引言

隨著電力信息化平臺(tái)概念逐漸成為現(xiàn)實(shí),多維電能信息的采集已經(jīng)具備充足的應(yīng)用條件。但由于對(duì)電力信息的處理能力有待進(jìn)一步提高,目前已經(jīng)存在海量電力數(shù)據(jù)急待分析、處理。用電量,即負(fù)荷情況包含了用電量增長(zhǎng)、行業(yè)周期輪換等因素,同時(shí)與氣候等條件息息相關(guān),在電能儲(chǔ)存技術(shù)實(shí)用性有限的背景下,實(shí)時(shí)負(fù)荷情況屬于多重條件下的電力使用情況綜合表現(xiàn)。同時(shí),在電力行業(yè)改革的背景下,實(shí)時(shí)交易平衡對(duì)負(fù)荷預(yù)測(cè)精度提出了越來越高的要求,負(fù)荷預(yù)測(cè)已經(jīng)成為電力行業(yè)內(nèi)典型的電力信息大數(shù)據(jù)處理的案例。

不同時(shí)間的負(fù)荷數(shù)據(jù)信息中包含了包括電網(wǎng)系統(tǒng)升級(jí)、社會(huì)行業(yè)發(fā)展以及氣候變化的多維信息,綜合利用歷史數(shù)據(jù),挖掘隱藏信息并充分利用這種知識(shí)有利于提高預(yù)測(cè)的準(zhǔn)確度?；谪?fù)荷數(shù)據(jù)的非線性與時(shí)序性等特性,時(shí)間序列分析與機(jī)器學(xué)習(xí)分析兩類方法被廣泛應(yīng)用于負(fù)荷預(yù)測(cè)。前者主要關(guān)注歷史數(shù)據(jù)的連續(xù)性,對(duì)非線性數(shù)據(jù)難以處理:后者可以有效處理非線性數(shù)據(jù),但往往不能兼顧數(shù)據(jù)間的非線性。

長(zhǎng)短期記憶網(wǎng)絡(luò)（Longshort-TermMemory,LsTM）通過使用內(nèi)部結(jié)構(gòu)門實(shí)現(xiàn)同時(shí)接收不同時(shí)間點(diǎn)的信息,利用遺忘門控制數(shù)據(jù)對(duì)預(yù)測(cè)結(jié)果的有效性,從而保證了輸入信息的有效性與全面性。該算法可以記憶變化時(shí)間長(zhǎng)度信息的特性,保證了其可以兼顧歷史數(shù)據(jù)中存在的非線性與時(shí)序性情況,從而提高預(yù)測(cè)精度?；诿绹?guó)PJM電力市場(chǎng)的實(shí)際數(shù)據(jù),應(yīng)用LsTM算法進(jìn)行負(fù)荷預(yù)測(cè),預(yù)測(cè)準(zhǔn)確率可以達(dá)到5%以內(nèi),效果較為明顯,具備一定的實(shí)用性。

lLSTM的原理與應(yīng)用

為解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法,包括反向神經(jīng)網(wǎng)絡(luò)（BackPropagationNeuralNetwork,BPNN）與卷積神經(jīng)網(wǎng)絡(luò)（Convo-lutionalNeuralNetwork,CNN）等難以同時(shí)處理不同時(shí)間點(diǎn)數(shù)據(jù)間的相關(guān)性的問題,循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork,RNN）被用于開展基于當(dāng)前時(shí)刻輸入、前一時(shí)刻輸出結(jié)果等信息同樣被用于預(yù)測(cè)當(dāng)前時(shí)刻的輸出。LsTM算法基于RNN結(jié)構(gòu)的思想提出,通過篩選對(duì)當(dāng)前輸出有意義的信息開展學(xué)習(xí)與訓(xùn)練,兼顧了數(shù)據(jù)間關(guān)聯(lián),其網(wǎng)絡(luò)結(jié)構(gòu)相比RNN更為復(fù)雜,訓(xùn)練效果在數(shù)據(jù)質(zhì)量達(dá)標(biāo)的情況下更好[1]。

LsTM算法主要由遺忘門、輸入門以及輸出門構(gòu)成。對(duì)任意預(yù)測(cè)時(shí)刻,輸入信息包括有本時(shí)刻的輸入信息、上一時(shí)刻LsTM輸出信息以及上一時(shí)刻的單元狀態(tài):輸出信息包括當(dāng)前的LsTM輸出信息與當(dāng)前時(shí)刻的單元狀態(tài)?；趩卧獱顟B(tài),

遺忘門實(shí)現(xiàn)了保留對(duì)1時(shí)刻輸出有意義的前一時(shí)刻數(shù)據(jù),并刪除、弱化對(duì)預(yù)測(cè)沒有作用或作用有限的當(dāng)前時(shí)刻輸入信息。其作用函數(shù)/t為:

/t=r（wf[h1-1,x1]＋bf）

式中,r為sigmoid函數(shù):wf為遺忘門權(quán)重矩陣:h1-1為上一時(shí)刻LsTM輸出信息:x1為當(dāng)前時(shí)刻的輸入數(shù)據(jù):bf為偏置項(xiàng)。

輸入門基于激活函數(shù)與遺忘門的輸出得到更新的單元狀態(tài),新單元狀態(tài)與遺忘門輸出共同作用得到完整的篩選后的有效預(yù)測(cè)數(shù)據(jù)。在信息分配權(quán)重矩陣作用下,根據(jù)前述單元狀態(tài)與篩選后數(shù)據(jù)得到最終輸出,保證了整個(gè)數(shù)據(jù)庫的信息最大化利用。

2數(shù)據(jù)驗(yàn)證與分析

本文以美國(guó)PJM電力市場(chǎng)的3個(gè)月時(shí)長(zhǎng)的小時(shí)負(fù)荷情況作為分析對(duì)象,采用LsTM算法挖掘前后每一小時(shí)內(nèi)存在負(fù)荷變化的規(guī)律,通過遺忘門合理地使用當(dāng)前輸入信息與已有經(jīng)驗(yàn)開展負(fù)荷預(yù)測(cè)。作為對(duì)比,本文同時(shí)使用負(fù)荷預(yù)測(cè)中較為常用的時(shí)間序列分析方法ARIMA算法,該算法通過對(duì)歷史經(jīng)驗(yàn)數(shù)據(jù)的截尾與拖尾情況進(jìn)行分析,以盡可能地考慮數(shù)據(jù)關(guān)聯(lián)的情況,并基于自相關(guān)函數(shù)參數(shù)得到預(yù)測(cè)值。兩種分析方法的預(yù)測(cè)結(jié)果與實(shí)際情況的對(duì)比如圖1所示,具體誤差數(shù)值對(duì)比如表1所示。

對(duì)圖1與表1的數(shù)據(jù)進(jìn)行分析可以發(fā)現(xiàn),LsTM算法所預(yù)測(cè)結(jié)果與真實(shí)情況的對(duì)比相對(duì)ARIMA算法而言波動(dòng)性更強(qiáng),后者的預(yù)測(cè)誤差維持在較高且穩(wěn)定的誤差范圍內(nèi)。ARIMA算法因?yàn)闊o法有效跟蹤實(shí)際負(fù)荷在00:00后穩(wěn)定進(jìn)而在02:00后逐漸增長(zhǎng)的趨勢(shì),在這一時(shí)間段內(nèi)出現(xiàn)較大的誤差。LsTM算法在23:00附近接近實(shí)際用電負(fù)荷情況后,其曲線變化緊跟實(shí)際情況進(jìn)入最小值,并及時(shí)開始提高電力負(fù)荷的預(yù)測(cè)值。這既說明了LsTM算法對(duì)實(shí)時(shí)輸入的敏感性,同時(shí)也證明了其對(duì)非線性數(shù)據(jù)的處理能力。

根據(jù)圖1可以發(fā)現(xiàn),在時(shí)間段20:00一23:00、03:00一06:00期間,LsTM算法的預(yù)測(cè)結(jié)果誤差較高。該時(shí)間段分別為夜間用電高峰期和凌晨用電低谷期,居民生活與社會(huì)生產(chǎn)狀態(tài)的調(diào)整可能是導(dǎo)致這一情況的重要影響因素。ARIMA算法的預(yù)測(cè)數(shù)據(jù)實(shí)際上同樣呈現(xiàn)出了類似的傾向。

基于上述分析情況,本文認(rèn)為,在趨勢(shì)出現(xiàn)變化的時(shí)刻,如圖1中約01:00的位置設(shè)置預(yù)警信號(hào),于訓(xùn)練過程中著重挖掘?qū)?yīng)信號(hào)時(shí)刻的變化信息,并應(yīng)用于當(dāng)前訓(xùn)練網(wǎng)絡(luò),將能一定程度上提高對(duì)數(shù)據(jù)變化的敏感性,從而進(jìn)一步提高最終預(yù)測(cè)準(zhǔn)確度。

3結(jié)語

為兼顧電力信息化數(shù)據(jù)中的時(shí)序信息與非線性情況,開展電力大數(shù)據(jù)處理,本文使用LsTM算法開展以美國(guó)PJM電力市場(chǎng)為基礎(chǔ)的電力負(fù)荷預(yù)測(cè)。憑借LsTM算法的遺忘門對(duì)以往信息和當(dāng)時(shí)信息的篩選,該算法的平均預(yù)測(cè)誤差約達(dá)4.98%,準(zhǔn)確程度較高,表現(xiàn)出了對(duì)電力多維、海量數(shù)據(jù)較強(qiáng)的處理能力,尤其是可以處理存在時(shí)序特性的歷史數(shù)據(jù),具有一定的實(shí)用意義。