深度学习在电力负荷预测中的应用

□朱诗奇

一、深度学习与电力负荷预测概述

(一)深度学习。近年来，机器学习领域中一个新的研究方向——深度学习得到了广泛的关注。深度学习是对人工神经网络的发展。人工神经网络的基础模型是感知机，人工神经网络即为多层感知机，随着神经网络隐藏层的增多，更深的人工神经网络可以称为深度学习。相比于机器学习方法，深度学习无需人工进行特征提取，在面对大量数据样本时，往往表现出更好的性能，因此，深度学习几年来被广泛应用于时间序列预测问题，基于深度学习的方法充分考虑了外界影响因素与被预测对象的对应关系，将影响因素特征化，大大提升了预测的精度，取得了优异的成绩。

(二)电力负荷预测。电力负荷，又称“用电负荷”，电能用户的用电设备在某一时刻向电力系统取用的电功率的总和。电力负荷预测的实质是从已知的电力系统、经济、社会、气象等情况出发，根据历史负荷变化规律，对未来某个时刻或时段做出预先估计和推测。电力负荷预测影响着电力系统的管理和运行，是电力系统制定发电计划、交易计划、调度计划等的重要依据。

对电力负荷预测进行分类依据的划分标准有很多，预测时间周期是较为常见的一种，可以将电力负荷预测分为超短期负荷预测、短期负荷预测、中期负荷预测和长期负荷预测四类。超短期负荷预测的时间从几秒或几分钟到几个小时，短期负荷预测的时间从小时到周，中期负荷预测和长期负荷预测的时间从月到年。其中，超短期负荷预测和短期负荷预测可归为短期预测，中期负荷预测和长期负荷预测合称为中长期预测[1]。

电力负荷数据预处理和预测方法选择是电力负荷预测任务的关键环节。在电力负荷预测前，需要对负荷数据进行预处理，以减小异常历史数据对预测精度的影响；预测方法的选择和预测模型的建立直接影响着预测结果能否取得理想的准确度，进而影响整个电力系统的运行，因此是十分重要的。

二、短期电力负荷预测方法

短期负荷预测作为电力系统运行和控制的基础性工作之一，对电力运行调度、电机启动停止等方面有重要影响。传统的短期电力负荷预测方法包括时间序列、回归分析等。时间序列预测方法是最初进行的负荷预测研究，通过曲线拟合历史负荷数据来建模预测电力负荷，该方法观测的数据值表现出负荷变化连续，时间复杂度较低，属于比较广泛应用的方法。但该方法不限制输入数据的要件，仅考虑了时序要素，没有纳入其他对结果具有潜在影响的要素，精度不高。后续的峰值模型则纳入了湿度等其他要素。回归分析法是根据数据内部规律预测未来，其定量特点主要在于研究事物间相互关系。从因果关系出发，可以根据自变量个数分为一元或者多元回归分析法；从函数表达式的特点出发，分为线性回归预测模型和非线性回归预测模型。回归分析原理简单、运算快，但是负荷影响因素不足，结果不够准确，数据输入要求高，严重依赖模型和影响因子的准确性。基于深度神经网络的负荷预测方法概括如下。

(一)基于BP神经网络的预测方法。ANN算法中误差反向传播算法最为常用，但是迭代周期长、收敛慢。许多学者改进BP算法方面，如提出共轭梯度BP算法，应用于峰值负荷预测。其后，有学者克服了过长的输入带来的影响，纳入独立分量分析(ICA)方法和主成分分析(PCA)方法，降维后效率和精度都有所上升。此外，传统BP算法收敛慢，训练效率受到影响，PSO针对性提高了效率，模型性能得到提高。MPSO-BP预测模型在泛化能力上进行了针对性调优，提高了预测精度，对电力系统短期负荷预测效果较好。

(二)基于循环神经网络的预测方法。电力系统负荷数据具有时序性和非线性特征，而循环神经网络因为具有记忆性和参数共享的特点，能较好地对序列的非线性特征进行学习，因此，已有许多研究运用循环神经网络及其变体来解决电力负荷预测问题。长短期记忆网络(LSTM)运用于短期电力负荷预测，与传统模型相比误差更低、预测效果更好。不少学者对LSTM进行改进，以提升其在电力负荷预测任务上的表现，例如采用残差机制对多层LSTM网络的性能进行了改进。此外，在解码过程中引入注意力机制，选择性提取电力负荷数据的特征，提高了输入输出数据的相关性和模型预测的准确性。实验结果表明，该模型较RNN、LSTM、GRU在预测准确度、性能稳定程度上都有较大提升。

与LSTM相比，门控循环单元(GRU)参数更少，收敛速度更快，因此也有大量研究提出了基于GRU及其变体的电力负荷预测模型。基于双向GRU和残差修正的负荷预测模型引入了气象因素和节假日的影响，以提高预报结果的准确性。Ke等[2]提出了一种基于多层自编码GRU神经网络的短期电力负荷预测方法。该方法使用自编码方法对电力负荷数据、节假日信息等输入数据进行压缩后，将编码数据输入多层GRU模型，模型输出结果即为电力负荷预测结果。后续研究使用电负荷数据训练一个特征提取网络GRU,然后使用该网络进行时序特征的提取,并将提取到的时序特征与非时序特征使用LightGBM进行电负荷的预测，实现了时序特征及非时序特征的充分融合。

也有研究将其他网络结构、训练技巧与循环神经网络相结合，进一步增强预测性能。例如充分利用数据之间的相关性，对数据进行聚类，并利用每个聚类来训练LSTM模型，然后将LSTM模型的预测结果采用全连接级联(FCC)神经网络进行模型融合，并采用改进的Levenberg-Marquardt(LM)训练算法进行求解。为解决LSTM预测中偶尔出现的预测失败、复杂的人工调试以及预测周期短的问题，同时提高短期负荷预测的准确性，LSTM与自组织映射、混沌时间序列预测、智能优化算法相结合的三种集成算法被提出。

基于循环神经网络算法的优点是其能够较好地学习电力负荷数据这类时序性数据，缺点在于无法并行处理，计算速度减慢，增加了其在实际应用中的难度。

(三)基于卷积神经网络的预测方法。卷积神经网络(CNN)的网络结构具有特殊性，因而在计算机视觉领域应用广泛，近年来，越来越多的学者将其运用于电力负荷预测，且在该领域取得了显著效果。例如将卷积神经网络与支持向量回归相结合，在预测数据预处理阶段，将数据转换为灰度图作为输入数据，通过CNN进行特征提取，将电力负荷预测的影响因素混合从而提取更高维的新特征，并将新特征输入支持向量回归模型进行预测，取得了良好的效果。吕志兴等[3]将K-means聚类与卷积神经网络特征提取相结合，提出了一种短期电力负荷预测模型：利用K-means根据日相关性的强弱将用户聚为两类，使用ReLU作为CNN的激活函数，选择均方误差作为损失函数。相比于随机森林和支持向量回归机模型，该预测模型的平均绝对百分比误差显著降低。

(四)其他深度学习模型。尽管基于RNN和CNN的方法在电力负荷预测领域取得了优异的成绩，对于其他深度学习模型的探索仍然是富有价值的。encoder-decoder方法因其在自然语言处理领域的成功，已经成为流行的seq2seq架构，能够有效地从输入数据中提取时间序列特征和转换特征，在时间序列预测问题上性能表现较好。Jin等[4]提出了一种基于注意力的encoder-decoder网络与贝叶斯优化结合的方法进行短期电力负荷预测，该模型是基于encoder-decoder结构的GRU递归神经网络，在时间序列数据建模上具有高鲁棒性。时序注意力层关注的是输入数据的关键特征，这些特征在促进负荷预测的准确性方面发挥着重要作用。最后，使用贝叶斯优化方法确认模型的超参数以实现最佳预测。使用美国电力公司(AEP)的真实电力负荷数据进行的24小时负荷预测，实验表明该模型在预测精度和算法稳定性方面优于其他模型。

三、中长期电力负荷预测方法

相比于短期电力负荷预测，中长期电力负荷预测的预测周期更长，影响因素更多，预测精度难以保障，因而较短期电力负荷预测方法而言，目前对于中长期电力负荷预测方法的研究更少。

基于人工神经网络的预测方法首先被提出，最小二乘支持向量机(LSSVM)将RBF神经网络作为核函数，验证了LSSVM方法得到的预测数据与实际数据基本接近，相比于灰色预测发和人工神经网络预测法均方误差更小。用于解决中长期电力负荷预测问题的树模型与深度神经网络相结合的XGBoost-DNN组合模型，首先获取交叉特征，将特征向量作为DNN的输入层，随后针对时间和负荷数据做特征处理，使DNN模型获得高阶交叉特征，从而预测未来一个月的电力负荷数据，在真实电力数据的仿真实验中性能表现卓越。

BP神经网络也被广泛应用于中长期电力负荷预测中。何伟峰[5]将优选移动平方法和BP神经网络结合，将优选移动平均法预测的结果作为BP人工神经网络的输入，提高了预测的准确性，并利用这种混合预测方法对我国中部某地区电力负荷进行了月度预测，取得了较好的数据吻合度。Elman神经网络是一种基于BP神经网络改进的算法，其结构特点是在隐藏层后增加承接层，用以记录隐藏层前一时刻输出的数据，从而形成延迟，使得Elman神经网络能够进行内部反馈学习后再进行输出。学者在GM(1,1)模型中引入Elman神经网络，搭建Elman灰色网络电力负荷预测模型，对淮南市进行中长期电力负荷预测，相比于Elman神经网络和GM(1,1)模型，Elman灰色网络具有更高的运算精度。

黄元生等[6]将高斯过程与粒子群相结合，构建了一种混合电力需求预测模型，首先利用粒子群算法优化协方差函数参数，并将参数作为高斯过程模型进行电力需求培训的初始值；随后对协方差函数的参数再次优化，用训练好的高斯过程模型进行中长期电力负荷预测。该模型在北京地区中长期电力需求数据集中表现优异。

四、结论与展望

本文对当前深度学习在电力负荷预测中的应用进行了梳理和总结，信息时代的高速发展带动着深度学习方法渗透到各个领域，深度学习已成为电力负荷预测方法的重要组成部分，使得电力负荷预测结果精度不断提升。基于目前的研究，面向短期电力预测的深度学习模型远远多于面向中长期电力负荷预测的深度学习模型。

对于电力系统而言，应当充分学习最新的电力负荷预测方法，结合本系统的电力负荷数据特征和相关影响因素进行分析，选取合适的预测方法并建立预测模型，促进当地电力系统的发展；对于科研工作者而言，要基于深度学习继续探索新的电力负荷预测方法，持续提升电力负荷预测的精确度和稳定性，深化短期电力负荷预测研究，同时加大中长期电力负荷预测研究力度，从而为电力系统提供多预测周期的理论支撑。