基于深度学习LSTM网络的短期电力负荷预测方法研究

基于深度学习 LSTM网络的短期电力负荷预测方法研究

陈宇 1 刘芯溧 2

1 内蒙古电力（集团）有限责任公司 内蒙古自治区 呼和浩特 010040 2 内蒙古电力营销服务公司 内蒙古自治区 呼和浩特 010040。

摘要：随着我国电力系统的建立，以及电力系统在最近几年里的发展，负荷预测的作用将会越来越突出。电力系统的调度运行还有生产在很大程度上会受到电力系统负荷预测结果的影响，负荷预测结果的准确性越高，电力系统运行的安全性与稳定性越好。不过，在短期电力负荷预测的过程中，传统模型已经没有办法既考虑到负荷数据时效性，又考虑到负荷数据非线性这两个主要的特点。因此，本文对基于深度学习的LSTM长短记忆神经网络的电力负荷预测方法进行了研究，并使用该方法对电力负荷值进行了计算，基本上可以确定LSTM网络在预测电力负荷时误差是最小的，所达到的预测效果也是最好的。

关键词：长短期记忆网络；短期电力负荷预测；方法研究

前言：在整个电力系统规划中，电力系统负荷预测是其中非常重要的一个组成部分，同时也是确保电力系统经济能够正常运行的一个基础，电力系统负荷预测主要是从目前用电需求的角度来对未来的用电需求进行预测。从电力系统负荷预测的结果上基本能够看出负荷的发展状况还有水平，电力生产及管理部门在制定生产计划与发展规划时也应该把电力系统负荷预测的结果当作依据。

1.电力负荷预测方法

按照预测的时间范围来对电力负荷预测的方法进行划分，通常可以分成四类，即长期预测、中期预测、短期预测以及超短期预测。其中长期与中期负荷预测在时间上主要是以年为单位的，长期负荷预测的时间在十年以上，中期负荷预测的时间在五年上下，这两种预测方法主要应用在电力系统进行规划与建设的过程中，包括电网的年度检修计划与运行方式等。而短期负荷预测的时间一般在一年以内，小时、天、周和月是其主要应用的预测单位，主要用来对电力部门的日常运行情况进行调节与指导。

短期电力负荷预测的传统模型主要有两种，其中一种是传统的时间序列模型，它的代表模型是自回归积分滑动平均模型，主要是把电力负荷在时间的推移下而形成的数据序列当作是一个随机序列，并用这个序列分析电力负荷变化的规律还有特性，从而预测未来电力负荷的情况。ARIMA模型的优点是对数据的时序性考虑的比较全面，缺点是基本上不能用于预测非线性关系数据。另外一种是机器学习模型，这种算法在对电力负荷情况进行预测时，对时序数据时间相关性的考虑比较欠缺，必须要依靠人为的方式添加时间特征才能确保预测的结果，在应用过程中就显得不是很占优势。为了能够把这两种传统模型没有办法既考虑到时序性关系，又考虑到非线性关系的问题解决掉，本文重点分析了一种基于深度学习LSTM网络的短期电力负荷预测方法，这种神经网络在进行短期电力负荷预测时，能够比较好的兼顾数据的时效性以及非线性关系。

2.基于LSTM神经网络的模型建立

LSTM是英文Long Short Term Memory的简称，翻译成中文是长短期记忆网络的意思，于1997年由Sepp Hochreiter教授联合Jürgen Schmidhuber教授共同提出，并加以完善和普及。LSTM神经网络是在循环神经网络的基础上改进过来的一种算法，有着非常强的记忆力和非线性学习能力，能够把电力负荷预测问题非常好地处理好。

2.1循环神经网络RNN原理

循环神经网络的简称就是RNN，它主要是在当前输出的计算当中应用上一时刻的隐藏层状态信息，如图1所示就是一个典型的循环神经网络单元。

图1 循环神经网络RNN单元

循环神经网络的主要原理是：X_t代表t时刻的输入，S_t代表t时刻隐藏层的状态，O_t代表t时刻的输出。与传统神经网络相比，循环神经网络存在明显的差异，即隐藏层的输入主要有两个来源，其中一个是当前的输入X_t，另外一个是上一个状态隐藏层的输出S_t-1，而W，U，V分别代表着不同的参数。可以运用公式对上述的结构进行表示：

循环神经网络存在的主要问题是，随着时间间隔越来越大，循环神经网络不会对过去时间比较久的信息进行学习，其学习能力会呈梯度消失。电力负荷预测需要学习周期比较长的负荷数据，并且在预测之前需要把其中的映射关系找到，而应用循环神经网络对电力负荷情况进行预测没有办法达到这样的效果。

2.2长短期记忆网络LSTM原理

为了有效解决好循环神经网络比较容易产生的梯度消失问题，长短期记忆网络出现了，长短期记忆网络是以循环神经网络为基础，并对循环神经网络进行改进的一种新算法，LSTM学习长期依赖的能力比较强，比较适合对长周期的电力负荷数据进行学习，其在进行预测时主要应用的是其中隐含的映射关系。LSTM的细胞单元结构如图2所示：

图2 长短期记忆网络LSTM单元

长短期记忆网络LSTM细胞单元主要有三个门，分别是输入门、遗忘门以及输出门。其中输入门的主要作用是对信息的输入进行控制，遗忘门的主要作用是对细胞历史状态信息的保留情况进行控制，而输出门的主要作用是对信息的输出进行控制。如果想要把遗忘门的输出值控制在[0,1]之间，那么就需要对函数σ进行激活；当遗忘门输出的值是0的时候，就说明系统已经把上一状态的信息整体丢弃了；当遗忘门输出的值是1的时候，就说明系统已经把上一状态的信息整体保存了。LSTM神经网络在进行学习还有预测时主要就是依靠这个三门结构，把神经元的输出、输入还有历史依赖都控制住，然后共同作用在电力负荷数据上。

具体的过程可以用上述的公式进行表示，其中X_t表示输入，h_t表示输出，i_t表示输入门的输出，f_t表示遗忘门的输出，O_t表示输出门的输出，C_t表示细胞单元在当前时刻t的状态，剩余W和b分别表示参数矩阵。

3.实验和证明

如图3和图4所示分别是LSTM和RNN模型在短期（1个月）电力负荷预测过程中的数据，其中绿色的线代表的是前三周预测部分电力负荷预测的训练数据；蓝色的线代表的是还没有预测的一周时间内的真实数据，主要是用来和模型预测结果形成对比的；红色的线代表的是LSTM和RNN两种模型自动生成的预测曲线。而如图5所示是预测部分的原始数据、LSTM预测结果以及RNN预测结果图。

图3 LSTM模型预测结果

图4 RNN模型预测结果

图5 两种模型预测结果对比图

结语：综上所述，因为时序数据有着时效性与非线性两个主要特点，而以往传统的时序模型与机器学习模型没有办法把数据的这两个特点同时兼顾到，经常导致预测的结果存在偏差，效果也不是特别理想。基于深度学习LSTM网络的短期电力预测方法有着长时间依赖的学习能力，在对长周期电力负荷数据进行预测时效果更好，数据也更准确一些。

参考文献：

[1]陈卓,孙龙祥.基于深度学习LSTM网络的短期电力负荷预测方法[J].电子技术,2018,47(1):39-41.

[2]王永志,刘博,李钰等.一种基于LSTM神经网络的电力负荷预测方法[J].实验室研究与探索,2020,39(5):41-45.