基于CNN-BAS-GRU模型的短期电力负荷预测研究

谢志坚

（深圳市深能环保东部有限公司，深圳 518000）

0 引言

如今，电力网络系统正随着物联网的崛起而朝向集成化、可视化、数字化、互联化的智慧系统进行衔接。电力系统负荷预测对于电网系统的筹划建设和经济可持续发展起着至关重要的作用。负荷预测是以历史负荷数据的变动特征为基础，综合天文、人文、管理等一系列有关因素，对未来短期的电力需求进行评估。随着电网系统规模日益增添以及物联化程度迅速增高，更精准的负荷预测对于科学管理电网系统、发电机组的组合调度以及电力市场运营等方面变得不可或缺［1］。此外，坚持绿色环保及可持续发展的思想需电网实施运行调度等方面的突破，而准确的短期负荷预测是电网调度优化的关键因素［2］。

由于众多因素容易影响电力负荷的精准预测，国内外大量专家学者以各种方式提高预测模型的精准程度。关于负荷预测法可分为以回归分析法［3］、傅里叶展开法［4］等运算简便却无力应对庞杂数据为代表的传统预测方法和以神经网络法［5］、深度学习［6］等运算力强、精度较好为代表的智能预测方法。

文献［7］以改进粒子群算法优化的傅里叶残差修正模型取得更高预测精度的成果。文献［8］提出一种含有注意力机制的卷积神经网络联合长短期记忆网络的预测模型以期改善预测效果。文献［9］通过随机森林算法选取特征数据，再经由长短期记忆网络（LSTM）进行负荷预测。以上述模型为例的众多预测法都采用组合预测，以避免单一模型的局限性而达到优势集合来获取更高预测精度。CNN 常用于在海量数据中筛选出有效的特征信息。在维持LSTM 偏差程度的基础上，优化其收敛速度可得性能更佳的GRU模型［10］。天牛须搜索算法（BAS）拥有运算量少和搜索能力强等优势而可用于优化神经网络的参数。

因此，本文提出一种以CNN 采集有效的数据，跟随负荷繁杂动态变化的关键信息，再建造时间序列后引入GRU，最后运用BAS 优化GRU 超参数的CNN-BAS-GRU 预测模型。结合CNN 数据处理、BAS参数优化和GRU时序处理三者的优势以期准确有效地对电力负荷进行预测。

1 理论基础

1.1 CNN的基本原理

CNN 模型对海量数据采取自动采集关键特征而有别于传统的人工选取法，并建立完整的特征向量，其结构由输入层、输出层、卷积层、全连接层以及池化层构成，如图1所示［11］。卷积层作用为卷积上层特征映射及一维卷积核后生成输出特征映射，其表达式为

图1 CNN结构模型

池化层的作用是为每个特征映射捕获最强功效的值。

1.2 BAS的基本原理

天牛须搜索算法（BAS）源于天牛以两须进行捕食活动，是一种无须明确数学模型即可进行快速准确寻优的智能优化算法。以全局最优值作为猎物，目标函数的变化作为寻优中的天牛位置，目标函数值为猎物信息素，其寻优步骤如下［12］：

（1）定义天牛搜索空间，并归一化方向向量，其表达式为

（2）将天牛两须动作视为搜索行为，且两须长度随迭代次数增加而递减，天牛左右须的位置向量的表达式为

（3）以适应度函数表示天牛须所检测到的猎物气味浓度，并选取最佳适应度函数作为天牛新的位置向量，其表达式为

（4）由于搜索系数与步长系数随迭代次数增多而改变，以数学模型可表示为

其中，d(τ- 1)为第τ- 1 次迭代的触须长度；δ(τ- 1)为第τ- 1次迭代的搜索步长系数。

其流程框图如图2所示。

图2 天牛须算法流程图

1.3 GRU的基本原理

门控循环单元（GRU）以门体系监管信息因子而规避时间序列的长期依赖问题。GRU 以重置门和更新门为结构核心，具有参数少、易收敛、使用时间序列分析和训练效率高等优势，其内部结构如图3 所示［13］。其中，GRU 网络处理信息过程可表示为

图3 GRU结构图

其中，zt、rt分别为重置门与更新门输出；W为权值矩阵；σ为Sigmoid激活函数；h为隐含层信息；⊗为Hadamard乘积。

GRU 以式（7）为基础，以隐藏单元保存历史数据，运用重置门控制现时信息和记忆信息的数据，并递送新的记忆信息。并以式（8）为基础，控制方才的状态信息被引入当下状态的程度，更新门随其数值增大而扩增可代入信息。

2 短期负荷预测模型

2.1 数据预处理

在不先处理电力负荷数据的情况下，将大批量的数据导入神经网络会导致其运算卡顿或形成梯度爆炸的状况。因此，为了预测正常运转，需要进行初始数据归一化为标准区间向量的处理阶段，其表达式为

其中，Xn为经预处理的数据；X为初始数据；Xmax为样本最大值；Xmin为最样本小值。

2.2 模型结构

由于负荷曲线不仅受到自然因素的影响，还会受到人为因素的干预。CNN 可通过交替的卷积层和池化层提取出受不定性因素感染的关键性信息特征，并经时间序列处理后导入GRU。BAS 利用自身跳出局部最优等优势，给予GRU模型最佳参数以期实现电力负荷的更精确预测。

CNN-BAS-GUR 预测过程如下所示，其结构如图4所示。

图4 CNN-BAS-GRU预测模型结构

（1）以式（11）处理初始数据后导入CNN层；

（2）构建CNN 层提取的负荷变化特征向量为时间序列后导入GRU层；

（3）初始化BAS 参数，评价训练集适应度，并计算GRU层的最佳参数；

（4）以具有最优参数的GRU 更新预测模型，在测试机预测中对比精度；

（5）迭代预测后，经反归一处理，输出评价后的数据。

3 实验分析

3.1 模型评价标准

通过平均绝对百分比误差（MAPE）和均方误差（RMSE）两项评价指标进行负荷预测，以检验所提模型的性能。其中，MAPE 与RMSE 的数值越小表示预测精确度越高。两项项评价指标的表达式分别为

其中，n为样本量；y为期望值；为预测值。

3.2 负荷数据的选取与处理

以Matlab 平台为基础，采用某电力市场共计两年的历史负荷数据，采集周期为15 min，共计96 个时间序列对CNN-BAS-GRU 预测模型进行实验分析。将数据以7∶2∶1的比例界定训练集、验证集与测试集，并将CNN、GRU 和CNN-GRU 模型进行同上条件实验后，对所有模型进行对比以验证所提模型的有效性。

3.3 预测结果与分析

经由其他模型在全相同条件的实验仿真基础上，得随机单独一天和随机连续半年进行负荷测试，其评价指标结果见表1。各模型在样本内随机单独一天每第二个15 min 的时监控负荷的实际值、预测值以及误差值见表2。各模型在样本内随机单独一天的预测负荷值以及真实负荷值的变化曲线如图5 所示。由表1 分析得，CNN-BAS-GRU 模型在单独某天和连续半年的负荷预测与其他参与实验的模型相比，皆取得最佳的预测精度。通过对比CNN模型和CNN-GRU模型的MAPE和FAavg指标值，可说明GRU模型能够有效地处理时间序列问题。通过对比CNN-GRU模型和CNN-BAS-GRU 模型的MAPE和FAavg指标值，可表明BAS 算法能够帮助GRU 模型寻得最佳参数值而提高整体的预测精度，具备优异的可靠程度。

表2 各模型实际值与预测值及误差对比

图5 各模型预测曲线对比图

对各预测模型在随机一天中第二个15 min监测负荷的预测值、真实值及其绝对百分比误差值进行归纳整理为表2。其数据结果为，CNN-BAS-GRU 模型拥有最佳值，其24个监测样本的预测平均绝对百分比误差为1.43%，比CNN模型、GRU模型和CNN-GRU模型分别缩减了2.10、1.24 和0.76 个百分比，分析得出CNN-BAS-GRU模型的平均误差还有最大误差皆取得最佳表现，具有更精确的预测程度。

对样本范围内随机一天的负荷值与各参与仿真实验模型的预测值进行综合整理，形成变化曲线如图5 所示。由图5 可见，尽管各预测模型都能较好地对短期电力负荷进行预测，但所提出的CNN-BAS-GRU 模型对实际值具有更好地匹配能力，且在峰谷负荷点也有更佳的拟合效果，预测误差更小，与真实负荷变化的整体走向能够极大程度上保持相同性，为短期电力负荷预测供应更优质的理论观点。

4 结语

针对短期电力负荷预测的精准要求，提出一种基于CNN-BAS-GRU 模型的负荷预测。经理论分析研究，通过CNN 对海量数据收集关键特征后导入经BAS 优化的GRU 模块进行预测。仿真实验表明，CNN-BAS-GRU 模型对于短期负荷预测具备有效性和更精准的预测程度，对后续深度探索电力负荷预测的实时性、快速性具有一定的参考意义。

此外，由于气象因素对于短期负荷预测有着至关重要的影响。其中，常见的影响因素是温度，其次还有湿度、风力、天气类型以及夏季、冬季负荷预测需要考虑天气因素，都会使负荷发生急剧变化，下一步将日期类型列入影响负荷预测结果的因素之一。使用日期类型因素来决定特殊事件影响负荷。