长、短期电力负荷大数据下的智能预测实例分析

引言

随着电力信息化平台概念逐渐成为现实,多维电能信息的采集已经具备充足的应用条件。但由于对电力信息的处理能力有待进一步提高,目前已经存在海量电力数据急待分析、处理。用电量,即负荷情况包含了用电量增长、行业周期轮换等因素,同时与气候等条件息息相关,在电能储存技术实用性有限的背景下,实时负荷情况属于多重条件下的电力使用情况综合表现。同时,在电力行业改革的背景下,实时交易平衡对负荷预测精度提出了越来越高的要求,负荷预测已经成为电力行业内典型的电力信息大数据处理的案例。

不同时间的负荷数据信息中包含了包括电网系统升级、社会行业发展以及气候变化的多维信息,综合利用历史数据,挖掘隐藏信息并充分利用这种知识有利于提高预测的准确度。基于负荷数据的非线性与时序性等特性,时间序列分析与机器学习分析两类方法被广泛应用于负荷预测。前者主要关注历史数据的连续性,对非线性数据难以处理:后者可以有效处理非线性数据,但往往不能兼顾数据间的非线性。

长短期记忆网络（Longshort-TermMemory,LsTM）通过使用内部结构门实现同时接收不同时间点的信息,利用遗忘门控制数据对预测结果的有效性,从而保证了输入信息的有效性与全面性。该算法可以记忆变化时间长度信息的特性,保证了其可以兼顾历史数据中存在的非线性与时序性情况,从而提高预测精度。基于美国PJM电力市场的实际数据,应用LsTM算法进行负荷预测,预测准确率可以达到5%以内,效果较为明显,具备一定的实用性。

lLSTM的原理与应用

为解决传统神经网络算法,包括反向神经网络（BackPropagationNeuralNetwork,BPNN）与卷积神经网络（Convo-lutionalNeuralNetwork,CNN）等难以同时处理不同时间点数据间的相关性的问题,循环神经网络（RecurrentNeuralNetwork,RNN）被用于开展基于当前时刻输入、前一时刻输出结果等信息同样被用于预测当前时刻的输出。LsTM算法基于RNN结构的思想提出,通过筛选对当前输出有意义的信息开展学习与训练,兼顾了数据间关联,其网络结构相比RNN更为复杂,训练效果在数据质量达标的情况下更好[1]。

LsTM算法主要由遗忘门、输入门以及输出门构成。对任意预测时刻,输入信息包括有本时刻的输入信息、上一时刻LsTM输出信息以及上一时刻的单元状态:输出信息包括当前的LsTM输出信息与当前时刻的单元状态。基于单元状态,

遗忘门实现了保留对1时刻输出有意义的前一时刻数据,并删除、弱化对预测没有作用或作用有限的当前时刻输入信息。其作用函数/t为:

/t=r（wf[h1-1,x1]＋bf）

式中,r为sigmoid函数:wf为遗忘门权重矩阵:h1-1为上一时刻LsTM输出信息:x1为当前时刻的输入数据:bf为偏置项。

输入门基于激活函数与遗忘门的输出得到更新的单元状态,新单元状态与遗忘门输出共同作用得到完整的筛选后的有效预测数据。在信息分配权重矩阵作用下,根据前述单元状态与筛选后数据得到最终输出,保证了整个数据库的信息最大化利用。

2数据验证与分析

本文以美国PJM电力市场的3个月时长的小时负荷情况作为分析对象,采用LsTM算法挖掘前后每一小时内存在负荷变化的规律,通过遗忘门合理地使用当前输入信息与已有经验开展负荷预测。作为对比,本文同时使用负荷预测中较为常用的时间序列分析方法ARIMA算法,该算法通过对历史经验数据的截尾与拖尾情况进行分析,以尽可能地考虑数据关联的情况,并基于自相关函数参数得到预测值。两种分析方法的预测结果与实际情况的对比如图1所示,具体误差数值对比如表1所示。

对图1与表1的数据进行分析可以发现,LsTM算法所预测结果与真实情况的对比相对ARIMA算法而言波动性更强,后者的预测误差维持在较高且稳定的误差范围内。ARIMA算法因为无法有效跟踪实际负荷在00:00后稳定进而在02:00后逐渐增长的趋势,在这一时间段内出现较大的误差。LsTM算法在23:00附近接近实际用电负荷情况后,其曲线变化紧跟实际情况进入最小值,并及时开始提高电力负荷的预测值。这既说明了LsTM算法对实时输入的敏感性,同时也证明了其对非线性数据的处理能力。

根据图1可以发现,在时间段20:00一23:00、03:00一06:00期间,LsTM算法的预测结果误差较高。该时间段分别为夜间用电高峰期和凌晨用电低谷期,居民生活与社会生产状态的调整可能是导致这一情况的重要影响因素。ARIMA算法的预测数据实际上同样呈现出了类似的倾向。

基于上述分析情况,本文认为,在趋势出现变化的时刻,如图1中约01:00的位置设置预警信号,于训练过程中着重挖掘对应信号时刻的变化信息,并应用于当前训练网络,将能一定程度上提高对数据变化的敏感性,从而进一步提高最终预测准确度。

3结语

为兼顾电力信息化数据中的时序信息与非线性情况,开展电力大数据处理,本文使用LsTM算法开展以美国PJM电力市场为基础的电力负荷预测。凭借LsTM算法的遗忘门对以往信息和当时信息的筛选,该算法的平均预测误差约达4.98%,准确程度较高,表现出了对电力多维、海量数据较强的处理能力,尤其是可以处理存在时序特性的历史数据,具有一定的实用意义。