潘广旭 ,宫池玉,李兴玉,胡军,李英杰,王瑞琪
(1.国网山东省电力公司日照供电公司,山东 日照 276800;2.国网山东综合能源服务有限公司,山东 济南 250002)
随着国家对“能源革命”的大力推进,终端用能环节的价值日益凸显[1]。一方面,提高各类能耗数据采集的准确性和安全性,确保数据采集和传输装置的易部署性,做好数据的治理和分类存储工作,是提高电负荷预测准确性以及大幅提升其他数据利用环节工作效率的基础和重要保障[2];另一方面,改进预测算法,提高电力负荷预测的准确性有利于能源企业优化资源配置[3-5],有利于引导客户科学用能,帮助客户增效降本。
在电力负荷预测方面,文献[6]提出了一种基于改进BP神经网络的短期电力负荷预测方法,该方法为了提高传统BP神经网络预测精度,引入了猫群算法(cat swarm optimization,CSO)优化BP神经网络的权值或阈值;文献[7]采用专家系统法进行负荷预测,专家系统由于汇集了较为全面的专家知识和经验,能考虑更多种影响因素,故利用该方法预测更容易获得准确的结论;文献[8]提出了一种基于改进卡尔曼滤波的短期负荷预测方法,该方法既保持了卡尔曼滤波算法收敛速度快的优点,又引入了修正因子考虑电力负荷变化的周期性等规律,提高了预测精度;文献[9]提出了一种基于深度神经网络的中期电力负荷预测方法;文献[10]提出了一种基于自适应深度信念网络的变电站负荷预测方法,这两类均属于神经网络预测技术,该预测方法最大的优点是能够模拟人脑处理事件,具备信息记忆、自主学习、知识推理和优化计算等突出特点;文献[11]提出了一种基于改进粒子群优化长短期记忆(long shortterm mermory network,LSTM)网络的短期电力负荷预测方法,利用柯西变异粒子群算法寻找最优参数,克服了LSTM网络参数选取难的问题,在一定程度上提高了预测精度;文献[12]根据负荷特性考虑温度影响,通过对当日平均温度和该时刻下一日预测温度引入隶属度概念进行模糊化处理,从而减小室外温度变化对负荷预测精度的影响;文献[13]提出了一种基于深度长短期记忆神经网络的短期负荷预测方法,该方法克服了传统LSTM神经网络难以处理大量负荷数据的缺点,同时充分考虑了电力负荷的非线性特性并深度挖掘了负荷在时间序列方面的信息,确保模型在经历长时间离线训练的过程中不会陷入局部最优困扰;文献[14]提出了一种基于灰色投影改进随机森林算法的电力系统短期负荷预测方法,该方法主体部分采用随机森林算法构造电力负荷预测模型,同时引入灰色投影原理改进灰色关联相似日选取算法,从而提高预测精度。
上述用于电力负荷预测的深度神经网络模型缺乏对原始信号的降噪处理,未能对时序负荷周期性进行分析,且缺乏对实际场景中气候温度、相对湿度等重要影响因素的考量。此外,上述提到的专家系统负荷预测方法缺乏自主学习能力,无法适应突发事件和不断变化的环境条件。
针对上述负荷预测方法存在的不足,本文结合小波变换方法和LSTM算法各自优点,提出了考虑负荷周期性、下一日温度和相对湿度的电力负荷预测方法。
首先利用小波变换捕捉和分析微小信号以及信号的细节部分,且对异常信号非常灵敏,能够较好地处理突变信号,在保证原始信号特点的同时实现降噪处理,然后考虑负荷的周期性、下一日温度和相对湿度,将分量信号送入LSTM网络进行预测,充分发挥小波变换和LSTM算法的各自优点,且充分考虑实际场景中存在的影响因素,从而提升日前电负荷预测精度。利用实际建筑电力负荷数据进行实验,结果表明本文所提预测方法比传统的预测方法精度高,同时成功将先进算法应用至开发云平台上,体现了算法策略与平台架构的有效结合。
作为预测系统的数据源和载体,本文提出的基于阿里云平台数据管理系统包括从数据采集、数据治理到数据存储、数据应用再到结果展示的一整套工艺流程。该数据管理系统架构图如图1所示。该系统可分为三层,自下而上分别为:感知层、应用层和展现层。
图1 数据管理系统架构图Fig.1 Architecture diagram of data management system
感知层是数据管理系统的基础,是指用来感知各种事物的、可扩展的网络[15-17]。该层主要依靠各种传感器来采集数据,然后通过无线传输的方式将数据上传至云平台。本系统选用LoRa自组网无线通信方案。
作为负荷预测系统的核心,应用层也具备服务端订阅、数据治理、数据存储、能耗监测等一系列功能。为满足预测所需数据源间隔标准需求,利用插值法对实时上传数据自动查缺补漏,为负荷预测系统提供数据保障,最终于本地服务器完成运行且传输至展现层。
展现层是整个数据管理系统与客户的交互界面,包括能耗信息监测、室外气象监测和预测信息展示,界面效果如图2所示。
图2 智慧云平台用户界面Fig.2 User interface of smart cloud platform
2.1.1 小波分析
小波分析算法是一种时域-频域的分析方法,小波变换的基本思想来源于傅里叶变换[18-19]。其在保留了傅里叶变换优点的基础上,又具有很多独特的优点[20]。例如,小波变换克服了短时傅里叶变换采样步长不变的缺点,可以根据信号源频率的大小来自主调节采样频率,故其非常适合捕捉和分析微小信号以及信号的细节部分,对异常信号非常灵敏,能够较好地处理突变信号、提高预测精度。设ψ(x)是一个平方可积函数,则有:
1)连续小波函数结果的定义式为
式中:a为比例因子;b为移位因子;f(t)为指原时域的信号;t为时间。
2)小波函数的容许性条件为
式中:ψ(ω)为小波母函数ψ(x)的傅里叶变换。
在满足小波函数容许性条件时,称ψ(x)为一个基本小波或者小波母函数。
2.1.2 LSTM算法理论基础
长短期记忆神经网络(LSTM)是一种特殊的递归神经网络(recurrent neural network,RNNs),它包括三个门,分别为输入门、输出门和遗忘门[21-23]。LSTM网络的模型结构示意图如图3所示。
图3 LSTM网络模型结构示意图Fig.3 Structure diagram of LSTM network model
根据LSTM网络的模型结构示意图,遗忘门的运算过程是首先取前一神经元的输出结果ht-1和本神经元的输入xt进行计算,然后输出一个范围为[0,1]的系数ft,运算公式为
式中:ft为遗忘门限;σ()为激活函数;Wf为遗忘门权重矩阵;ht-1为前一神经元的输出;xt为本神经元的输入;bf为遗忘门偏差参数。
如果输出系数为0,则表示本神经元完全遗忘上一细胞状态;如果输出系数为1,则表示本神经元对上一细胞状态完全记忆。该系数乘以上一细胞状态ct-1,即为输出结果。遗忘门保证了LSTM网络的长期记忆性。
输入门的运算过程类似于遗忘门,输出一个范围为[0,1]的系数it,运算公式为
式中:it为输入门限;Wi为输入门权重矩阵;ht-1为前一神经元的输出;bi为输入门偏差参数。
然后根据下式即可得到当前t时刻细胞状态ct:
式中:ct-1为t-1时刻的细胞状态;it为输入门限;⊗表示标量乘法。
最后,根据下式得到输出门得到ot:
然后与经过一层tanh运算得出的ct相乘,得最终输出ht如下:
2.1.3 注意力机制
注意力机制源于对人类视觉的研究,能够突出重点而忽略其他不重要的因素。利用注意力机制进行数据处理,可以快速筛选出高价值的信息,从而大幅度提高数据处理的效率和准确性[24]。注意力机制的核心内容就是为所有元素计算权重参数,其运算过程如图4所示。其中,Ki(i∈[1,…,n])表示输入信息中键值对的注意力分布,Q为给定目标中的某个元素,通过计算Ki和Q的相似性得到ai,并进行归一化处理得到权重参数bi,bi与输入信息中的控制向量valuei分别对应相乘再相加,即得注意力值。
图4 注意力机制计算原理Fig.4 The theory of attention mechanism
2.2.1 特性分析
无论是居民社区用电还是商业、办公用电,其电功率作为预测模型的输入信号,具有很强的周期性。其与用户行为活动的周期性相关,例如商业建筑在工作日的用能相对较高,而休息日相对较低。负荷波动除受人为行为因素影响外,气候环境对建筑用能同样具有较强影响,当室外温度、相对湿度过大并且偏离人体舒适度时,建筑用电量明显上升,表现为与偏离人体舒适度程度关联性较强。负荷变化与温度、相对湿度之间不是单一的线性关系,具有强耦合、非线性的特点,因此单一的特性分析无法满足负荷预测所需精度要求,需借助LSTM网络完成以上特征向量对历史负荷趋势的反馈记忆与模型建立工作。
2.2.2 WT-LSTM模型结构设计与分析
为解决商业建筑负荷日前预测过程中精度问题,本文提出了一种基于WT-LSTM的预测模型。首先通过db2小波变换对原始负荷粗糙数据分解为低频信号a与其他两个高频信号d1和d2。其中低频信号a能够反映用能负荷的大致趋势,高频信号d1和d2则能具体表征负荷趋势的突变情况。借助db2小波变换可协助LSTM网络完成对不同信号之间的差异性辨识,从而有效解决单一LSTM网络挖掘信息特性不充足的情况。
基于上述影响因素分析与负荷小波变换结果,分别建立3个WT-LSTM日前预测模型,如表1所示,其中,a模型输入分别为下一日天气预报的温度与湿度值、当天实际负荷经小波变换后的低频分量a,输出为下一日负荷低频分量a;d1与d2模型的输入与输出同理分别对应各自高频分量。因LSTM网络对输入形式要求(批次、时间步长、变量维度),考虑其数据大小确定输入形式为(30,24,3)或(30,24,1),输出形式为(30,24,1)。其中模型a共有3个LSTM层和1个Dense层,各层的神经元个数依次为60,40,30和30,采用了Adam优化器并使用均方误差作为优化指标,最后通过设置摒弃率来避免数据过拟合,确定的LSTM隐含层最优参数如表2所示。
表1 模型输入输出表Tab.1 The input and output of the LSTM model
表2 LSTM隐含层最优模型参数Tab.2 Optimal parameters used for the LSTM
WT-LSTM网络整体模型框架如图5所示,原始电负荷作为整个系统的输入首先需对输入信号进行小波分解,然后将分解后的信号分量输入到LSTM网络分别预测得到结果,而后通过注意力机制模型提升数据处理效率,最后对分量预测结果进行重组。
图5 WT-LSTM网络模型结构图Fig.5 Structure diagram of WT-LSTM
具体工作过程如下:根据带噪声的原始信号数据特征选择恰当的小波函数;利用多种小波函数对原始信号进行分解,输出负荷低频分量a与高频分量d1,d2;对小波分解输出的信号分量进行归一化处理得到当日电负荷趋势;将归一化之后的当日电功率信号输入LSTM网络,同时考虑下一日天气温度和相对湿度预报信息,经过LSTM网络的输入层、隐藏层和输出层的运算,得到三个信号分量的预测值;对三个信号分量预测值相加得到重组预测结果。最终通过注意力机制来完成对预测模型的参数的高度筛选。
为了评价传统预测方法以及本文所提方法预测建筑日前电力负荷的准确性,引入均方根误差RMSE如下:
式中:Lt为电力负荷的实际测量值;Pt为电力负荷的预测值;N为每日测量次数。
在利用LSTM神经网络进行电力负荷预测之前,为了提高预测的精度和速度,引入归一化处理函数:
式中:Yn为经过小波变换处理过的信号;Ymax,Ymin分别为该输入信号的最大值和最小值。
原始信号与经小波变换分解之后的结果如图6所示。从图中容易看出,原始电负荷呈现明显的周期性,每周工作日(周一至周五)电功率峰值和平均值都大于休息日(周六至周日)。此外,利用小波分解变换将原始电负荷信号按照三个不同的采样频率进行分解得到低频分量a、高频分量d1和d2。对比分量信号和原始信号可知,小波变换在保持了原始信号特征的同时,可以有效滤除噪声干扰,有利于提高预测精度。
图6 小波分解变换结果Fig.6 Results of wavelet decomposition transformation
图7为分量预测结果和预测绝对误差情况。一方面,对三种分量的预测在趋势上能够很好地跟踪真实曲线的变化;另一方面,随着小波变换分量的精细化程度不断提高,预测误差不断减小。对于a分量,最大误差达到322 kW,d1分量最大误差为142 kW,而d2分量的最大误差仅为105 kW。
图7 分量预测结果及预测误差Fig.7 The component prediction results and prediction errors
图8是实际负荷、单一LSTM预测、WT-LSTM预测三者之间的对比情况。可以看出,WTLSTM预测曲线比单一LSTM预测曲线更能反映实际负荷的细节变化,例如在14 h左右,实际负荷有先下降后上升的趋势,WT-LSTM预测算法很好地将该趋势反映出来,而单一LSTM预测则无法反映该细节变化。此外,WT-LSTM预测比单一LSTM预测精度更高,根据上述提到的均方根误差(RMSE)计算式(8),第1日的单一LSTM神经网络预测RSME值为481.71,本文所提预测方法RSME值为185.56,预测准确度提高了61.48%;第2日的单一LSTM神经网络预测RMSE值为205.23,本文所提预测方法RMSE值为179.56,预测准确度提高了12.51%。
图8 基于LSTM的小波重组负荷预测结果Fig.8 The prediction results of LSTM based wavelet recombination load
针对传统电力负荷预测方法单一、考虑影响因素不全面、预测精度低以及底层数据资源传输和治理方面的问题,本文首先搭建了基于智慧云平台的数据管理系统,在确保数据资源稳定、可靠的基础上展开电力负荷预测。在电力负荷预测方面,本文结合了小波变换和LSTM神经网络算法的优点,同时考虑了负荷固有周期性、下一日温度、相对湿度预报信息,有效减少了系统误差、噪声以及环境因素的影响,达到了理想的预测精度。最后,本文做了客户端界面开发,能够将实时的能耗信息和预测信息展示出来供客户利用。