基于LSTM-RNN的配电变压器负荷预测模型研究

孙朝辉 徐蕊 冯靖

摘 要：针对配电变压器负荷非线性动态特性导致的负荷预测困难、预测精度低等问题，基于长短期记忆循环神经网络（LSTM-RNN）建立了配电变压器负荷预测模型。根据无锡地区某配变台区自2017年以来的最大负荷、最小负荷、日最高温度、日最低温度、天气情况等参数，通过LSTM-RNN构建该配变台区的短期负荷预测模型，用于预报该配变台区未来几天的最大负荷。试验结果表明，预测结果误差均在10%以内，表明LSTM-RNN应用于配电变压器负荷预测建模是可行的。

关键词：LSTM-RNN;配电变压器;负荷预测;神经网络

0 引言

随着电力改革的不断深入以及营商环境工作要求的不断优化，售电市场竞争日益激烈，了解用户负荷情况，对变压器负荷进行有效预测，进而采取有针对性的措施，提供更合理的供电服务，使得电力设备效益最大化，成为了电力行业的重点发展工作。但是，配电变压器短期负荷可快速变动，极易受温湿度骤然变化所影响，呈动态化及非线性的时间序列，要实现精准预测较为困难。在以往的研究中，针对配电变压器负荷预测的研究较少，一方面是由于以往配变数据较少，缺乏有效的数据获取方法，另一方面没有有效的预测方法。在实际工作中，对配变负荷的预测主要是以历史数据为基础，通过总结负荷与时间之间的变化规律，并将该规律予以参数化、模型化，利用时间序列或趋势外推等基于“惯性原理”的模型算法。近年来，人工神经网络、随机森林、小波分析等能够进行实时学习的智能算法的推广应用，为配变负荷预测提供了新的思路。

深度的神经网络（DNN）是基于大数据而构建的一种分析法，可对数据内部复杂特征进行有效学习，确立可靠的非线性关系基础模型。深度学习层面，包含理解自然语言、识别视频及语音、识别图像等。长短时间区间记忆循环类型神经网（LSTM-RNN）属于DNN其中一种类型，对比其余DNN，LSTM-RNN基础模型因其能凭借对于时间序列相关数据内部长距离对信息依赖能力的有效利用，可实现在预测基础模型内的广泛运用。LSTM-RNN基础模型，现已被用以构建海水表面实际温度变化预测的一个基础模型，此模型输入若干海水温度影响因素数据信息，便可对前段时间内温度数据及实时海水温度的关系实现有效拟合，可较为准确地预报海水温度情况。其在海水温度预报中的有效应用给本研究提供了可能。

1 资料与方法

1.1    数据来源

本研究使用数据来自无锡供电公司用电信息采集系统，为10 kV会西唐配变2017年10月13日—2019年11月11日的数据，温度、天气、风力、污染情况数据来自无锡气象局网站数据。借助LSTM-RNN，构建配变负荷及其余物理参数的关系研究基础模型，以现阶段所研究的配变物理各项参数为基础模型输入，预报未来数日的日最大负荷情况。

该配变日最大负荷曲线如图1所示。

电力负荷是多物理要素相互作用的结果。从图1可以看出，该配变的负荷具有明显的周期性特点，且负荷波动变化幅度较大。从实际影响运行的因素来看，温度对负荷具有重要影响作用，特别对于配变台区负荷，当温度过高或过低时，用于制冷或取暖的负荷将急速攀升。同时，负荷的“记忆性”对负荷的影响也非常重要，即前一日甚至前几日的负荷都会影响到当日的最大负荷。另外，由于空气污染、节假日等因素影响，负荷也有不同程度的变化。

1.2    原理阐述

RNN属于现阶段应用较为广泛的一种人工神经化网络基础模型，可实现对序列数据的有效处理。RNN架构包括：输入/出、隐藏三个部分，依照时间序列可展开如图2所示的结构。区别于传统类型神经网络，该RNN记忆性强，隐藏内含环路，可向后传递相关历史信息，紧密连接这一时刻及历史信息，凭借这一基本特性，该RNN可实现任意时刻所组成输入序列的有效处理。RNN内部神经元可经神经元相互间权值U实现有效连接，环路就此形成，训练特定长度序列的数据，实现预测输出操作。区别于传统类型神经网络，该RNN内部各层均有V、U、W这几个共享参数，促使网络内部所需学习参数显著减少，仅是其每步输入存在差异性。新数据输入期间，会与源自t-1时刻数据信息一同经计算分析后，形成当前这一时刻的网络输出，依据这一操作过程，可处理所有数据样本。

RNN数学描述如式（1）、式（2）所示：

ht=φ（Wxt-1+Uht-1）（1）

yt=softmax（Vht）（2）

式中，V、U、W均表示权值的参数;ht表示隐藏层内第t步的实际状态情况，属于该网络记忆的一个单元;yt表示第t步实际输出;φ表示非线性激活函数，通常为tanh函数。

但受时间步迭代影响，历史输入值会影响到隐含层，促使它被削弱，最终消失。故而RNN实际运用存在一定难度。

Hochreiter等人于1997年首次提出LSTM-RNN，促使RNN迎来改进新浪潮。传统RNN内部隐藏层仅为一种h状态，针对短期输入敏感度高的情况，LSTM内增c结构，维持长期存储状态，属于单元化状态。同步增设3个门，实现c长期状态控制，t时刻条件下LSTM内部隐藏层主要结構如图3所示，均带σ运算的tanh函数，其箭头代表1个门。其中一个是ft遗忘门，对上个时刻ct-1单元状态能够被存储至ct当前时刻的数量起到决定作用;it输入门2，可对当前该时刻网络实际输入ht-1、xt可被存储至ct单元状态数量起决定性作用;ot输入门3，可对ct单元状态能够有多少被传输至当前的LSTM内部ht隐藏层起到有效控制作用。

对比BP式神经网络、普通模式RNN，该LSTM-RNN内部增设c状态单元1个、控制门3个，提升了模型特征能力及其记忆能力，可有效规避梯度消失、欠拟合等情况出现。该LSTM-RNN功能的发挥，主要是可发现数据信息内所存在相关性以及在这一关系及其时间推移条件下的关系变化情况，以便于获取精准度较高的结果数据。对于配电变压器负荷这种具有周期性特点的数据预测具有更好的效果。

1.3    预处理数据

配电变压器的负荷历史数据信息因系统存在不稳定因素，需对部分已坏的数据实施预处理，包含坏数据的突变及数据的缺失。

数据缺失方面，采用均值填充方法进行增补;

针对突变数据信息，如果两点之间负荷参数值可充分满足式（3）其中一个，便证明有突变情况存在。

l（i）>（1+α1）×l（i-1）l（i）<（1+α2）×l（i-1）       i=2，3，…，764  （3）

式中，α1表示负荷的峰值阀值;α2表示负荷的谷值阀值。按照类型不同，负荷应当予以分别取值。针对其首端负荷应当借助右侧级的数据实现有效修正处理，末端部分则需借助左侧的数据实现有效修正处理，中间段部分需要取它前后负荷的加权平均参数值。

模型输入数据如表1所示，Imax、Imin为配变负荷数据，Tmax、Tmin为日最高、最低温度，Air、Wind、Weather为天气情况，Workday、Holiday为工作日及节假日情况。为能消除数值大小对其产生不良影响，需要借助公式：

y=（4）

标准化的处理法把所有数据有效归一化至（0，1）的范围内。

2 模型构建及结果分析

2.1    实验数据和神经网络结构

本研究使用Matlab构建LSTM-RNN为基础网络模型负荷的预测模型，其结构如图4所示，内含21单元、1个LSTM层和1个两单元的Dense层。

实验数据信息及其神经网络基础模型的关键参数如表2所示。

神经网络基础模型内部，隐藏层的单元个数属于关键参数，与模型输入的单元个数存在关联性，此次研究择选输入的单元即为（2n-1）=41，当成隐藏层的实际单元个数。

2.2    实验操作及其结果分析

训练集主要被应用到训练模型中，而验证集则应用到模型评估中，以数据集内部前610个数据为训练集，后152个数据作为验证集，在实验过程中，模型的训练集损失如图5所示。

从训练过程图中可知，模型的训练集均方误差（RMSE）在前20次循环时快速下降，之后缓慢下降，可以说明模型已经很好地拟合了数据，没有出现欠拟合情况。得益于Adam算法，模型最终收敛到一个很小的值。实验负荷预测曲线如图6所示。

黑色曲线为实际负荷曲线，灰色曲线为预测曲线，预测曲线较好地反映了负荷曲线的变化规律。使用平均绝对误差（MAE）、均方根误差（RMSE）作为评价指标。从实验结果（表3）看，MAE为13.22，百分比误差为7.73%;RMSE为15.37，百分比误差为8.99%，说明LSTM-RNN模型对配电变压器的负荷预测效果较好。

3 结语

本研究将LSTM-RNN应用于配电变压器负荷预测模型，使用前七日的配变最大/最小负荷、日最高/最低气温、天气、空气污染、风力、工作日、节假日等数据信息，借助LSTM-RNN，可确立配电变压器具体负荷时间的序列变化基础模型，实现对配电变压器实际负荷预测，取得了较好的效果，证明使用LSTM-RNN建立配变负荷预测模型是可行的。

深度学习层面的科学技术快速发展，其在电网业务方面的应用前景较为乐观。本研究是深度学习科学技术在配变负荷预测研究方面的一次有效运用，达到了90%的预测准确率，对于运行单位合理安排检修计划，营销部门合理制定服务政策，规划部门合理配置设备容量，具有十分重要的指导作用。但是由于影响负荷变化的因素有很多，模型所得结果与实际情况仍有一定差距，这也是预测模型今后需要继续改进的方向。

[参考文献]

[1] HOCHREITER S，SCHMIDHUBER J.Long short-term memory[J].Neural Computation，1997，9（8）：1735-1780.

[2] 李琛，郭文利，吴进，等.基于BP神经网络的北京夏季日最大电力负荷预测方法[J].气候与环境研究，2019，1（24）：135-142.

[3] 朱贵重，胡松.基于LSTM-RNN的海水表面温度模型研究[J].应用海洋学学报，2019，38（2）：191-197.

[4] 范竣翔，李琦，朱亞杰，等.基于RNN的空气污染时空预报模型研究[J].测绘科学，2017，42（7）：76-83.

[5] 刘云，张杭，张爱民.需求侧响应下基于负荷特性的改进短期负荷预测方法[J].电力系统保护与控制，2018，46（13）：126-133.

[6] 张志，杜延菱，崔慧军，等.考虑关联因素的智能化中长期电力负荷预测方法[J].电力系统保护与控制，2019，47（2）：24-30.

[7] 于惠鸣，张智晟，龚文杰，等.基于深度递归神经网络的电力系统短期负荷预测模型[J].电力系统及其自动化学报，2019，31（1）：112-116.

[8] 王海燕，邓烽.基于台区负荷平衡和优化的电动汽车有序充电策略研究[J].电气应用，2019，38（1）：66-70.

[9] 李香龙，张宝群，张宇，等.基于EEMD-BP神经网络的含电采暖的配电变压器短期负荷预测[J].电测与仪表，2018，55（10）：101-107.

[10] 金士琛.基于模糊深度神经网络的电力系统短期负荷预测模型研究[D].青岛：青岛大学，2018.

[11] 沈沉，秦建，盛万兴，等.基于小波聚类的配变短期负荷预测方法研究[J].电网技术，2016，40（2）：521-526.

[12] 潘海燕.配电变压器经济运行技术研究[D].济南：山东理工大学，2013.

收稿日期：2019-12-20

作者简介：孙朝辉（1985—），男，山东莱州人，工程师，研究方向：配电网调控运行。