基于改进深度神经网络的短期电力负荷预测

张 扬

（国网江西省电力有限公司南昌供电公司，南昌 330069）

电力负荷的供应稳定是维持社会正常运转的基本条件，而电力负荷预测是电力系统规划的重要组成部分[1]。在电力企业中，保持与用电客户的供需平衡十分重要，所以有必要做好供电决策和规划。在大电量生产情况下，电量存储比较难，电力供应过多，会造成不必要的能源浪费；而电力供应不足则会给客户和供应商造成经济损失。提高短期负荷预测技术水平，有利于提高电力系统的经济效益和社会效益，因此精准的短期电力负荷预测变得越来越重要[2]。

目前，国内外有很多关于短期电力预测的方法，传统电力负荷预测方法有时间序列法、趋势外推法与回归分析法等[3-4]。时间序列法是建立描述电力负荷随时间变化的数学模型，在该模型的基础上确立负荷预测的表达式，并对未来负荷进行预测[5]。趋势外推法是根据负荷的变化趋势对未来负荷情况作出预测[6]。回归分析预测法是根据历史数据的变化规律和影响负荷变化的因素，寻找自变量与因变量之间的关系及其回归方程式，确定模型参数，据此推断将来时刻的负荷值[7]。传统电力预测方法对负荷序列的平稳要求比较高，在某些情况下，预测精度会受影响。

近年来随着负荷数据的增加以及人工智能和智能电网的迅速发展，利用大数据进行负荷预测成为主流。通常机器学习法更适合大数据负荷预测，其中人工神经网络技术（Artificial Neural Network，ANN）是机器学习的重要分支[8]。神经网络技术是目前最先进的负荷预测方法，具有对样本数据容错率高、非线性映射能力强、自适应和自组织等优点[9]。神经网络技术可以从实例数据中学习，学习完成后，得到非线性依赖关系。循环神经网络（Recurrent Neural Network，RNN）是一种可以对序列数据进行处理的神经网络，但存在长期依赖的问题[10]。对此，长短时记忆网络（Long Short-term Memory，LSTM）引入自循环的思想来克服长时间的依赖关系，从而解决RNN 中出现的梯度消失/爆炸问题[11-12]。深度神经网络（Deep Neural Network，DNN）是具有多个隐层的神经网络[13]。在DNN 中至少有3 个以上的层次，这意味着有“更深”的学习过程。而数据集的输入输出与复杂模式之间存在着复杂的联系，可以通过多层结构来学习[14]。

本文提出一种基于LSTM 与前馈神经网络（Forward Feedback Neural Network，FFNN）相结合的短期电力预测模型。在该模型中，通过LSTM 对时间序列进行预测，而FFNN 则利用附加信息进行预测，从而最大限度地减少预测误差。实验结果表明，相比于原LSTM模型，LSTM-FFNN 模型可获得更精确的预测结果。

1 实验设计

本文目的是预测制造企业的用电量。根据历史用电量时间序列数据，利用本文提出的方法对未来某一时段的用电量进行预测。在这种情况下，需要预测第二天每30 min 的用电量（1 d 48 个时间步长）。对于训练数据，根据案例对数据进行了划分，即1 d 的时间范围和30 min 的时间分辨率。数据集被划分为每天包含每30 min 的用电量数据。N 表示样本数据的数量。而X 和Y 代表一组输入和输出。

本文结合两种神经网络进行电力负荷预测。利用这些分离的数据进行实验。该模型主要输入是用电量的历史时间序列数据。

整个架构模型如图1 所示。在进行电力负荷预测时，首先将LSTM 设置为利用历史数据进行时间序列预测。然后将来自LSTM 的输出与附加输入一起作为FFNN 的输入。额外的输入是使用一个热编码表示的日期、时间尺度和季节信息。

图1 电力负荷预测的LSTM-FFNN 结构

在本文中，我们提出了3 种额外的时间信息。该信息由一个热编码表示，具体如下。

（1）日信息。此信息表示从周一到周五每个电力消耗数据中的日信息。

（2）时间刻度信息。该信息表示从00：00-23：30 开始的每种电力消耗数据中的时间尺度信息。

（3）季度信息。在这一季的信息中，将其分为淡季（11 月和12 月）、中季（1—6 月、9 月和10 月）、旺季（7月和8 月）。

在进行用电量预测之前，需要确定一些超参数的设置。超参数包括LSTM 层数、FFNN 层数、各层神经元数等。

在LSTM 的训练过程中，使用BPTT 和FFNN 中的标准反向传播。在执行优化时，使用自适应矩估计优化器和均方根传播。在训练过程中，对权重和偏差进行更新，使损失函数最小化。

2 数据集及实验结果

2.1 数据集

数据来源于国家电网实际负荷数据，其中包含了一家制造企业的用电历史数据。在该数据集上实现本文提出的预测方法。该数据集包括1 年零4 个月的用电量数据，分辨率为30 min。此外每一天包含48 个用电量数据。数据集的详细信息记录见表1。

由表1 可知，本次实验将使用“全天”数据（23 376个）和“工作日”数据（15 360 个）。目标是通过每30 min用电量预测一天的用电量，并对不同数据量下的实验结果进行比较。

2.2 实验设置及结果

本文提出的模型是LSTM-FFNN。LSTM 进行时间序列预测，LSTM 的输出将与附加的日、时、季信息一起输入FFNN 模型。该模型的超参数是根据表1 的一些测试用例进行调整的。该测试用例决定执行预测过程以检查预测模型的性能。

通过与原LSTM 比较，对该模型的性能进行了训练和测试。其原理是基于原LSTM 的神经网络模型与神经网络模型FFNN 相结合，形成了LSTM-FFNN。为了评估性能，实验使用了均方根误差（RMSE）作为评估指标。RMSE 的定义如式（1）所示，即

式中：yj为地面真值；y′j为时间步长j 的预测值；n 为参与测试验证的图片的数量。

由图2 可知，该方法在实际数据中达到最大值。基于RMSE 评分与标准LSTM 在训练和测试过程中的比较，LSTM-FFNN 表现更好，具体见表1。模型和标准LSTM 每30 min 1 d 的预测性能如图2 所示。

图2 工作日用电量预测结果图

该实验使用的是“工作日”数据。这一结果也表明，附加信息的使用提高了预测的性能。使用“全天”数据的预测模型和标准LSTM 在每30 min 内1 d 的预测性能如图3 所示。

图3 全天用电量预测结果

由表1 可知，LSTM 和LSTM-FFNN 在使用不同数据量的情况下，基于测试过程的测试用例进行RMSE评分的比较。实验结果表明，LSTM-FFNN 算法比原LSTM 算法具有更好的性能。从LSTM-FFNN 的RMSE分数可以看出，其比原LSTM 的RMSE 分数要小。这说明额外的信息对实验的结果产生了作用，这使得LSTM-FFNN 比原LSTM 有更好的效果。

此外，根据表1 给出的RMSE 评分，使用“工作日”数据进行工作日预测的结果优于使用“全天”数据进行工作日预测的结果。

表1 测试过程RMSE 评分表

本文在与原始LSTM 基线进行了多次实验比较后，还将实验结果与移动平均线（MA）基线进行了比较。为满足制造企业的用电需求，将该模型作为该供电公司的预测方法。在这个实验中，尝试用5 d 移动平均线来预测第2 d 的电力需求，并尝试用每30 min 使用1 周的测试数据。

基于表2 的RMSE 评分，提出方法仍然达到了较好的预测效果。MA 根据前5 d 的用电量预测下一个值，与本文所提出的方法不同，本文不仅要学习用电量的规律，还要学习额外信息（天、时间尺度、季节）。如图4 所示，对LSTM、LSTM-FFNN 和MA 的预测结果进行了比较。

图4 LSTM、LSTM-FFNN 和MA 预测结比较果图

表2 1 周测试数据RMSE 评分比较

因此，对工作日的预测要将工作日和特殊时间（假期和周末）分开。原因是特殊日子用电量和工作日用电量数据存在一定的差异。将这2 种差异性的数据进行分离将有助于网络了解工作日的用电量模式。

3 结束语

为了提高短期电力负荷预测识别精度。本文提出了一种改进深度神经网络的短期电力负荷预测模型。相对于基线（原始LSTM 和MA），LSTM-FFNN 方法的预测结果更准确。根据实验结果的RMSE 评分，与“全天”数据相比，使用“工作日”数据可获得更好的效果。本文主要预测工作日的用电量。实验结果（基于RMSE评分）表明，将不同类型日（工作日和节假日）的用电量分开预测可获得更精确的结果。此外，在未来的工作，将尝试使用不同类型的数据集来执行模型。不同类型的客户（如家庭、公共设施等）需要不同的数据分析。对于同样的情况，将重点改进模型的性能，在未来可获得更好的实验结果。