张睿
华北电力大学
摘要：长期以来，短期负荷预测（short-term load forecasting，STLF）一直是电力运行关注的问题，对制定经济、可靠、安全的电力系统运行策略起关键作用。由于负荷时间序列具有非线性、非平稳性和非季节性等特点，准确预测负荷趋势具有很大的挑战性.
关键词：人工神经网络;电力系统;短期负荷预测;
引言
电力系统负荷预测一般分为超短期、短期、中期、长期四类负荷预测，随着市场化改革的逐步推进，短期负荷预测的重要性日益提升。近年来，国内外学者对于短期负荷预测进行了广泛的研究，围绕具体预测思路的差异，可将预测方法分为两类，其一是传统的时间序列分析方法，包括回归分析法、指数平滑法、多元线性回归法、卡尔曼滤波法等；其二是机器学习算法，由于其可以较好的解决负荷非线性的问题，受到了广泛的应用和研究。目前已有较多机器学习算法在负荷预测领域应用，在这些方法上又存在着很多的改进算法，目前使用较多的方法有基于极限学习机（Extreme?Learning?Machine,?ELM）的预测方法、基于支持向量机（Support?Vector Machine，SVM）的预测方法、基于BP神经网络的预测方法等。
1基本理论
通过对原始数据进行分析，可以得到一些影响负荷趋势的特征和因素。为了收集最关键的影响因素，采用互信息法分析多个因素与电力负荷的相关性。然后将分析结果大于阈值的因素数据作为预测变量输入到神经网络中。下面将详细介绍MI算法和神经网络的结构。1）互信息法.互信息（MI）主要用于描述两个变量之间的相关程度。在本研究中，使用多元智能来测量不同因素变量与负荷之间的相关程度。2）自组织特征映射神经网络.为避免传统聚类方法存在的求解复杂、收敛速度慢、易陷入局部最优的问题，采用改进后的SOFM神经网络3)对原始负荷数据进行特征挖掘、聚类。SOFM神经网络由Kohonen提出，是一种无监督的学习网络，通过神经元之间的竞争实现大脑神经系统中的“近兴奋远抑制”功能。，SOFM神经网络为输入层与竞争层的组织方式，更贴近大脑皮层的形象。学习过程依据权值向量与输入向量的欧式距离来修改权值向量，且只对输入向量欧式距离最小的权值向量进行修改。数据特征挖掘及聚类步骤为加快求解过程，提取和挖掘出同类原始负荷序列特征，避免求解过程复杂，时间及空间复杂度大，本文将对原始负荷数据及其相关影响数据进行预处理，采用改进后的SOFM神经网络对其进行特征挖掘及聚类。具体处理方法如下：1.原始负荷数据及其相关影响数据归一化处理.2.采用改进后SOFM神经网络的自组织学习特性进行数据序列特征挖掘、聚类。3.采用自适应权重的粒子群算法优化SOFM神经网络学习过程，得到聚类结果。
2数据分析与特征选择
负荷预测的准确性主要取决于是否选择了适当且充分的相关因素。首先，分析原始数据以找出其规律性并分析内部机制，黑色波动线表示每小时观测的负荷，白色曲线表示日平均负荷，深灰色虚线表示国家法定节假日负荷。通过跟踪负荷变化的来源，讨论负荷变化的内在规律和趋势。在上述工作的基础上，本文提取了一些可能影响负荷发展的因素，然后，采用MI方法选取相关性高的气象因子作为神经网络的输入。
2.1数据分析
为了确定该时间序列中不同周期运动的强度，计算了原始载荷数据的功率谱分析。所得结果中存在明显的功率谱峰，其中以日频信号为主，与上述分析一致。而且，日运动的幅度远大于半日信号的幅度。此外，一周周期的变化也很显著，这是由工作日到非工作日的变化引起的。
2.2特征选择
根据原始负荷数据的特点和频谱分析，日变化最为显著。因此，将一天中的小时数、前一天同一时间的负荷值和前一天的平均负荷值作为模型中的基本预测变量。此外，一周频率的变化也很显著，因此，将一周中的某一天和前一周的同一小时和同一天的负荷数据视为其他预测变量。天气条件对电力需求起着关键作用，尽管各地的天气因素各不相同，但温度始终是最重要的因素之一。值得注意的是，单一的天气因素是不够的，应考虑多种天气条件的适当组合。最明显的解决方案是考虑温度、湿度、风力、风向，但并不意味着越多越好。经MI计算后，温度和湿度均保留为相关度大于0.45的预测变量。此外，基于上述分析，可以发现在短期内，一些特殊的日子会迅速影响负荷趋势。因此，在STLF中，特别是中国法定节假日，必须将特殊天数视为一个重要因素。同时，工作日和非工作日应该用标签来区分，节假日假定为一组非工作日。结果可以在本文预测模型中产生一个新的预测变量，包括0（非工作日）和1（工作日），区分这些因素有助于提高预测精度。
3基于LSTM的负荷预测模型
3.1基本思路
电力系统负荷受人们生产生活规律的影响，具备周期性、趋势性，同时又受天气变化、重大事件等随机因素的影响，具有较大的不确定性。某天某一时刻的负荷lt，d受当天日期类型(周几、是否节假日)和当前时刻天气因素(温度、湿度等)的影响，同时又与当天历史n个时刻的负荷和历史几天同一时刻的负荷有关。利用LSTM能学习长距离时序依赖的优点，在考虑预测日当天相关因素对负荷影响的基础上，从横向上识别预测日当天负荷变化的规律，从纵向上识别历史日期窗口内同一时刻负荷的变化规律。
3.2模型训练过程
1.数据预处理.数据预处理主要包括数据向量化和标准化2个步骤。神经网络基于线性代数理论，不能直接在原始数据上进行训练，在训练之前需要将原始数据转换为向量。数据向量化将Lt，d－w与Ft，d进行拼接，拼接后的数据转化为向量。神经网络采用基于梯度下降的反向传播算法进行训练，数据太大或太小会导致很难寻求到最优解。因此，将数据归一化到标准区间有利于模型求解。2.模型评价.模型训练过程中，将所有数据输入网络并对其参数进行调整，称为一个回合。回合数过少导致网络欠拟合，回合数过多导致网络过度拟合。为了确定合适的回合数，选择最优的模型，需要在每个回合训练结束后对模型进行评价.
结束语
首先，通过谱分析提取一些规律性特征作为关键的预测变量，包括日、半日和周特征。此外，考虑到我国法定节日期间负荷出现明显降幅，而随着节日的延长，降幅更为明显，将其作为异常情况予以考虑。全周期因素和非周期因素组合的预测模型优于单一或少数因素组合的预测模型，该多因素模型充分考虑了负荷数据的内在特点和外部重要影响。目前，深度神经网络无法进行负荷概率区间预测，且预测模型无法对预测结果进行解释。采用深度神经网络对负荷概率区间进行预测，并对预测结果进行解释是未来的研究方向之一。
参考文献
[1]王晖南,韩海安,郭易鑫,马元培,徐琼.基于人工神经网络和互信息理论的电力系统短期负荷预测[J/OL].中国测试.
[2]田珂,丁博,马文栋,赵卫华,王坤.一种电力负荷预测混合模型研究[J].计算技术与自动化,2020,39(04):39-44.
[3]张武军,程远林,周捷,潘轩.基于特性分析的改进BP神经网络短期电力预测方法[J].湖南电力,2020,40(03):17-22.
[4]周帆,赵荣普,杨文镪,杨敏,张庆.长、短期电力负荷大数据下的智能预测实例分析[J].机电信息,2019(36):27+30.
[5]姚朝,辛平安,施卜今,周艳平.基于LSTM时间递归神经网络的短期电力负荷预测[J].云南水力发电,2019,35(03):163-165.