基于CNN-LSTM的短期电力负荷预测研究

打开文本图片集

摘  要：针对短期电力负荷预测中电力负荷影响因素提取不准确以及长期依赖信息丢失的问题，提出一种结合一维卷积神经网络CNN与长短期记忆网络LSTM的短期电力负荷预测模型，将卷积神经网络的速度和轻量与长短期记忆网络的顺序敏感性的优势结合起来，考虑历史电力负荷、时间日期、温度对电力负荷的影响，实例结果表明，与其他模型相比，预测误差更小，较好地提高了预测性能。

关键词：短期电力负荷预测;卷积神经网络;长短期记忆网络

中图分类号：TM715        文献标志码：A         文章编号：2095-2945（2020）01-0084-02

Abstract： In order to solve the problems of inaccurate extraction of power load influencing factors and long-term dependence on information loss in short-term power load prediction， a short-term power load prediction model combining a convolutional neural network （CNN） and a long-term and short-term memory network （LSTM） is proposed. Speed and light weight are combined with the order sensitivity of long-term and short-term memory networks， considering the effects of historical power load， time and date， and temperature on the power load. The results of the examples show that compared with other models， the prediction error is smaller and the prediction performance is better.

Keywords： short-term load forecasting; convolutional neural network （CNN）; long-term and short-term memory network （LSTM）

1 概述

隨着电力工业的迅速发展以及智能电网技术的普及，电力负荷预测在发电和配电等能源规划中发挥着重要作用，为电力市场化改革以及能源互联网进一步推进提供重要的技术支撑，短期负荷预测技术是电力系统高效运行和分析的基础，负荷预测使公用事业提供商能够对电力负荷进行建模和预测，以保持生产和需求之间的平衡，降低生产成本，估算实际能源价格以及管理调度未来的容量规划。负荷预测方法可以大致分为统计方法，人工智能方法以及组合方法，统计方法包括时间序列法、回归分析法、相关分析法、相似日法，人工智能方法包括模糊预测法、专家系统法、灰色模型法、小波变换法、支持向量机法、人工神经网络法，组合方法则是基于上述两种方法进行组合。智能电网环境中的非线性和动态不确定性是预测精度的主要障碍。电力负荷影响因素较多，诸如历史负荷数据，气象数据、日期信息以及峰谷电价等因素，近几年来，深度学习作为机器学习领域的一种新兴方法，是处理大数据的利器，具有强大的自动特征提取能力和处理高维、非线性数据等方面的优势，在短期电力负荷领域受到广泛关注[1-4]。

2 电力负荷预测

本文提出的CNN-LSTM组合模型，充分利用一维卷积神经网络与长短期记忆网络在序列预测方面的优势，本文借鉴自然语言处理过程中的词嵌入表示方法，将某一时刻的负荷值与其相关的特征串联成向量表示，进而形成一个全新的时间序列数据，每一时刻的历史负荷均由与其相关的特征共同表示，然后利用一维卷积的平移不变性，使用滑动窗口方式依次将输入的时间序列数据生成特征图，然后利用LSTM网络进行训练，最后预测电力负荷，与其他模型进行对比。

LSTM是RNN（循环神经网络）的一种改进模型，LSTM网络单元结构如图1所示，原始的RNN在训练过程中，随着时间的加长以及网络层数的增多，很容易出现梯度爆炸或梯度消失的问题，从而无法获取较早时间长距离数据的信息。LSTM单元能够学习长期依赖，允许过去的信息稍后重新进入，从而解决梯度消失问题。在LSTM中，每个神经元是一个记忆细胞，细胞中有三个门：输入门，遗忘门，输出门，输入门it控制有多少信息可以流入记忆细胞;遗忘门ft控制有多少上一时刻的记忆细胞中的信息可以累积到当前时刻的记忆细胞中，输出门ot控制有多少当前时刻的记忆细胞中的信息可以流入当前隐藏状态ht中。

3 实验结果分析

本文建立了基于一维卷积神经网络与长短期记忆网络的组合预测模型，电力数据来自ISO新英格兰，ISO新英格兰是联邦能源监管委员会（FERC）授权的独立非营利性公司，包含2004年3月到2014年12月以小时为单位测量的电网总负荷，一共103000项数据，以2004年3月至2013年12月数据作为训练数据集，以2014年1月到2014年12月数据作为测试数据集。

本文提出的CNN-LSTM网络组合模型如图2所示，主要由两部分组成：一维CNN与LSTM，一维卷积神经网络分别处理每个输入序列段，一维卷积神经网络的架构与二维卷积神经网络相同，它是Conv1D层和MaxPooling1D层的堆叠，最后是一个全局池化层或Flatten层。在LSTM网络部分，通过循环层堆叠，增加网络容量，进一步提升模型预测能力，增加每层单元数或增加层数，本次实验设置3层LSTM网络层，各层神经元数量依次为32，64，128，在每层LSTM网络层间加入随机失活Dropout，在每次训练迭代过程中，会随机地在神经网络中放弃25%的神经元，以避免过度拟合。

实验程序使用Python编写，基于深度学习链接库Keras，底层依赖Tensorflow框架，训练过程中将均方误差MSE作为损失函数，使用RMSprop优化算法更新权重与偏置。

本文首先进行模型训练调优，最后使用训练好的模型进行某一天电力负荷预测，与CNN、LSTM网络进行对比，实验结果使用平均绝对百分比误差MAPE作为评估指标：

式中：M为预测的负荷值个数;ti为真实负荷值，i为模型预测的负荷值，该MAPE指标描述了模型对负荷预测的相对偏离程度，其值越小，表明模型预测精度越高，不同算法模型平均绝对百分比误差如表1所示，算法模型预测值与实际值折线图如图3所示。

由图3可以看出，本文所提模型CNN-LSTM预测得到的负荷预测曲线精度最高，与实际曲线变化趋势基本一致。

4 结论

本文考虑历史负荷数据、时间信息、温度对短期电力负荷预测的影响，提出了一种基于一维卷积神经网络与长短期记忆网络结合的短期电力负荷预测模型，对电力负荷数据进行异常值修正与缺失值填补，对所有的负荷、温度数据进行归一化处理，对样本数据进行重构。其中，为了更精确地反映季节因素与电力负荷之间的关系，将温度调整为与年平均气温的绝对误差之后再进行归一化处理。所提模型将卷积神经网络的速度和轻量与长短期记忆网络的顺序敏感性结合起来，实验结果表明，CNN-LSTM模型与其他单一模型在负荷预测的精度上有很大提高。

参考文献：

[1]周莽，高僮，李晨光，等.GRU神经网络短期电力负荷预测研究[J].科技创新与应用，2018，253（33）：58-59+63.

[2]张建寰，吉莹，陈立东.深度学习在电力负荷预测中的应用[J].自动化仪表，2019，40（8）：8-12+17.

[3]王增平，赵兵，纪维佳，等.基于GRU-NN模型的短期负荷预测方法[J].电力系统自动化，2019，43（5）：53-62.

[4]宋占党，李湘华，王海宾，等.大数据环境下的电力负荷预测研究[J].电子测量技术，2019，42（12）：51-54.

推荐访问:负荷 预测 电力 研究 CNN