基于TensorFlow平台长短时记忆网络的短期负荷预测

潘迪涵

摘要：随着电力系统的发展，对电力系统负荷预测提出了更高的要求。针对传统负荷预测方法在非线性拟合方面的不足，本文引入了时下流行的开源机器学习平台TensorFlow对长短时记忆网络（Long Short Term Memory Networks， LSTM）进行建模，分析了不同网络结构对实验结果的影响。结果表明，LSTM网络对非线性问题有着较强的拟合能力，在负荷预测方面有着较高的准确度。

关键词：TensorFlow;LSTM;短期负荷预测;机器学习

中图分类号：TM743 文献标识码：A 文章编号：1007-9416（2019）09-0098-03

0 引言

电力系统负荷预测理论起始于上个世纪80年代，经过近40年的发展，电力系统负荷预测已经成为电力系统规划的重要组成部分。随着电网规模不断扩大，设备不断增多，信息化程度不断提高，智能电网调度系统对负荷的采集频率和数据准确性的要求也不断提升，为负荷特性分析和负荷预测提供了高质量、海量化的数据集，为负荷预测提供了数据基础。常见的负荷预测方法有：趋势外推法，回归分析法，时间序列法，人工神经网络法等[1]。

多层神经网络由于具有良好的非线性映射能力，结合神经网络的自学习、自适应的能力，可以很好地处理负荷预测中的非线性问题。其中LSTM网络又称为长短时记忆网络，是循环神经网络（Recurrent Neural Networks，RNN）的一种改进型，正如其名字一样，不仅能对短期的数据进行记忆和预测，也可以对距离较远的内容进行存储和记忆。可以较好的识别时间序列数据中的相关性特征。

文献[2]中作者利用LSTM网络的优点提出了区域级负荷的深度长短时记忆网络预测方法。文献[3]中作者则结合卷积神经网络（Convolutional Neural Network，CNN）与LSTM网络的优势，提出了基于卷积神经网络和长短期记忆网络的混合模型。文献[4]中作者将短期负荷预测与新能源结合起来，提出了一个基于能源互联网的非线性模型，文献[5]中提出使用人工神经网络对配电网负荷进行预测。

TensorFlow是一个采用数据流图进行数值计算的开源软件库。由Google公司开发和维护，用于机器学习和深度学习方面的研究。它灵活的架构适用于在多种平台上运行[5]。

本文主要在TensorFlow平台下对LSTM网络进行建模，并且对不同结构的LSTM网络模型的预测效果进行对比分析。

1 LSTM网络预测流程

1.1 数据预处理

将数据输入至神经网络之前需要进行数据预处理，主要包括两方面：

（1）异常数据处理：负荷数据在采集，传输，储存时均可能由于种种因素产生异常，为了提高预测的准确性，需要筛选并修正样本中的异常数据，并补足意外缺失的数据[6]。

（2）划分训练集和测试集：在机器学习中，通常将全部样本分为3个互不重合的部分：训练集，验证集和测试集。其中训练集用来训练模型，验证集用来最终确定网络结构以及变量的参数是否符合要求，测试集用来检验最终确定模型的预测效果。由于本文负荷预测中数据量较少，因此仅将样本划分为训练集和测试集两个部分。

1.2 LSTM网络结构

LSTM网络的基本单元中包含遗忘门、输入门和输出门三个部分，LSTM网络单元如图1所示。遗忘门中输入Xt与状态记忆单元St-1、中间输出ht-1共同决定状态记忆单元遗忘部分。输入门中的Xt分别经过Sigmoid和tanh函数变化后共同决定状态记忆单元中保留向量。中间输出ht由更新后的St与输出Ot共同决定，计算公式如式（1）—式（8）所示[3]。

1.3 LSTM网络预测流程图

LSTM网络预测流程图如图2所示。

1.4 评价指标

为了评估预测的准确程度，选用均方根误差（Root Mean Squared Error，RMSE）、平均误差（Mean Absolute Percentage Error， MAPE）作为评价预测效果的依据[2]。

其中f（x（i））表示预测值，y（i）表示真实值。

2 结果与分析

LSTM网络以Python语言编写，基于TensorFlow1.13.1，硬件配置为Intel i7-6700HQ，16GB内存。

本文使用数据为澳大利亚某地2008年至2010年，30分钟一次采样的负荷、湿度、温度数据以及当前时刻的电价信息。经筛选处理为4200个数据点，其中训练集为占比为前80%，测试集占比为后20%，经标准化处理后输入LSTM网络。网络超参数的设定如表1所示。实验结果如表2所示。

由2表可见增加隐藏层数和增加每层节点个数均可降低训练损失，但是训练损失降低并不代表预测能力更强，由表2可见该数据集对应LSTM網络的最佳结构在3隐藏层，排列为20-10-10附近。复杂模型的预测能力有可能比简单模型更弱，难以收敛，也就是机器学习中常见的过拟合问题，实践中可以通过添加正则化函数对过拟合现象进行抑制。

3 结语

本文主要使用TensorFlow工具搭建LSTM网络对电力系统短期负荷进行预测，结果表明LSTM网络对负荷预测有着较高的预测精度，达到了预期的效果。随着智能电网的发展，机器学习在海量数据分析上的优势逐渐凸显，未来将得到更大的发展和应用。

参考文献

[1] 林麒麟.基于神经网络智能算法的电力系统短期负荷预测研究[D].兰州理工大学，2017.

[2] 张宇帆，艾芊.基于深度长短时记忆网络的区域级超短期负荷预测方法[J].电网技术，2019，35（19）：20-22.

[3] 陆继翔，张琪培.基于CNN-LSTM混合神经网络模型的短期负荷预测方法[J].电力系统自动化，2019，43（08）：131-137.

[4] Judith Foster，Xueqin Liu，Seán McLoone. Load forecasting techniques for power systems with high levels of unmetered renewable generation： A comparative study[J].IFAC PapersOnLine，2018，51（10）：89-92.

[5] 李松岭.基于TensorFlow的LSTM循环神经网络短期电力负荷预测[J].上海节能，2018，38（12）：74-77.

[6] 马安安.基于PMU量测的电力系统动态状态估计研究[D].浙江大学，2018.

Abstract：With the development of power systems， higher requirements are imposed on power system load forecasting. Introduced the popular open source machine learning platform TensorFlow to model Long Short Term Memory Networks （LSTM） and analyzed the impact of different network structures on experimental results. The results show that the LSTM network has a strong ability to fit nonlinear problems and has a high prediction accuracy in load forecasting.

Key words：TensorFlow;LSTM;Short-term load forecasting;Machine learning