基于LSTM神经网络算法的高压用户日负荷预测

俞沛宙 孔旭锋 燕俞波 朱斌 赵婉芳

摘要：在迎峰度夏高峰期，电力供应处于紧平衡状态，需要进行用户需求侧响应和有序用电工作。如何高效且精确地编制错避峰方案，快速开展需求侧管理工作是需要解决的重要问题。不同用户的用电特性不同，在用电高峰时段可响应的负荷也不同。本文基于LSTM神经网络算法对高压用户进行日负荷预测，以宁波市鄞州区专变用户为试点对象，预测未来某日内用户负荷情况，对日后的需求侧响应工作给与数据支撑。该方法通过LSTM神经网络算法对历史负荷曲线进行拟合，预测单用户未来短期负荷，并通过与传统ARMA自回归算法预测结果进行对比，分析优缺点。

关键词：需求侧响应 可控负荷 负荷特性 负荷预测 神经网络

0引言

随着电网建设的不断强化，大规模的有序用电已经成为历史，但随着经济和人民生活水平的不断提高，近几年电力供应能力仍处于紧平衡状态。根据宁波市能源局统计，2018年宁波市全社会最高用电负荷约1278万千瓦，同比增长约10.3%，逼近宁波市最高电力供电能力;预计2019年，全社会用电负荷1350万千瓦，电力供应紧平衡趋势仍将持续。

需求侧响应是解决紧平衡的最好方法，它是在电力市场改革的背景下，用户针对市场价格信号或者政府激励机制做出的改变正常电力消费模式的市场化行为。

目前电力公司、用户、政府在需求侧响应中的现状为：一是电力公司找用户难，计算响应负荷更难，因此方案编制费时、费心、费力;二是电力用户虽然了解需求侧响应政策，但不知道自己能响应多少;三是政府不知道多少用户能响应，无法进行统筹规划和激励机制的优化。

1LSTM网络

LSTM网络是一种能够学习并记忆序列长期信息的递归模型，由图1所示的存储模块构成^[1]。

LSTM的核心由input、forget、output三个记忆胞组成，其能在每个时刻编码输入的信息。每个记忆胞的行为由门（gate）控制，控制信息保存与否，若保存则为1，否则为0。详细来说，forget gate f控制是否保存当前状态的胞信息，input gate i控制是否读取输入信息，output gate o控制是否输出新的胞信息。其运算公式如下所示^[2]

其中，x表示输入向量，h表示输出向量，?表示点乘运算符，矩阵W表示待训练参数。表示sigmoid非線性函数，表示双曲正切函数。

LSTM通过多门协作的方式使得LSTM训练具有鲁棒性，且避免了梯度弥散消失。本文采用LSTM网络对时间序列描述的负荷数据进行线性拟合，进而进行短期预测。

2负荷预测算法设计

2.1算法框架

考虑到单变量负荷时间序列有限样本点的数据特征，以及循环神经网络从简的设计原则，本文构建LSTM预测模型的整体框架如图2所示，包括输入层、隐藏层、输出层、网络训练以及网络预测5个功能模块。输入层负责对原始负荷时间序列进行初步处理以满足网络输入要求，隐藏层采用图2表示的LSTM细胞搭建单层循环神经网络，输出层提供预测结果，网络训练采用Adam优化算法，网络预测采用迭代的方法逐点预测。

2.2神经网络训练

网络训练主要以隐藏层为研究对象。首先在输入层中，定义原始负荷时间序列为，则划分的训练集和测试集可以表示为和，满足约束条件和。然后对训练集中的元素进行标准化，采用经典的归一化公式（最小值为0，最大值为1），归一化后的训练集可以表示为^[3]

为了适应隐藏层输入的特点，应用数据分割的方法对进行处理，设定分割窗口长度取值为L，则分割后的模型输入为

对应的理论输出为

接下来，将X输入隐藏层。从图2可以看出，隐藏层包含L个按前后时刻连接的同构LSTM细胞，X经过隐藏层后的输出可以表示为

式中：和分别为前一个LSTM细胞的状态和输出;LSTMforward表示LSTM细胞前向计算过程。设定细胞状态向量大小为，则和2個向量的大小均为。可以看出，隐藏层输出P、模型输入X和理论输出Y都是维度为（m-L，L）的二维数组。选用均方误差作为误差计算公式，训练过程的损失函数可以定义为

设定损失函数最小为优化目标，给定网络初始化的随机种子数seed、学习率η以及训练步数steps，应用Adam优化算法不断更新网络权重，进而得到最终的隐藏层网络。

2.3神经网络预测

本小节应用训练好的LSTM网络（表示为）进行预测。预测过程采用迭代的方法。首先，理论输出Y的最后一行数据为

将Yf输入，输出结果可以表示为

则m+1时刻的预测值为pm+1。然后，将Yf的最后L-1个数据点和pm+1合并为新的一行数据

将Yf+1输入，则m+2时刻的预测值为pm+2，依次类推，得到的预测序列为

接下来，通过对Po进行反归一化（表示为de_normalize），得到最终的与测试集Fte对应的预测序列为

类似地，将X的每一行作为模型输入可以得到与训练集Ftr对应的拟合序列Ptr。最后，通过计算Ftr和Ptr，以及Fte和Pte的偏差定量地给出模型的拟合和预测精度。

总的来说，基于LSTM的负荷时间序列模型训练和预测算法概括如下：

算法1训练并预测LSTM负荷时间序列模型

输入：。

输出：与测试集对应的预测序列以及模型

精度。

1  getfromby

2

3  getfromby

4  createby

5  connectbyand

6  initializeby seed

7  for each step in

8

9

10 updateby Adam with loss and η

11  get

12  for each j in

13

14  appendwith

15

16 error measure

其中：训练过程涉及输入层、隐藏层、输出层、网络训练4个模块，预测过程主要涉及输出层模块;LSTMcell表示LSTM隐藏层细胞;LSTMnet表示LSTM隐藏层网络;εe为误差度量函数。

2.4评价指标

模型训练阶段误差度量函数采用RMSE，但在最终结果的评价阶段，准确度指标采用平均绝对百分比误差（MAPE）进行评价，主要考虑MAPE在误差评价中更能被直观理解。

表示预测负荷的时刻点数，根据数据选取维度确定24或96;

表示某时刻点，[0，23]或[0，95];

表示测试集中某時刻的预测负荷（）;

表示测试集中某时刻的真实负荷（）。

3数据验证

3.1数据准备

首先介绍实验中所选用的负荷数据集，与本文提出的LSTM模型相对比的其他时间序列预测模型，评价不同预测模型优劣的精度度量指标，以及实验运行平台和软硬件环境配置。

3.1.1数据集

实验数据采用浙江省宁波市负荷时间序列数据集。该数据集包含鄞州地区2017年-2018年的高压专变用户负荷记录，通过整理后得到1200户包含96个数据点的日负荷时间序列数据。

3.1.2对比模型

ARMA是时间序列分析的经典理论和方法，其模型可以表示为ARMA（p，d，q），其中p、d、q分别为自回归项数、差分次数、移动平均项数^[4]。在实际使用中，这3个参数可以通过观测自相关函数（AutoCorrela-tionFunction，ACF）和偏自相关函数（PartialAu

-toCorrelationFunction，PACF）确定。

3.2实验结果

本项目负荷预测部分的算法评估依据用户群体负荷预测评价矩阵，通过不同负荷特征的用户群在不同算法上的评估指标进行罗列对比。

在训练集样本中，共选取了1200个目标样本，构建用户群体负荷预测评价矩阵，反应模型在测试集数据上的预测效果以及运行时间。

基于单户用户96点负荷数据，选取样本数据某一天的负荷情况为预测对象。在不同的曲线类型下，分别匹配最优算法，进行负荷预测，形成预测曲线与真实曲线的直观对比。

4小结

总的来说，本文验证了LSTM模型在可靠性预测领域中的适用性，扩展了神经网络技术的应用范畴。基于目前的工作，后续可以展开进一步研究：比如扩展隐藏层层数，检验多隐藏层LSTM网络结构的应用效果;或者从众多LSTM模型参数入手，寻求更有效的参数优化方法。此外，本文是从历史数据出发，应用数据驱动的技术逆向建立预测模型。下一步，可以从可靠性相关的领域知识出发，应用提取出来的关键特征和要素正向研究可靠性预测方法。

参考文献：

[1] 窦珊， 张广宇. 熊智华 基于 LSTM 时间序列重建的生产装置异常检测[J]. 化工学报， 2019，70（2）：481-486.

[2] Hochreiter S， Schmidhuber J. Long short-term memory[J]. Neural Computation， 1997， 9（8）： 1735-1780

[3] 王鑫，吴际，刘超等. 基于 LSTM 循环神经网络的故障时间序列预测[J]. 北京航空航天大学学报， 2018.04，44（4）：1001-5965

[4] BARTHOLOMEW D J. Time series analysis forecasting andcontrol[J]. Journal of the Operational Research Society，1971，22（ 2） ： 199-201.