基于深度学习的多特征短期负荷预测

    龙雯 王同喜

    

    

    

    摘要:精确的电力负荷预测对智能电网等基础设施的高效管理至关重要。本文引入了几种深度学习网络:RNN、LSTM、DNN,对某地某家庭短期内实际电力负荷值的消耗进行仿真预测,实验结果表明,RNN、LSTM和DNN模型下的预测值与真实值的大致趋势均一致,模型效果差距不大,RNN略好于DNN,DNN略好于LSTM,整体仍有优化空间。

    关键词:电负荷预测;时间序列预测;深度学习

    中图分类号:TP311文献标识码:A

    文章编号:1009-3044(2021)16-0186-02

    开放科学(资源服务)标识码(OSID):

    1引言

    精确的电力负荷预测对智能电网等基础设施的高效管理至关重要。随着这些基础设施在全国逐渐铺开,电力系统负荷数据的数据量呈现指数型上涨,同时由于其非线性动态的性质,对此类负荷数据的精准预测仍然是一件充满挑战性的任务。近年来,深度学习从计算机视觉到自然语言处理领域都取得了不错的成效,将深度学习模型应用到电力负荷预测问题中也成了许多研究者选择的方式之一。本次实验主要选取了RNN(循环神经网络)、LSTM(长短期记忆网络,RNN变体)、DNN(深度神经网络)三种模型进行预测。

    2问题描述

    家庭总耗电情况与家里的电流电压以及各类电器的使用等均有一定相关性。因此,预测某家庭短期电力负荷值消耗量是一个多变量多步预测单变量多步的时间序列预测问题。

    3实验与结果

    3.1数据集

    本文选取了某地某家庭电负荷消耗量。该数据集的主要数据特征有:厨房、洗衣房、电热水器和空调等的有功功率(Wh)以及每分钟的平均电压(V)、平均电流(A)、有功功率(kW)、无功功率(kW)。是某家庭从2006年12月至2010年11月近四年的电力负荷数据,其中每1min作为一个采样点。

    3.2 数据预处理

    3.2.1处理异常值与缺失值

    对于本文数据集中存在的诸如“?”的异常值,均通过将其替换成nan的方式与缺失值一并处理。

    对于本文数据集中存在的缺失值,因家庭电器的使用在1min内极可能具有连续性,故此处选择使用其上一个非空采样点的数据对缺失值进行填充。

    3.2.2数据重采样

    采样分为上采样和下采样。上采样是将低频次数据通过相应的方法转换为高频次数据,而下采样则是将高频次数据转换为低频次数据。

    对于本文数据集,采用下采样来对数据进行重新采样,使采样点的采样周期从1min降低为15min。

    3.2.3数据标准化

    当训练神经网络,拟合网络时,过大的数值数据可能影响网络的收敛速度和学习效果,所以对网络的输入数据需要先进行缩放。数值数据缩放方式主要有两种:归一化和标准化。本文使用归一化对数据缩放,使原始范围内的所有值都处于0和1的范围内。

    3.2.4数据重塑

    本文数据集本质是一个多变量时间序列数据集。而电力负荷预测问题本质是一个序列预测问题,因此需要将数据从序列数据转换为输入特征-输出标签对数据,来将问题重新构造为有监督学习的问题。

    原数据集中属性可以作为特征的有7个。此数据集中厨房、洗衣房、电热水器和空调并不是家里所有的电路电能消耗,须增加一列其他的电能消耗量作为为新特征列,因此一共有8个特征。

    将原数据重塑为有监督类型数据常用的方法有:(1)增加数据维度;(2)根据时间间隔设置时间窗口。该数据集特点符合持续性预测的特点,因此选用第二种方式将数据进行重塑,然后将前三天同一时间步的每分钟有功功率,以及8个特征的前4个时间步共35个特征作为有监督学习问题的输入特征,将当前时间步的每分钟有功功率作为输出标签。

    3.3實验模型

    循环神经网络并不是单独处理一个个输入值,它的前一个输入和后一个输入存在相关性。由于这种特性,循环神经网络及相关变体适合处理涉及序列信息的任务。而深度神经网络由于自身的网络结构特点适合处理复杂问题。因此,本实验选取了两种适合处理时间序列信息的神经网络:RNN和LSTM,以及深度神经网络DNN。

    3.4结果分析

    电力负荷预测问题本质是回归预测问题,因此本实验选取了三种常见的回归预测评估指标:RMSE、MAE、MAPE。实验结果表明:RNN、LSTM和DNN模型下的预测值与真实值的大致趋势均一致,模型效果差距不大,RNN略好于DNN,DNN略好于LSTM。整体仍有优化空间。实验的预测结果趋势图和预测评估指标表如下:

    4 结语

    本文将几种不同的深度学习模型应用到短期电力负荷预测问题上。这几种模型能够实现短期负荷大致趋势的预测,但从效果上并未出现明显差异和优势。接下来可以考虑从增加数据集,更换成RNN和CNN组合模型等角度进一步优化结果,增加预测的准确性。

    参考文献:

    [1] 田敏.智能电网时序数据短期预测分析研究[D].北京:华北电力大学(北京),2016.

    [2]简献忠,任成国,王如志. 深度学习在短期电力负荷预测中的应用[A]. 中国高科技产业化研究会智能信息处理产业化分会.第十二届全国信号和智能信息处理与应用学术会议论文集[C].中国高科技产业化研究会智能信息处理产业化分会:中国高科技产业化研究会,2018:4.

    [3] 刘建华,李锦程,杨龙月,等.基于EMD-SLSTM的家庭短期负荷预测[J].电力系统保护与控制,2019,47(6):40-47.

    [4] 王永志,刘博,李钰.一种基于LSTM神经网络的电力负荷预测方法[J].实验室研究与探索,2020,39(5):41-45.

    [5]童准.基于深度学习的电网负荷预测技术研究[J].机电信息,2020(32):82-83.

    【通联编辑:梁书】