利用温度信息及深度学习方法实现高精度电力负荷预测

徐先峰 龚美 黄刘洋

摘 要：负荷预测是电力系统规划的重要组成部分，直接影响着电网运行的安全性及可靠性，实时高精度的负荷预测结果更是提高整个电网运行效率的关键。为了解决现存算法预测精度低的问题，在深入分析了温度与用电量强相关性的基础上，构建了长短时记忆深度学习网络（LSTM），执行历史用电数据特点的深度挖掘及用电量与温度相关性的深度自学习，实现了电力负荷预测。与传统负荷预测技术相比，预测精度显著提高。基于谷歌Tensor-flow平台进一步研究了不同激活函数组合对于所提算法预测性能的影响。仿真结果表明，使用ELU激活函数比使用其他常用激活函数预测精度更高，有效解决了当前预测算法普遍存在的精度低问题。

关键词：负荷预测;深度学习;LSTM;温度信息;Tensor-flow;激活函数

中图分类号：TP301.6文献标识码：A文章编号：2095-1302（2019）09-00-05

0 引 言

负荷预测在电力和能源系统的运行和规划中起着至关重要的作用[1-5]。提前1小时至1天或1周的短期负荷预测常被用于制定安排日开停机计划和发电计划，对于确定发电机组最优组合、实现潮流最优计算、指导电力市场交易、满足实时经济调度等意义重大。预测结果越准确、精度越高，越有利于提高发电设备的利用率和经济调度的有效性。

近年来，电力负荷预测方法层出不穷，针对短期电力負荷预测，国内外的研究主要分为两类：一类是以自回归平均滑动模型（Auto Regressive Integrated Moving Average Model，ARIMA）为代表的时间序列法[6];另一类是以BP神经网络[7]、梯度下降决策树[8]等为代表的人工神经网络法。前者大多以数学理论为根基，虽然将数据的时序性特点重点考虑，但缺乏灵活性，在非线性关系数据的预测方面准确度较低，难以满足负荷预测的精度要求。后者虽然在解决自变量和因变量之间的非线性关系方面表现出了一定的优势，但受限于网络结构，无法考虑时序数据的相关性问题，往往会导致学习能力差、预测精度低等后果。此外，两类研究方法处理的数据大都针对单一的历史负荷，并未将温度等外部影响因素考虑在内，而这也是造成预测精度低的一个重要原因。

为了充分融合上述两类方法的优势，越来越多的学者将研究方向定位于能够解决神经网络中长期依赖问题的LSTM网络。长短时记忆网络（Long Short Memory Network，LSTM）最早由Hochreiter和 Schmidhuber于1997年提出[9]，并于近期被Alex Graves进行了改良和推广[10]。在很多问题上，LSTM都取得了巨大的成功，并得到了广泛使用。Mirza等人将LSTM模型应用于计算机网络入侵检测，显示出了很强的适用性[11];Baek等人利用LSTM网络对股票市场价值进行预测，准确率较高[12];近期，Xu Liwen等人将LSTM网络应用于短期电力负荷预测，取得了很好的预测精度[13]，但文献中却未将温度的影响考虑在内，从而无法进一步提高预测精度。

为了构建高精度负荷预测模型，本文在深入分析了电量与温度因素强相关性的基础上，在预测过程中引入温度因素，建立LSTM深度学习预测模型，并借助Tensor-flow平台进一步测试了激活函数的各种组合，以期得到最优的预测性能。

1 用电量与温度因素的相关性分析

温度是对负荷特性影响最大的气象因素，它直接影响空调负荷、农业灌溉负荷等的变化。随着经济的发展，人民生活水平逐步提高，空调等用电设备的使用量逐年増加，直接导致温度对负荷特性的影响越来越大[14]。因此，为了深入分析用电量与温度之间的相关性，本节以2014年全球能源预测竞赛（2014 Global Energy Forecasting Competition，GEF2014）中2006年3月1日至2008年2月28日，共计8 760个24点日负荷数据和温度数据为基础，综合运用数据分析法、相关系数法对春（3～5月）、夏（6～8月）、秋（9～11月）、冬（12～2月）各季节温度与用电量之间的相关性进行检验。

根据处理后的数据分别绘制与四个季节相对应的变化曲线，如图1～图4所示。

（1）春秋两季气温适宜，温度对用电量的影响明显减弱。轻微的气温变化在人体可接受的舒适度范围内，因此并不会导致用电量骤变。

（2）夏季天气炎热，空调和其他降温负荷突出，用电量与温度的变化趋势非常相似，二者变化曲线上的峰点和谷点所出现的日期也基本重合。温度和用电量的相关系数计算结果为0.783，属于高度线性相关。

（3）冬季气温下降，用电幅度变化不大，但相较于春秋季，因供暖设备等的使用，导致用电量整体上升，温度与用电量之间呈现负相关，其中以深冬季节尤为突出。

基于以上分析，一年之中，用电量的多少明显受温度变化的突出影响，因此在电力负荷的预测过程中，温度因素不可忽视。

2 基于LSTM神经网络的模型建立

2.1 LSTM预测模型结构

LSTM是一种特殊的循环神经网络，其在原有RNN网络的基础上加入了遗忘门（Forget gate）、输入门（Input gate）和输出门（Output gate），能够有效控制信息的流动量，因此在解决长时依赖问题上有着很大的优势，常被用作处理和预测时间序列问题，其结构如图5所示。

2.2 基于电力负荷预测的LSTM网络结构

LSTM网络通常应用于时间序列分析[16]。当预测未来某个时刻的用电量时，可以将历史温度、负荷数据等作为先验知识。在本文所提出的用于电力负荷预测的LSTM网络中，输入数据均为时间序列，结构如图6所示。在该二维网络中，横向维度表示时域变化，垂直维度表示同一时刻用电量（elec）及温度数据（temp）的索引。

在特定时刻t内，每个存储器单元的输入是与t-1时刻输出状态密切相关的矢量，处理过程由矢量发生器完成，即图中椭圆部分。第k个存储器单元将向量xk，t作为先验知识，并输出基于存储器单元内部计算的预测结果。这样，用电量及温度数据和时间的相关性就被集成在2D LSTM网络中。

2.3 引入温度数据前后的LSTM模型预测结果分析

2.3.1 实验运行环境及数据处理

实验在tensorflow1.8.0，python3.6环境下运行。选取的数据样本为GEF2014中2006年1月1日至2010年12月31日，共计43 728个24点日负荷数据和温度数据，并且将最后4天（共96个数据）取出用于验证训练模型的有效性。

实验表明，单纯增加LSTM层数、隐藏层数或节点数量等将使网络结构变得极其复杂，无法有效改善预测模型的性能，只会减慢网络的训练速率。因此，在仔细对比分析了不同模型训练后所得性能指标的基础上，最终选取双层LSTM+1个全连接层+1个输出层的情形，全连接层节点数设置为50，其由Tensor Board生成的对应Graph如图7所示。

2.3.4 引入温度数据前后的模型预测结果分析

利用传统BP神经网络能够稳定和较准确地对电力负荷进行预测，但由于用电量数据具有时序相关性，导致BP神经网络的预测能力在很大程度上受到制约。因此，本节实验在基于温度与用电量之间的强相关性分析基础上，建立改进后的LSTM模型，并将传统BP神经网络预测方法作为参照，如图8所示（BP表示不考虑温度的BP网络模型;LSTM为不考虑温度的LSTM模型;LSTM_T表示考虑温度的LSTM模型;real表示真实数据值）。设置提前1 h对电力数据进行预测的场景来对比分析引入温度因素前后的LSTM模型预测结果。实验结果表明，LSTM模型本身具有较高的预测精度，在引入温度因素后，MAPE值降低0.31%，MSE值降低288.43 kW·h，RMSE值降低5.04，各项预测误差均显著降低。

各模型下的性能指标计算结果见表4所列。

3 激活函数不同组合的预测结果分析

3.1 激活函数的不同组合情形

激活函数是用于评估和捕获数据变化趋势或特征模式的决定性参数。在训练多层神经网络模型时，激活函数在调整权重和偏倚量方面起着重要作用。在前述已经搭建了双层LSTM网络结构的基础上，为了进一步探究不同激活函数的组合对于算法预测性能的影响，本节将全连接层层数（不包含输出层）与激活函数的组合分为以下6种情况，并通过比较遴选出最佳性能组合：

3.2 不同组合下的预测结果对比

本例中继续采用43 824条连续用电量数据及温度数据来对不同激活函数组合情况下的LSTM模型进行训练，并采用96条用电量数据对训练出的模型进行测试。最终得到的预测结果如图9所示。

各组合情形下的性能指标计算结果见表5所列。

由表5可以直观看出在构建双层LSTM模型的基础上，ELU激活函数+1个全连接层组合预测得到的MAPE为1.64%，各性能指标均为最佳，明显优于其他组合。

分析原因：ELU激活函数与其他激活函数相比，具有改进的学习特性，其与Sigmoid和ReLU激活函数相比，输出值在x轴上为负，使得输出的平均值更接近于0，从而加快了学习速率，并使梯度更接近于自然梯度，具有良好的学习性能。

4 结 语

本文利用深度学习方法实现了短期电力负荷预测，在深入研究了温度与用电量之间强相关性的基础上，将历史用电数据及温度数据作为LSTM神经网络的输入，并通过测试激活函数和全连接层层数的多种组合，最終得到了高精度负荷预测模型。结果显示，当针对MAPE，MSE及RMSE等性能指标进行评估时，ELU激活函数加单个全连接层的组合预测得到的MAPE为1.64%，各性能指标均为最佳，比其他组合表现更好。所提算法对于解决短期电力负荷预测问题，兼具理论指导意义及工程应用价值。

参 考 文 献

[1] WU R Z，BAO Z R，WANG W T，et al. Short-term power load forecasting method based on pattern matching in hadoop framework [J]. Transactions of China electrotechnical society，2018，33（7）：1542-1551.

[2]蒋敏，顾东健，孔军，等.基于在线序列极限支持向量回归的短期负荷预测模型[J].电网技术，2018，42 （7）：2240-2247.

[3]卓欣.基于多元回归的中长期负荷预测[J].高电压技术，2016，42 （13）：95-98.

[4]张涛，顾洁.高比例可再生能源电力系统的马尔科夫短期负荷预测方法[J].电网技术，2018，42 （4）：1071-1078.

[5]殷豪，董朕，孟安波.基于结合混沌纵横交叉的粒子群算法优化极限学习机的短期负荷预测[J].计算机应用研究，2018，35 （7）：2088-2091.

[6] MAI H K，XIAO J H，WU X C.Research on ARIMA model parallelization in load prediction based on R language [J]. Power system technology，2015，39（11）：3216-3220.

[7] LI Z，ZHOU B X，LIN N. Classification of daily load characteristics curve and forecasting of short-term load based on fuzzy clustering and improved BP algorithm [J]. Power system protection and control，2012，40（11）：56-60.

[8] SALGADO R M，LEMES R R.A hybrid approach to the load forecasting based on decision trees [J]. Journal of control，automation and electrical systems，2013，24（6）：854-862.

[9] HOCHREITER S，SCHMIDHUBER J. Long short-term memory [J]. Neural computation，1997，9（11）：1735-1780.

[10] GRAVES A. Generating sequences with recurrent neural networks [Z]. Computer science，2013：1-43.

[11] MIRZA A H，COSAN S. Computer network intrusion detection using sequential LSTM Neural Networks autoencoders [J]. IEEE singal processing letters，2018：1-4.

[12] BAEK Y J，KIM H Y. ModAugNet：a new forecasting framework for stock market index value with an overfitting prevention LSTM module and a prediction LSTM module [J]. Expert systems with applications，2018，113：457-480.

[13] XU L W，LI C D，XIE X Y. Long-short-term memory network based hybrid model for short-term electrical load forecasting [J]. Information （Switzerland），2018，9（7）：1-17.

[14] MONTEIRO C.New probabilistic price forecasting models： application to the Iberian electricity market [J]. International journal of electrical power and energy systems，2018，103：483-496.

[15] ESHIMA N，TABATA M. Three predictive power measures for generalized linear models：the entropy coefficient of determination，the entropy correlation coefficient and the regression correlation coefficient [J]. Computational statistics and data analysis，2011，55（11）：3049-3058.

[16] FAZLE K. LSTM fully convolutional networks for time series classification [J]. IEEE access，2017（6）：1662-1669.