一种基于深度学习的短时用电负荷预测算法研究

王洁

（贵州电子信息职业技术学院 贵州凯里 556000）

0 前言

建筑能耗节约一直是这几年研究的重点，是目前改善大气环境、实现国民经济可持续发展的重要途经。对于建筑节能的本质而言是提高建筑物的能源利用率。如果能做到能耗及时预测并根据预测数据规划电网能源运行中心的使用，那么就能降低建筑能耗的使用。

国内外不少学者都通过对建筑物电力负荷进行预测分析建模，提出了相关的模型和算法来保障电力负荷预测的精确度和预测系统的鲁棒性[1]。其中常见的算法有SVR基于支持向量回归的短时预测模型，和基于集合经验的模态分解及粒子群优化等超短期预测方法[2]。另外还有小波函数协方差等卡尔曼滤波算法、线性回归等传统依靠人工经验的的算法模型。随着IOT及智能电网的迅速发展，可以通过IOT设备对电网数据进行实时采集，从而实现基于IOT的深度学习自动抓取电网中数据特征的低维-高维的算法也应运而生如文献[3]中，该算法主要是利用单个小的数据对建筑物用电模式、时间进行对比分析，抓取数据特征转化为高维模型，进行预测。

本文根据上述的文献当中的研究成果，根据实际建筑物用电负荷历史数据进行预处理，使数据统一化、对异常值分析处理等为后期数据规范输入提供保障。使用向量学习机对电力负荷数据的浅层特征进行数学建模，并根据短时记忆网络提取学习模型，最终通过相关的线性回归方程进行整合，并同传统预测方法进行对比，获得精确的预测模型。

1 传统预测模型与深度学习预测模型理论分析

1.1 传统预测模型理论分析

1.1.1 趋势推测法

趋势推测法主要是基于电力负荷相关的数学模型同时间变化的关系，来计算未来负荷的发展趋势，该方法的计算一般是线性关系。

1.1.2 时间序列测定法

时间序列测定法指对电力负荷的历史收集数据进行分析，通过专业人员的先验经验找出电力负荷数据变化过程中的变化规律和基本特种，并对未来数据进行预判的方法。但存在系统鲁棒性随着时间推移变长而不稳定的特点，同时对专业人员的经验和采集的历史数据的精度有较高的要求。

1.1.3 回归分析法

该方法来自于运筹学，建立相关线性分析模型；分析电力负荷样本同相关环境参数之间的关系，实现负荷的预测。建立的模型一般是多元线性方程组进行分析。

1.2 深度学习预测模型理论分析

除了上文中提到的传统预测方法以外，目前随着人工智能发展，其理论研究持续深入；特别是人工神经网络、小波变换等这些由信号分析领域的预测方法也能够应用于短时电力负荷的预测。

1.2.1 人工神经网络

人工神经网络是模仿人类大脑系统的算法，具有自主学习、推理、优化等能力。目前，运用最广泛的是RBF神经网络（基于径向基函数）和BP神经网络（误差反向传播）。一般来说人工神经网络包含输出层、隐层、输入层，将准备采集数据→预处理数据→样本训练→输出数据。

1.2.2 小波变换算法

小波变换是一种时域-频域得变化算法，主要根据现场测定数据选取适合得小波函数，按照信号频率自动调节，可以根据需求提取局部采样信息；在信号分析、时频分析等领域具有较强的适应性。

2 基于深度学习的短时用电负荷预测实验设计

2.1 电力负荷预测现场模型描述

根据实际工况下某地电力负荷采集建筑物的用电负荷需求，其中有功功率主要是针对电力照明类设置，而无功功率主要为建筑物类设备的正常运转所使用，如电力驱动的提水水泵、冷暖空调设备等。另外根据采集的数据分析，其中在用电负荷方面存在相关的异常情况，如某年某月某日的的气温异常或者设备停机检修等，都需要在考虑进模型当中。从前期采集的数据来看电力负荷会出现周期性的涨跌，虽然上述的因素可以作为数据采集当中的特征描述，但是不能作为主要用电类型的相互依存关系关键判别。

2.2 电力负荷预测算法模型分析

根据电力负荷预测现场模型前述情况来看，众多因素都同电力负荷预测存在关联，同时存在高度非线性关系。因此前期数据预处理对相关特征的抽取极为重要。但目前深度学习的浅层神经网络不能对数据特征进行很好的提取，需要重新采用更加深层的神经网络，因此选用SAE为代表的神经网络更好的对数据特征提取，同时使用自编码网络同极限学习机相融合的方式提取电力负荷中时间序列数据，最后使用多元线性方程进行回归分析，确定预测的准确性。

2.3 集成模型融合步骤

根据集成模型即AE自编码器网络及学习机方法对电力负荷时间序列进行数据特征提取、分析和预测。

其步骤为：

（1）通过贪婪分层训练法对数据进行每一层的预训练，获得高阶特征。为后续数据特征分析提供支撑。包含两层及更多层的训练模组。

（2）创建并训练第一个隐含层 AE1，获得初始特性给 g（1-n）n-1，然后将数据持续提供给下一个隐藏层AE2进行数据梳理，最终获得第三层AE3的数据。

（3）根据AE3获得的数据，进行查看编辑为新的训练数据集，同时针对训练数据集输入到SVR中，构造出对应的ELM，最终生成输出数据。

2.4 融合算法模型优化调整

根据实际情况经过反复计算确定融合算法模型最优结构，其中隐含层神经元个数为主要研究参考。在实验中隐含层层数设置为2～5层，神经元个数为：150～800。根据实际工况情况进行了14个测试，优化神经元个数并对建筑物已采集的数据进行整理归类，获得建筑物8年的电力负荷参数2009-2017年，实验建筑物电力负荷数据集见表1。

表1 实验建筑物电力负荷数据集

根据调试结果最终将融合模型中的神经数量设置为97。其中训练层进行源码编程，平台为Python。

之后根据预测数据，同传统预测和浅层神经网络分析情况进行对照，准确性提高30%，达到预测要求，优化完成。

2.5 实验结果分析比对

通过融合模型同经验公式分析的对比之后，选取在建筑物进行5d内短时用电负荷预测，根据实际工况仅做了5d的短时电力预测分析。根据实验数据5d对比情况看与预测结果吻合。

3 总结与展望

本研究将深度学习神经网络进行重构，提出一种新的融合算法，避免目前浅层神经算法出现的数据特征提取不足的问题，同时使用线性回归进行比较综合分析预测结果的准确性。并将所研究的融合算法应用于实际的建筑物电力负荷预测中，进行详细的实验以验证模型的优越性，实验结果显示在短期电力负荷预测中，该融合算法的准确性较一般的神经网络学习要高，展示出该融合算法的优越性。

但是该算法仍有许多不足，首先为对电力负荷同电网盈利性进行分析比较，并建立最佳经济性使用模型，其次采用的是线性分析未对非线性算法进行对照，这些问题将在今后的研究中持续进行，进一步完善融合算法模型适当引入非线性算法进一步提高当前算法模型的预测精度。