袁晓丹 赵佳琪 薛秀茹

摘要：隨着用电量的增加，为了电力系统的规划和运行的稳定、经济的发展、人民的生活，对电力负荷进行准确的预测显得尤为总要。为得到短时电力负荷的准确预测，采用LSTM模型对其进行建模分析。首先将数据进行预处理，将奇异值修正，建立了基于LSTM的预测模型。将负荷列数据做重构，建立了两层LSTM结构的预测模型。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。

短期负荷预测主要对未来几小时或几天的用电负荷进行预测，是电网合理调度和平稳运行的基础。常见的短期负荷预测的方法主要有传统的统计学方法和基于机器学习的预测方法。如宋晓茹等针对影响中长期电力负荷多因素间的非线性和不确定性的问题，提出了一种粗糙集（RS）和最小二乘支持向量机（LSSVM）相结合的中长期电力负荷预测方法，有效的提高了电力负荷预测的精度;陈冬沣、肖建华将一种改进的粒子群算法（EPSO）应用到中长期电力负荷预测中去优化支持向量机（SVM）的参数;翟帅华等人提出了粒子群算法改进了BP神经网络负荷预测模型，解决了传统的BP神经网络负荷预测模型在训练的过程中存在极易陷入极小值和收敛速度慢的问题;龙金莲、张玉芬等在分析传统的负荷预测的基础上，着重给出了现代时间序列分析在负荷预测方法上的新成果，重点提出了波动性模型（ARCH族模型，SV族模型）在解决负荷预测中参数估计的重要性，提出了一种基于数据分组处理方法来优化PSO-LSSVM的中长期电力负荷预测的预测方法等。Jinseok K等提出了一种利用小数据集预测用电模式和最大用电持续负荷的方法，减小了预测的电力成本;Mohammed Hattab等提出了采用基于最小二乘的粒子群优化算法来预测电网电力负荷的回归方法，解决了预测精度问题，使得预测更为准确;Bharathi Dora等提出了一种基于小波变换和双指数平滑的电力负荷预测模型，讨论了利用合适的小波系数阈值法还有小波重构方法，有效的解决了去噪问题;Ceperic E等提出了一种基于支撑向量回归（SVR）的短时电力负荷预测方法，该方法将粒子群全局优化技术用于SVR超参数优化，减少了操作人员的交互作用，提高了预测精度。

近年来，深度学习作为一个新兴的机器学习的种类，广泛应用于语言识别、计算机视觉等领域。长短时记忆网络（LSTM）由于可以充分挖掘时序数据之间的内在关联，并能够解决时间上的梯度消失的问题，常用于预测问题。曾豪将LSTM应用于城市日常空气质量指数预测，相对于其他的预测方法，该预测方法能够很好的考量外在的影响，解决了预测精度的问题;宋晨光将LSTM用于股票股价的预测，解决了原来不能查看股价模式的问题;周捷等利用LSTM中单元的记忆功能进行了流量序列预测，解决了在一般的预测方法中不能进行多维度多方向预测的难点问题。

基于此，本文将LSTM模型应用于电力负荷的预测中，通过对英国的加的夫（Cardiff）的2016年的电力数据进行分析，建立了基于LSTM的负荷预测模型，并采用MAE（平均绝对误差）对模型性能进行评估。

LSTM神经网络是一种基于时间的递归隐层神经网络，它能够更好的解决RNN中存在的长依赖问题。LSTM由三个门来控制细胞状态，这三个门分别称为忘记门、输入门和输出门，经典的LSTM基本单元如图1所示。

遗忘门用于决定细胞需要丢弃哪些信息，用sigmoid单元处理，通过查看和信息来输出一个0-1之间的向量，可表示为：

输入门利用和通过tanh层得到新的候选细胞信息 。

接下来遗忘门选择忘记旧细胞信息的一部分，输入门选择添加候选细胞信息的一部分得到新的细胞信息。

更新完细胞状态后，将输入通过sigmoid层得到判断条件，将细胞状态经过tanh层得到一个-1～1之间值的向量，该向量与输出门得到的判断条件相乘得到最终LSTM的输出。

在数据采集的过程中，由于人工、天气、器件老化等外在因素的影响，造成了坏数据的产生，对于以后预测的准确度产生极坏的影响，因此在使用模型训练之前，首先要将坏数据进行识别并处理。文中所选数据取自英国的加的夫（Cardiff）的2016年的电力数据，如图2所示。数据样本中不存在缺失的数据值，但是存在不合适的奇异值，利用前一时刻和后一时刻的平均值的方法对奇异值进行修正。修正之后的负荷数据图如图3所示。

在实验中，将前11个月的8040个样本数据作为训练集，第12月的样本数据作为测试集。预测模型由两个LSTM层结构组成，第一个LSTM层和第二个LSTM层都分别建立了一个隐藏层，每个隐藏层各自设置了128个隐层单元。输入形状是1个时间步长，输出接一个单元的全连接层，进行了150次训练。预测结果如图4所示。

模型训练的损失函数MSE（均方误差）曲线如图5所示，可以看出当模型的训练的次数达到20次后就没有了明显的偏差，在140次后偏差更小，精度更高。

针对电力负荷的短期预测问题，建立了基于LSTM的电力负荷预测模型。LSTM模型较原来的RNN模型能避免RNN梯度消失问题，使得预测更加准确。在进行预测时，将数据集中的样本数据进行了预处理，识别并改正了样本数据。将时间序列问题转变成监督问题并实现归一化，输入为时间步长1。搭建了两层LSTM，每层LSTM中有一层隐藏层，隐层中设置了128个隐藏单元，输出接一个全连接层。将数据集中前11个月的电力负荷作为训练集，将最后一个月为预测训练，仿真结果表明，该模型可以实现对电力负荷数据的准确预测。

参考文献：

[1]吴云，雷建文，鲍丽山，等.基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测[J].电力系统自动化，2018，42（20）：67-72.

[2]陈纬楠，胡志坚，岳菁鹏，杜一星，齐祺.基于长短期记忆网络和 Light GBM 组合模型的短期负荷预测[J/OL].电力系统自动化. https：//kns.cnki.net/kcms/detail/32.1180.TP.20200610. 1819.012.html.;

[3]宋晓茹，李莉，张来青.中长期电力负荷预测[J].计算机仿真，2014，31（09）：132-135.

[4]陈冬沣，肖建华，刘耿彬.基于改进粒子群算法的中长期电力负荷组合预测[J].自动化应用，2016（12）：139-140+147.

[5]翟帅华，姜雲腾，李萍.基于改进PSO-BP神经网络的短期电力负荷预测[J].工业控制计算机，2018，31（09）：148-150.

[6]龙金莲，张玉芬，卢家暄，等.基于GMDH-PSO-LSSVM中长期电力负荷预测[J].贵州大学学报，2017，34（06）：49-53+84.

[7]Jinseok K， Hyungseop H， Ki-Il K. Adaptive optimized pattern extracting algorithm for forecasting maximum electrical load duration using random sampling and cumulative slope index [J]. Energies， 2018， 11（7）： 1723.

[8]Mohammed Hattab， Mohammed;Maitah， et al. Medium Term Load Forecasting for Jordan Electric Power System Using Particle Swarm Optimization Algorithm Based on Least Square Regression Methods[J]. Journal of power and Engineering， 2017， 5（2）： 75-96.

[9]Bharathi Dora， Haranath Kar，et al. A Simple Hybrid Model for Short-Term Load Forecasting[J].Journal of Engineering， 2013， 2013.

[10]Ceperic E， Ceperic V， Baric A. A Strategy for Short-term load forecasting by support vector regression machines [J].IEEE Transactions on Power Systems， 2013， 28（4）： 4356-4364.

[11]曾豪.基于LSTM 的環境污染时间序列预测模型的研究[D].华中科技大学.2019.

[12]宋晨光.基于长短期记忆神经网络模型的股票价格走势预测[D].江西财经大学.2019.

[13]周捷，严建峰，杨璐，等.LSTM 模型集成方法在客户流失预测中的应用[J].计算机应用于软件，2019，36（11）：39-46.