，同样可以得到第二层隐藏层的参数W2和b2。把第二层隐藏层通过计算得到的输出值，作为特征输入到分类器，然后分类器经过训练得到了分类器的参数。为了优化结果，在上述预训练过程后，可以通过反向传播算法同时调整（微调）所有层的参数以改善参数结果。

GRU是RNN（循环神经网络）的一种改进模型，RNN是利用数据样本的时序性进行结果预测。传统神经网络的特点是从输入层到隐藏层，最后到输入层，各层直接的节点是连接的，但是每一层的节点之间是无连接的[5-6]。RNN网络会对前面的信息进行记忆然后再应用于当前输出的计算中，即隐藏层之间的节点不再是无连接的而是有连接的，并且隐藏层的输入不仅包括当前输入层的输出还包括上一时刻隐藏层的输出，隐藏它可以有效的解决各层节点直接的无连接的缺点。但是RNN虽然能有效的利用以前时刻的输出信息，但是它缺点是随着隐藏层的增多，历史信息可能逐层衰减，在反向传播时可能会产生梯度消失或梯度爆炸，因此在长时间序列应用上效果不好。

首先，根据xt和ht-1的信息可以获得两个门控zt和rt状态，如式所示：

zt=f（wz[xt，ht-1]+bz） （1）

rt=f（wr[xt，ht-1]+br） （2）

其中f为sigmoid函数，可以控制值域在0-1之间，这样就可以用来进行门控，从而得到门控信号。在得到门控信号后，首先要使用重置门控rt，然后得到经过重置后的数据h't-1，再与xt结合，通过tanh激活函数激活，得到t。

t=f（w[rt×ht-1，xt]） （3）

其中f为tanh激活函数，可以控制值域在-1～1之间。可以看出t包含了输入数据xt，然后控制了隐藏信息ht-1。

在更新阶段，使用了更新门zt进行控制，同时进行遗忘和记忆这两个操作。如公式所示。

ht=（1-zt）×ht-1+zt×t （4）

其中，zt的范围为0～1，当越趋近于1时，代表记忆（保留）的数据越多，zt越趋近于0则代表遗忘（丢弃）的数据越多。因此，通过zt可以同時进行遗忘和记忆的控制。因此，式中zt×t表示对隐藏状态的遗忘程度，zt的功能相当于遗忘门，选择性遗忘一些不相关信息。（1-zt）×ht-1表示当前节点信息的选择性记忆程度，1-zt的功能相当于选择一些相关信息。公式4的作用是遗忘上层传递下来的ht-1中的某些维度信息，并加入当前节点输入的某些维度信息。详细说明了基于栈式自编码和GRU神经网络的预测模型（SAE-GRUs）的过程，方法的结构如图2所示。

本文提出的深度神经模型可分为3个部分，按照从左到右的次序，第一层为栈式自编码层，该层只包含编码功能，不包含解码的功能，作用是用来进行输入数据信息压缩；第二层结构是GRU深度神经网络结构，包含3个GRU层叠，作用是用来进行数据的操作；第三层是深度神经网络的输出层，用来输出电力负荷的预测结果。

3 实验结果分析

本文建立了基于栈式自编码和GRU神经网络的短期负荷预测模型，下面将对这个模型与LSTM和SVM进行比较，从而验证模型的预测结果。本文使用的数据集为某省某市的电力数据，来进行短期电力负荷预测，其中训练集数据取值范围为2016年1月1日至2017年12月31日，预测区间为从训练日结束每30分钟一个样本点的一天（24小时）的实际负荷数据为例，取700天样本数据用于训练，即共有33600个训练样本点。

图3、图4和图5分别给出了SAE-GRUs、LSTM和SVM三种模型对于冬季的工作日、周末、节假日的单日电力负荷预测对比图，从图中可以看出，SVM模型的误差水平最高，而LSTM在经过500轮训练后，由于LSTM模型没有进行堆叠处理，网络结构较简单，没有实现对数据的深度挖掘。而由于栈式自编码的结构，SAE-GRU模型误差低于简单LSTM模型，同时由于单层LSTM模型层数较少，没有充分挖掘数据上下文的能力，因此误差水平较高，但要低于SVM模型。

相比于其它模型SAE-GRUs模型有的预测准确率最高。比对SVM预测模型我们可以发现，SAE-GRUs模型的准确度有较大提升，与LSTM神经网络模型相比，SAE-GRUs模型的准确度也提升较大，这说明栈式自编码的数据降维和数据压缩方面，具有很好的效果。从不同日期类型情况下的误差对比中发现，当节假日进行电力负荷预测时，由于节假日的不确定性，三个模型的预测误差均会增加，但SAE-GRUs模型的误差依然是最小的，因此，本文提出的SAE-GRUs模型基于较强的鲁棒性。

4 结束语

本文在进行短期电力负荷预测时，充分考虑了预测时的历史数据、温度湿度和节假日信息，分析了神经网络将输入数据进行归一化，提出了一种基于栈式自编码和GRU深度神经网络的短期电力负荷预测方法，方法首先将输入的数据进行压缩编码，对不确定性时间的序列输入数据进行了有效特征提取和重构，然后搭建了3层结构的GRU深度神经网络，充分利用GRU的两个逻辑门结构，有效的对历史时间序列数据进行了处理，提高了对可变长度时间序列的信息处理能力。实验分析表明，SAE-GRUs模型比传统的SVM模型和GRU模型在负荷预测的精度上有很多提高。

参考文献：

[1]彭春华，刘刚，孙惠娟.基于小波分解和微分进化支持向量机的风电场风速预测[J].电力自动化设备，2012，32（1）：9-13.

[2]孙海蓉，谢碧霞，田瑶，等.基于数据的SecRPSO-SVM短期电力负荷预测[J].系统仿真学报，2017（8）：1829-1836.

[3]张亚丽，胡伯轩，李莎莎，等.基于相似日搜索的改进LMD与ESN相结合的短期电力负荷预测模型[J].郑州大学学报（理学版），2017，49（2）：121-127.

[4]史佳琪，谭涛，郭经，等.基于深度结构多任务学习的园区型综合能源系统多元负荷预测[J].电网技术，2018，42（3）：698-707.

[5]李幼军，黄佳进，王海渊，等.基于SAE和LSTMRNN的多模态生理信號融合和情感识别研究[J].通信学报，2017，38（12）：109-120.

[6]牛哲文，余泽远，李波，等.基于深度门控循环单元神经网络的短期风功率预测模型[J].电力自动化设备，2018，38（5）：36-42.