黄宇腾，韩 翊，赖尚栋

（1.国网浙江省电力有限公司信息通信分公司，杭州 310007；2.浙江华云信息科技有限公司，杭州310007；3.国网浙江杭州市余杭区供电有限公司，杭州 311100）

0 引言

随着电力生产和消费日益市场化，对负荷预测的准确性、实时性、可靠性和智能性提出了更高的要求，因此，负荷预测已经成为现代化电力系统运行和管理中的一个重要研究领域[1]。同时，电力负荷预测对于电力系统的生产和电网安全运行有着重要意义，准确的负荷预测是市场环境下编排调度计划、供电计划、交易计划的重要基础。针对电力负荷预测的研究方法和思路众多，传统的负荷预测研究往往面临对象偏笼统，数据来源较单一，预测方法偏传统等问题[2]。文献[3]提出了基于地理区域网格化的负荷预测方法，文献[4]提出了一种基于小波聚类的配电变压器（以下简称配变）短期负荷预测方法，文献[5]提出了一种基于区域负荷的配电网超短期负荷预测方法，文献[6]提出了将神经网络和最优化算法相结合进行配电网超短期负荷预测的研究方法，文献[7]提出了一种使用双隐含层BP（反向传播）网络结构进行短期负荷预测的方法，文献[8]提出了一种基于人工智能算法改进极限学习机的电力负荷预测方法，文献[9]介绍了一种基于支持向量机算法在电力负荷预测中的应用，文献[10]介绍了一种基于粗糙集理论的神经网络预测算法在短期负荷预测中的应用。上述研究中，负荷的预测对象往往是整个区域，具体到对单个公用变压器（简称公变）进行负荷预测并投入实际应用的则相对较少；另外，预测方法中所使用的数据维度通常较少，数据来源偏单一，主要依赖历史负荷数据，部分研究结合气象数据、GIS（地理信息系统）位置数据[3]，但通常都未考虑到公变自身的属性、公变下辖低压用户的属性。影响负荷波动的因素众多，情况复杂，综合考虑多维影响因素，对提升负荷预测的精度具有显著的现实意义和效果。

大数据技术和机器学习的快速发展，为电力负荷预测的研究和应用提供了新的解决方法和思路。文中以丰富的电力生产数据作为建模输入，基于企业级大数据平台，通过MXNet深度学习框架,采用深层神经网络学习算法进行配电网公变短期负荷预测建模。模型的输入因子综合考虑了配变的自身属性、历史负荷数据、气象数据以及配变下辖用户的信息。结果表明，综合多因子的深度神经网络模型可有效提高负荷预测精度，在此基础上，将模型结果部署于阿里云大数据平台，实现将电力短期负荷预测结果应用于生产实践中。

1 深度神经网络原理

1.1 神经网络原理

BP人工神经网络是目前在负荷建模中应用最多的一种神经网络，它是一种单向传播的多层前向网络。其学习算法遵循“误差反向传播原理”，学习的本质是对各连接权重的动态调整，当一组学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应，进而按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修正各连接权值，最后回到输入层，这样完成一次权值修正。最终使误差函数减小到极小值，得到最优拟合结果。一般的3层BP网络结构如图1所示，包括输入层、隐含层、输出层，上下层之间实现全连接，而同层神经元之间无连接。它具有较强的学习和自适应能力以及良好的非线性映射能力，可以逼近任意复杂的非线性关系[11]。

图1 BP网络结构

假设BP神经网络的输入层、隐含层和输出层分别有m，p和n个节点，激活函数为Sigmoid函数， 采用 f（x）=1/（1+e-x）， 设学习样本集共有 M个样本（Xp， Yp），对第 p 个样本（p=1，2，…，M），节点i的输入总和记为netpi，则有式（1）成立：

其中：

若对于网络的初值权值做任意设置，那么输入样本p、网络输出Opi与期望输出dpi的误差E为：

BP神经网络的权值修正公式为：

其中：

式中：η是学习速度，可以加快网络的收敛速度。一般情况下权值修正公式中还需要加惯性参数α，从而有：

α决定了上一次的权值对本次权值的影响，其具体算法步骤参见文献[15]。

1.2 深度神经网络及MXNet框架

受制于计算能力等因素，人工神经网络只有单个或少数几个隐藏层，训练过程中会出现梯度稀疏（从顶层越往下，误差修正信号越小）、收敛到局部最小值等问题。深度神经网络是一种深层学习，相对于传统的BP网络，其学习过程中具有更多隐藏层数，相当于一个多层逻辑回归的结构，十分接近大脑处理信息的结构。深度神经网络模型通过对每层参数进行调优能够解决这些问题，提高模型的可靠性[12]。

深度神经网络算法对计算机的计算能力要求较高，较流行的深度学习框架包括Caffe，Torch，Theano，TensorFlow，MXNet等。 其中，MXNet是一款经量级、可移植、灵活的分布式深度学习框架，同时允许混合符号编程和命令式编程，从而最大限度提高效率和生产力。其核心是一个动态的依赖调度，能够自动并行符号和命令的操作，具有出色的开发速度、可编程性和可移植性，并对多种编程语言有友好的接口，是被广泛应用的深度学习框架之一[13]。

2 建模实例

下文以某省电力公司配电网公变短期负荷预测研究及应用为例，基于MXNet深度学习框架，通过深度神经网络算法，构建不同的网络形状和参数，对结果进行对比，最终得到最优的模型结果，实现对配电网公变短期负荷的精准预测。

2.1 构建特征工程

根据可能影响配变短期负荷的因素及已有的数据，从公变基础信息、历史负荷数据、气象因素以及配变下辖用户信息4个维度构建特征工程，作为模型的输入量。

（1）配电网公变基础信息。反映配变的基础信息情况，包括电压等级、使用年限、受电容量等信息。

（2）历史负荷数据。反映历史负荷信息，包括过去14天的负荷数据、上月同期数据、上一年同期负荷数据及预测日的自然日属性信息（如星期、月初、节假日等）。

（3）气象数据。气象因素直接关系到低压居民的用电强度情况，因此对于短期负荷预测有着至关重要的影响。其中，常见的影响因素有温度、风力、天气类型等。从电力气候学角度，选择最高温度、最低温度、湿度、风力、天气等信息作为模型的输入因素。

（4）下辖用户信息。每个配电网公变下辖若干低压用户，低压用户是公变的直接负荷使用者，对公变的负荷具有直接影响。因此提取低压用户的特征作为模型的输入，包括下辖用户数、用户类型分类、用户容量等数据。

2.2 样本选择

选择某省2016-01-06至2017-08-31的配电网公变数据，随机抽取798 083条样本，共47个变量。其中，随机抽取训练样本集300 000条，测试样本集498 083条（详见表1）。

表1 某T市日特征向量模糊化规则

2.3 模型训练

2.3.1 声明网络结构

首先声明网络结构，在分别尝试3层、4层、5层神经网络的对比后，最终选择效果最好的5层神经网络模型。网络结构如表2所示。

表2 网络结构说明

2.3.2 模型训练

根据上述样本数据，以及定义的网络结构及损失函数训练模型结果。选择基于GPU（图形处理器）进行运算，通过调整不同的迭代次数和学习率参数，得到不同的模型结果，详见表3。

表3 模型迭代率

通过上述结果可发现，随着迭代次数的提高以及学习率的精准化，最终模型的准确率有显著提升。因此，最终选择迭代次数为80次，学习率为2e-6，模型的准确率为93.6%。

2.4 模型结果

基于深度神经网络算法训练的模型结果，对某省27万个配电网公变2017年5—8月每天的数据进行预测，得到总计3 000余万条日负荷数据记录，平均预测误差为5.14%。并与支持向量机方法和多项式加权方法预测结果进行对比（见表4），结果显示，深度神经网络算法训练的模型预测公变平均总负荷误差明显小于支持向量机方法和多项式加权方法建模的误差。

表4 不同模型预测误差对比情况

通过实证发现，深度神经网络模型能够较准确地预测负荷的上升或下降趋势。以某公变8月1日—8月20日负荷预测结果为例（见图2），可以看到，基于深度神经网络算法训练的模型不仅精度明显高于传统模型,同时能够准确识别未来的上升或下降趋势，而传统模型线性回归模型则不能准确预测未来的上升或下降趋势。

2.5 模型生命周期

图2 某公变8月1日—8月20日负荷预测波动情况

基于深度神经网络算法训练的模型在预测配电网公变负荷时，误差较传统模型更小，泛化能力更强，趋势预测更优。另外，文中使用的深度神经网络模型训练集考虑了公变类型、天气、节假日、低压居民等多种因素，样本的时间周期长达20个月，因此模型本身具有较强的适应性和较长的生命周期，模型自2017年9月部署后，截至目前，预测准确率一直维持在93%~95%。

3 模型应用

上述配电网公变的短期负荷预测模型结果，其良好的预测精度完全适应于工业化应用。研究成果应用于配电网智能管控平台配电网公变短期负荷预测模块建设中，并基于阿里云大数据平台进行部署开发。该大数据平台主要包括企业统一云服务平台和企业统一数据库，其中企业统一云服务平台提供计算资源、存储资源、应用集成技术、数据分析技术、应用展现技术等一体化资源服务。企业统一数据库提供企业全量数据的汇集、同步转换，并制成应用产生的结构化、非结构化数据存储和处理。云平台将离线大数据计算服务和在线数据查询服务分开，保证大数据计算和实时查询的速度。

配电网公变短期负荷预测项目建设的数据架构遵循企业统一云平台和统一数据库的整体要求，由离线计算区和实时计算区构成，包括实时数据流、离线数据流、计算结果返回流和在线数据查询，整体数据流架构如图3所示。

（1）业务数据同步。通过CDP（持续数据保护）批量同步技术将业务系统数据同步至企业统一数据仓库ODPS，实现数据整合。

（2）数据处理。通过ECS（云服务器）部署模型应用，从企业统一数据仓库中抽取数据，进行离线计算和数据预处理，形成模型输入宽表。

图3 平台数据流架构

（3）模型计算。通过部署的模型进行运算，得到每个公变的负荷预测结果，并同步至在线应用区RDS中，供系统调用。

（4）系统应用。系统界面调用RDS区的负荷预测表数据，进行系统展示和应用。

（5）应用场景。利用配电网公变的短期负荷预测结果，用于安排日调度计划和周调度计划，包括确定机组的起停调峰、水火电的协调、联络线交换功率、水库调度等。

综上所述，通过阿里云大数据平台，实现每天对配电网公变短期负荷预测模型所需输入变量的同步，通过模型实现对每台公变未来每天负荷的预测，并将预测结果写入RDS即时数据库中，供配电网综合管控系统调用和展示，从而辅助电力调度计划，提高配电网管理水平。

4 结语

以配电网公变短期负荷预测为目的，介绍了MXNet深度神经网络模型和深度学习框架MXNet，并以某省实例进行实证分析。实践证明，综合考虑配变基本信息、气象、历史负荷数据、公变下辖用户数据等多种影响负荷波动的因素，通过深度神经网络算法进行建模，能够有效提高模型的预测准确率。模型结果部署于阿里云大数据平台，可实现每天同步更新每台公变的短期负荷预测结果，供业务系统进度调用、展示和分析，从而提高配电网管理水平。

另外，研究还有待优化，考虑到公变之间的差异性较大，因此很难用一个模型对所有的公变进行预测且获得最优的效果，因此需对公变进行细分，并针对每一个群体分别建立预测模型，以获得更好的结果。

[1]廖旎焕，胡志宏，马莹莹，等.电力系统短期负荷预测方法综述[J].电力系统保护与控制，2011，39（1）∶147-152.

[2]康重庆，夏清，张伯明.电力系统负荷预测研究综述与发展方向的探讨[J].电力系统自动化，2004（17）∶1-11.

[3]胡志亮.公变负荷预测方法研究[D].广州：华南理工大学，2013.

[4]沈沉，秦建，盛万兴，等.基于小波聚类的配变短期负荷预测方法研究[J].电网技术，2016，40（2）∶521-526.

[5]刘健，勾新鹏，徐精求，等.基于区域负荷的配电网超短期负荷预测[J].电力系统自动化，2003（19）∶34-37.

[6]苏庆新.一种配电网超短期负荷预测的神经网络方法[D].曲阜：曲阜师范大学，2002.

[7]闫冬，赵建国.一种实用化的配电网超短期负荷预测方法[J].电力系统自动化，2001（22）∶45-48.

[8]杜莉，张建军.神经网络在电力负荷预测中的应用研究[J].计算机仿真，2011（10）∶297-300.

[9]蒋喆.支持向量机在电力负荷预测中的应用研究[J].计算机仿真，2010（8）∶282-285.

[10]庞清乐.基于粗糙集理论的神经网络预测算法及其在短期负荷预测中的应用[J].电网技术，2010，34（12）∶168-173.

[11]周志华.机器学习[M].北京：清华大学出版社，2016.

[12]山世光，阚美娜，刘昕，等.深度学习：多层神经网络的复兴与变革[J].科技导报，2016（14）∶60-70.

[13]庞荣.深度神经网络算法研究及应用[D].成都：西南交通大学，2016.

[14]康重庆，周安石，王鹏，等.短期负荷预测中实时气象因素的影响分析及其处理策略[J].电网技术，2006，30（1）∶1-10.

[15]DIN，GHULAM MOHI UD，ANGELOS K MARNERIDES.Short term power load forecasting using Deep Neural Networks[C].Computing，Networking and Communications（ICNC），2017 International Conference on IEEE，2017.

[16]HOSEIN，STEFAN，PATRICK HOSEIN.Load Forecasting using Deep Neural Networks[C].Power&Energy Society Innovative Smart Grid Technologies Conference（ISGT），IEEE，2017.

[17]张魁，王亚明，刘明，等.基于大数据及智能算法的连云港电量负荷预测研究[J].江苏电机工程，2016，35（3）∶49-52.

[18]樊唯钦，张伟，李勇钢，等.基于改进人体舒适指数的微电网短期负荷预测[J].广东电力，2017，30（4）∶137-142.

[19]刘晓菲，商立群.非线性主成分分析和RBF神经网络的电力系统负荷预测[J].电网与清洁能源，2016，32（1）∶47-52.

[20]万强，王清亮，王睿豪，等.基于支持向量机的某地区电网短期电力负荷预测[J].电网与清洁能源，2016，32（12）∶14-20.