赵佳琪 袁晓丹 徐仕威

摘要：在结合所选取地区的社会经济情况，工农产业比重等因素的基础上，确定了对电力负荷影响较大的因素。对英国国家电网公司2019年纽约北部负荷数据进行预处理，包括填补缺失数据，修正异常数据，对数据进行归一化处理后，构建了基于RNN的短时电力负荷预测模型，利用 RNN 模型时序记忆的特点来提取电力负荷特征，为避免误差增大，设置了早停法和dropout法，仿真结果表明，该模型能够很好更好地拟合负荷曲线，具有较高的预测精度。

短期电力负荷预测是实现电力需求侧管理的一个重要方面，是电力能源管理系统合理安排生产调度计划、实现节能、经济运行的前提条件和重要保障。电力负荷预测方法有传统线性回归法、时间序列法、灰色预测、支持向量机、随机树、模糊理论、卡尔曼滤波和人工神经网络等。唐俊杰等人通过ARMA负荷预测模型实现了从自动定阶到节假日负荷的预测;叶瑰昀等人构建了基于加权最小二乘法的ARMA日负荷预测模型。

近年来，循环神经网络（Recurrent Neural Network， RNN）技术正在不断地发展并应用于情感分析、提取关键词、语音识别、机器翻译、自编码器等领域。RNN可以有效地反应数据流的时间变化特性，进行时间序列上的预测。郭海波分析了基于RNN预测模型的特点，结合相似序列筛选挖掘长期用电特征，学习电力负荷规律。仇暑洋提出一种基于主成分分析的自适应型小波RNN方法，应用于负荷预测，能对历史数据进行主成分分析并选取特征变量，具有一定的自适应性。许沥文提出一种基于SAE和ELM的集成模型，结合堆栈自编码器和极限学习机学习电力负荷时间序列数据的特点，在短期电力负荷预测中获得了满意的性能。

詹传骅提出最优子集电力负荷回归预测模型和Bagging-SVR算法和Boosting-SVR算法，弱化样本选取时的偶然因素引起的误差，显著提升电力负荷预测的准确度。

循环神经网络（RNN）是一个序列模型，每个神经元不仅能够沿层间向上传递信息，还可以传输给下一个序列，因此比其他的神经网络更适用于时间序列预测问题。

经典的RNN结构如图1所示，它由输入层、隐藏层和输出层组成，其中输入集用X表示，隐藏集用表示，输出集用y表示，t-1、t和t+1分别表示上一时刻、当前时刻和下一时刻，矩阵 W连接当前时刻隐藏层和上一时刻隐藏层，矩阵U连接输入层和隐藏层，矩阵 V连接隐藏层和输出层。

RNN的训练过程包括了网络初始化、向循环神经网络输入数据、网络的输出计算、网络输出与实际数据进行比较更新参数、隐藏层的输出计算、误差反向传播。如果连续几次迭代误差一直在不断增加，则采用早停法停止训练，如果没有使用早停法则当迭代次数达到最大时停止训练。图2为训练流程框图。

选取national grid公司纽约北部2019年1月1日到2019年11月30日的电力负荷数据作为训练集，2019年12月1日到2019年12月31日的电力负荷数据则作为测试集，图3为预测结果，可以看出，该预测模型能够较好地重现日负荷变化趋势，体现出较好的日周期性，但对周周期性体现得则不是那么明显，误差相对较大，可能的原因有：（1）用于训练的数据中由于节假日或特殊突发事件导致的异常数据较多，但是又达不到进行修正的程度得以保留，导致在后期的训练过程中发生了周周期性不明显的情况。（2）12月份有着西方最重要的节日，圣诞节。伴随着圣诞节而来的是学生们的寒假，还有其他工人的假期，这都会影响负荷预测的准确性。

图4为RNN预测模型误差随迭代次数的变化曲线，可以看出，随着迭代次数的增加，误差在逐渐降低。当迭代次数增加到一定程度以后，误差会整体上趋于平缓，虽然还会有小幅度的波动，但是基本上不怎么变化了。可能的原因是学习率在最一开始的前几次迭代中比较大，所以误差能够迅速的降低，但是随着训练的进行，学习率在不断地变小，所以即便由于循环神经网络的一些固有的缺陷，使得误差会出现一些上升，但是波动也不是很大。并且即便这次迭代效果非常好，但是因为学习率已经降低到了一定的程度，误差也很难继续大幅度的下降。

针对电力负荷的短期预测问题，建立了基于RNN的电力负荷预测模型，降低了原始电力负荷的非平稳性，同时具备很好的非线性拟合能力和时间记忆能力，为避免误差增大，设置了早停法和dropout法，仿真结果表明，该模型能够很好更好地拟合负荷曲线，具有较高的预测精度。

参考文献：

[1]曹陈生.电力系统需求侧管理的探索和应用[J].现代工业经济和信息化，2018，8（18）：14-15.

[2]唐俊杰，牛焕娜，杨明皓.基于线性相关分析的周期自回归短期负荷预测[J].电力系统保护与控制，2010，38（14）：128-132.

[3]叶瑰昀，罗耀华，刘勇，金鸿章.基于ARMA模型的电力系统负荷预测方法研究[J].信息技术，2002，7（6）：74-76.

[4]郭海波.基于深度学习的短期电量预测方法研究[D].北京：北京邮电大学，2019.

[5]仇暑洋.基于数据挖掘的短期负荷预测[D].上海：东华大学，2018.

[6]许沥文.基于深度学习方法的短时电力负荷预测研究[D].济南：山东建筑大学，2019.

[7]詹傳骅.基于气象因子和集成学习的长沙市短期电力预测研究[D].长沙：湖南大学，2016.