基于神经网络的配电网负荷预测方法

李彦生

(大理供电局，云南 大理 671000)

0 引 言

配电网调度的主要依据为配电网短期负荷预测结果，因此预测精度对配电网运行的可靠性及安全性具有重要意义[1]。配电网分布广、网络复杂、随机性高；同时气候等环境因素对光伏出力影响较大，配电网中分布式光伏的接入，可削减部分负荷，加大配电网净负荷预测难度及波动性[2]。

时间序列法、统计法及人工智能法等常被用于光伏出力预测及配电网负荷预测。杨文佳等[3]基于负荷预测误差特性，对统计法进行研究，综合预测误差统计分布规律及预测结果，获得概率性负荷预测结果。连立军等[4]通过时间序列法，综合考虑季节因子光伏出力，建立差分整合移动平均回归模型，该模型误差稳定且精度较高。Mellit等[5]基于聚类法对光伏出力特征数据进行筛选，通过GA-BP神经网络预测光伏出力，该预测精度较高，效果理想。时间序列法及统计法作为传统方式，根据光伏出力、历史负荷等数据的内在规律进行预测，该方法计算效率较高，模型简单，但忽略了外部因素对光伏出力及配电网负荷的影响。人工智能法通过机器学习，抽象并表示相关数据、历史数据内在线性及非线性关系，并综合分析影响光伏出力及负荷因素，预测精度较高，且适应性强。但传统智能算法为浅层结构，数据间非线性复杂结构难以表示，且输入特征对预测模型精度影响较大，无法获得最优预测特征集合[6]。

长短期记忆(LSTM)为深度学习方法，较传统人工智能法具有时序数据深挖分析优势，可深挖数据潜在关联性，适用于高维度复杂模型构建[7]。针对分布式高渗透率光伏配电网，基于LSTM提出净负荷预测法，分别建立分布式光伏出力及配电网负荷预测模型，通过LSTM提取历史相关特征，实现短/长期特征综合预测，以提升分布式光伏出力及配电网负荷的预测精度；对2个预测结果做差，得到净负荷预测值。通过某地区分布式光伏出力数据及实测配电网负荷的实验进行分析，以对预测方法的有效性进行验证。

1 长短期记忆

LSTM为具有长短期记忆功能的循环神经网络，其神经网络各层结构单元具有遗忘门、输入门及输出门等闸门[8]。通过“门”储存任意距离及时间等信息，并对记忆状态进行控制。LSTM记忆结构单元如图1所示。

图1 LSTM记忆结构单元

由图1可知，Ct-1为单元输入，通过乘法器与系数ft作乘，并经普通向量线性叠加，获得输出Ct。其中ft为：

ft=Sigmoid(bf+Wf·[ht-1,xt])

(1)

通过函数计算实现遗忘门，Sigmoid函数输出值为1或0时，为完全记忆或完全忘记[9]。中间值为遗忘/记忆比例，Wf、bf可通过训练学习获得，为待定系数[10]。

其它2个子神经网络层为：

it=Sigmoid(bi+Wi·[ht-1,xt])

(2)

C′t=tanh(bC+WC·[ht-1,xt])

(3)

式中，WC、bC为训练学习所得系数；tanh函数可将结果映射至[-1,1]。线性叠加计算Ct-1及C′t，以确定Ct中上一次遗留信息量及本次输入信息量，即：

Ct=it·C′t+ft·Ct-1

(4)

输出ht分为输出至同一层下一单元及下一层单元2个部分，即：

Ot=Sigmoid(b0+W0·[ht-1,xt])

(5)

ht=tanh(Ct)·Ot

(6)

式中，Ot为遗忘门，确定从本单元删除的信息。通过Ot与Ct的向量计算，输出ht。通过闸门机制使LSTM具有长期记忆功能。

2 数据规范化处理及数据集构建

通过数据的标准化处理，使各列数据取值范围为[0,1]，以提升模型泛化能力[11]。标准化处理序列y1,y2,…,yn，即：

(7)

LSTM模型训练前，标准化处理后历史数据需划分为3个部分，即测试集、训练集及验证集[12-13]。调节网络超参数时，验证集可对网络进行评估。文中通过K折交叉验证，以避免模型可靠性评估受验证集过小或偶然性影响。将数据分为K个部分，并实例化K个相同模型，各模型的K-1个部分为该模型训练集，剩余的1个部分为验证集，以K次结果均值为算法误差验证结果，文中K取为4。

3 算例分析

3.1 预测配电网负荷

文中分别采用LSTM及支持向量回归(SVR)这2种方式建立负荷预测模型，同时预测净负荷[14]。配电网净负荷预测流程如图2所示。

图2 配电网净负荷预测流程图

LSTM模型输入特征参数如表1所示。由于LSTM可自行分析历史负荷特征及预测目标之间的相关性，因此，表1中特征以连续历史负荷、温度等综合日期特征进行构建，未做优选。

表1 LSTM预测模型输入特征

文中通过深度学习程序库Keras预测配电网小时负荷[15-16]。选择某地区2014—2018年间的43824组温度特征历史数据及配电网小时负荷。将2018年数据作为测试集，通过4折交叉验证评估模型，以保证模型评估的可靠性。按照1∶3的比例，以年为单位，将2014—2018年的历史数据划分为验证集及训练集。

对比分析SVR、LSTM模型预测结果，以验证模型有效性，模型输入特征如表1所示。通过Keras搭建LSTM模型，其主要参数time_step为每日的24 h负荷；batch_size为100；input_dim与输入数据特征数相同。隐含层隐藏节点数为300，LSTM层为1。为了降低拟合过程对预测模型的影响，加入dropout值为0.2的正规化，以Sigmoid函数为激活函数，以平均绝对误差为损失函数，即：

(8)

SVR模型输入特征如表2所示。

表2 SVR预测模型输入特征

配电网当前时刻负荷预测值为输出特征Lh，建立SVR预测模型[17-18]。分别选取2018年各季节一周数据，分别通过LSTM、SVR模型进行预测，预测结果如图3所示。

(a) 2018年1月23日—2018年1月29日预测结果对比

(b) 2018年3月6日—2018年3月12日预测结果对比

(c) 2018年7月17日—2018年7月23日预测结果对比

(d) 2018年10月23日—2018年10月29日预测结果对比

LSTM及SVR这2种预测方法预测值与真实值误差如表3所示。为了充分体现对比结果，本文通过平均绝对百分比误差进行对比[19]，即:

(9)

表3 配电网负荷预测精度对比

综合表3及图3，根据各季节168 h配电网负荷预测结果，LSTM预测法较SVR预测法预测精度高，更适用于配电网负荷预测。

3.2 预测光伏出力

与配电网负荷预测相同，分别通过LSTM及SVR法对光伏出力进行预测，LSTM模型输入特征如表4所示，SVR模型输入特征如表5所示。光伏出力当前时刻预测值为输出特征Ph。

表4 光伏出力LSTM预测模型输入特征

表5 光伏出力SVR预测模型输入特征

日出时太阳辐照度较低，且综合光伏发电启动阈值，光伏出力预测时间段为8:00—17:00的10 h[20-21]。LSTM模型通过Keras搭建，设定主要参数time_step为每日的10 h光伏出力；batch_size为40；input_dim与输入数据特征数相同。LSTM层为1，隐含层节点数取为300。为了降低过拟合，加入dropout值为0.2的正规化，以Sigmoid函数为激活函数，MAE为损失函数。LSTM及SVR这2种方法所得预测值及真实值对比图如图4所示，MAE及MAPE误差对比如表6所示。

(a) 2018年1月23日—2018年1月29日预测结果对比

(b) 2018年3月6日—2018年3月12日预测结果对比

(c) 2018年7月17日—2018年7月23日预测结果对比

(d) 2018年10月23日—2018年10月29日预测结果对比

综合图4及表6，由各季节光伏出力预测结果可知，LSTM法预测误差低于SVR法，因此LSTM预测方法对于光伏出力预测同样具有优势。

3.3 预测配电网净负荷

若电网内分布式电源仅为分布式光伏，则配电网净负荷为配电网负荷与光伏出力的差值[22-23]，即：

L′h=Lh-Ph

(10)

式中，Lh为某时刻配电网负荷；Ph为某时刻光伏出力；L′h为某时刻配电网净负荷。由计算可得，基于LSTM、SVR的配电网净负荷预测值与真实值曲线如图5所示，各季节配电网净负荷预测误差对比如表7所示。

(a) 2018年1月23日—2018年1月29日预测结果对比

(b) 2018年3月6日—2018年3月12日预测结果对比

(c) 2018年7月17日—2018年7月23日预测结果对比

(d) 2018年10月23日—2018年10月29日预测结果对比

表7 LSTM及SVR法预测净负荷值与真实值误差对比

由MAE及MAPE对比结果可知，LSTM于各季度预测精度较高，显著优于SVR。由此可知，本文预测方法具有较高的有效性。

4 结束语

本文通过LSTM方法构建神经网络短期预测模型，并分别对配电网负荷及光伏出力进行短时预测，通过做差获得配电网净负荷预测值。由实验数据分析可知，LSTM方法可自适应挖掘光伏出力特征和历史负荷预测对象之间的相关性，在无需开展特征工程前提下，在不同气象条件及不同季节，均具有较好的预测精度。该方法满足配电网调度需求，具有较好的实用性及较高的有效性。