基于深度學(xué)習(xí)的電力網(wǎng)絡(luò)終端負(fù)荷預(yù)測(cè)方法

摘要：電力網(wǎng)絡(luò)的終端負(fù)荷預(yù)測(cè)自適應(yīng)感知能力相對(duì)較差，所以在執(zhí)行的過(guò)程中極易出現(xiàn)誤差或者問(wèn)題，造成大規(guī)?；蛘哧P(guān)聯(lián)性的預(yù)測(cè)問(wèn)題。因此，對(duì)基于深度學(xué)習(xí)的電力網(wǎng)絡(luò)終端負(fù)荷預(yù)測(cè)方法進(jìn)行設(shè)計(jì)與分析。確定終端負(fù)荷預(yù)測(cè)自編碼單元，關(guān)聯(lián)單元進(jìn)行深度SAE-NN預(yù)測(cè)模型的設(shè)計(jì)，在此基礎(chǔ)之上，創(chuàng)建DNN深度預(yù)測(cè)訓(xùn)練結(jié)構(gòu)，利用SLF法實(shí)現(xiàn)電力網(wǎng)絡(luò)終端負(fù)荷的預(yù)測(cè)。最終的測(cè)試結(jié)果表明：在相同的測(cè)試環(huán)境之下，對(duì)比于傳統(tǒng)的聚類分解負(fù)荷預(yù)測(cè)組，本文所設(shè)計(jì)的深度學(xué)習(xí)的負(fù)荷預(yù)測(cè)組最終得出的預(yù)測(cè)百分比誤差相對(duì)較低，表明此種方法的預(yù)測(cè)效果更佳，具有一定的實(shí)際應(yīng)用意義。

關(guān)鍵詞：深度學(xué)習(xí) 電力網(wǎng)絡(luò) 終端負(fù)荷 預(yù)測(cè)方法 執(zhí)行指令 深度神經(jīng)網(wǎng)絡(luò)

Abstract： The adaptive sensing perception ability of terminal load forecasting of power network is relatively poor， so errors or problems are prone to occur in the process of execution， causing large-scale or relevance forecasting problems. Therefore， design and analysis of the power network terminal load forecasting method based on deep learning. The self coding unit of terminal load forecasting is determined， and the correlation unit designs the deep SAE-NN forecasting model. On this basis， the DNN deep forecasting training structure is created， and the SLF method is used to realize the terminal load forecasting of power network. The final test results show that under the same test environment， compared with the traditional cluster decomposition load forecasting group， the final prediction percentage error of the deep learning load forecasting group designed in this paper is relatively low， indicating that this method has better forecasting effect and has certain practical significance.

Key Words： Deep learning; Power network; Terminal load; Forecasting method; Execution instruction; Deep neural network

中圖分類號(hào)： TP399?? 文獻(xiàn)標(biāo)識(shí)碼：A

電力網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)實(shí)際上是對(duì)網(wǎng)絡(luò)的運(yùn)行情況進(jìn)行檢測(cè)的一種重要的監(jiān)督形式，同樣也是電力資源以及能量管理過(guò)程中重要且關(guān)鍵的一個(gè)工作環(huán)節(jié)。通常情況下，終端負(fù)荷預(yù)測(cè)的結(jié)果直接影響最終電力的調(diào)配以及供應(yīng)結(jié)果，而在這個(gè)過(guò)程中出現(xiàn)的預(yù)測(cè)誤差也會(huì)造成電網(wǎng)后續(xù)日常執(zhí)行以及安全校核的最后處理結(jié)果，所以電力網(wǎng)絡(luò)終端負(fù)荷的預(yù)測(cè)具有十分重要的意義，可以更好地提升電網(wǎng)動(dòng)態(tài)估計(jì)的狀態(tài)，同時(shí)調(diào)節(jié)電力配網(wǎng)的負(fù)荷程度，以此來(lái)減少發(fā)電、配電的實(shí)際成本，有利于電力網(wǎng)絡(luò)的進(jìn)一步創(chuàng)新與發(fā)展[1]。但是對(duì)于電力網(wǎng)絡(luò)終端的負(fù)荷預(yù)測(cè)在實(shí)際應(yīng)用的過(guò)程中也存在一定的問(wèn)題和缺陷，這些因素也為預(yù)測(cè)帶來(lái)了較多的不確定因素，致使最終的預(yù)測(cè)結(jié)果并不具備準(zhǔn)確性以及可靠性[2]。由于電力負(fù)荷本身是處于時(shí)刻變化的，固定的電力負(fù)荷特性十分有限，并且適應(yīng)能力較弱，所以，在應(yīng)用的過(guò)程中一般會(huì)選擇非固定的電荷[3]。

傳統(tǒng)的預(yù)測(cè)方法主要是依據(jù)數(shù)據(jù)的測(cè)量以及預(yù)測(cè)指令的編制來(lái)實(shí)現(xiàn)的，雖然可以達(dá)到預(yù)期的效果，但是由于應(yīng)用過(guò)程中外部因素或者內(nèi)部電力供應(yīng)的異常，極有可能會(huì)發(fā)生誤差預(yù)測(cè)現(xiàn)象，再加上淺層預(yù)測(cè)的模式，最終致使結(jié)果不具有可信度[4]。所以，面對(duì)這樣的狀況，需要?jiǎng)?chuàng)建更加靈活且穩(wěn)定的預(yù)測(cè)方法，不同于傳統(tǒng)預(yù)測(cè)方法的是，本文所設(shè)計(jì)的方法是結(jié)合深度學(xué)習(xí)技術(shù)來(lái)實(shí)現(xiàn)的，實(shí)際的預(yù)測(cè)范圍精準(zhǔn)且具體，同時(shí)對(duì)于電力網(wǎng)絡(luò)負(fù)荷的異常數(shù)據(jù)也可以快速匯總整合，形成對(duì)應(yīng)的層級(jí)特征，為預(yù)測(cè)的效果增加可信度和準(zhǔn)確性。因此，對(duì)基于深度學(xué)習(xí)的電力網(wǎng)絡(luò)終端負(fù)荷預(yù)測(cè)方法進(jìn)行設(shè)計(jì)與分析。在深度學(xué)習(xí)的背景之下，基于傳統(tǒng)的預(yù)測(cè)方法，結(jié)合多層級(jí)的預(yù)測(cè)結(jié)構(gòu)，降低預(yù)測(cè)模型的泛化性限制，從而確保預(yù)測(cè)實(shí)際效果，增強(qiáng)整體的預(yù)測(cè)質(zhì)量。

1方法設(shè)計(jì)

1.1 終端負(fù)荷預(yù)測(cè)自編碼單元確定

自編碼單元是一種無(wú)線恒等的數(shù)據(jù)處理程序，同時(shí)也是構(gòu)建SAE的基本單元[5]。所以，在無(wú)線的負(fù)荷范圍之內(nèi)，進(jìn)行預(yù)測(cè)自編輸出比值的確定，完成計(jì)算之后，將其設(shè)定在深度學(xué)習(xí)下的三層神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)構(gòu)之中，依據(jù)得出的數(shù)據(jù)信息，可以將對(duì)應(yīng)的自編碼單元處理結(jié)構(gòu)劃分為以下幾部分，即可視預(yù)測(cè)層、隱藏預(yù)測(cè)層以及重構(gòu)預(yù)測(cè)層，每一個(gè)層級(jí)均具有其特有的功能，同時(shí)也是相互獨(dú)立的存在[6]。但是在應(yīng)用的過(guò)程中，每一個(gè)層級(jí)單元結(jié)構(gòu)也存在不同程度電力網(wǎng)絡(luò)的輸入和輸出，并對(duì)預(yù)測(cè)數(shù)據(jù)進(jìn)行同構(gòu)，形成自編碼單元的同構(gòu)結(jié)構(gòu)，具體如圖1所示。

根據(jù)圖1中的數(shù)據(jù)信息，最終可以了解到自編碼單元的同構(gòu)結(jié)構(gòu)的創(chuàng)建，單個(gè)反向傳播結(jié)構(gòu)同時(shí)也與自編單元的恢復(fù)輸入值相一致，這樣可以盡快以最小的逼近條件來(lái)實(shí)現(xiàn)自編單元范圍的確定。并在這個(gè)范圍之內(nèi)進(jìn)行自編單元誤差代價(jià)函數(shù)的計(jì)算，具體的如公式（1）所示：

1.2 深度SAE-NN預(yù)測(cè)模型設(shè)計(jì)

本研究利用神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)處理指令進(jìn)行電力網(wǎng)絡(luò)日常數(shù)據(jù)信息的獲取與匯總。依據(jù)其設(shè)立對(duì)應(yīng)的電力網(wǎng)絡(luò)SAE-NN模型，但是需要注意的是，初始的預(yù)測(cè)模型之中還包含SAE模型以及LR模型兩部分，SAE模型為底層的初始模型，主要被用于電力網(wǎng)絡(luò)數(shù)據(jù)的匯總以及分析，而LR模型的應(yīng)用預(yù)測(cè)程度和范圍相對(duì)較高，應(yīng)用的區(qū)域以及層級(jí)也處于變化的狀態(tài)。

在兩個(gè)模型中，利用多個(gè)稀疏自編碼單元構(gòu)建因隱藏層級(jí)，再添加對(duì)應(yīng)的終端負(fù)荷預(yù)測(cè)輸入值，為了避免外部因素對(duì)最終的模型構(gòu)建產(chǎn)生直接干擾，還需要在此基礎(chǔ)之上，設(shè)計(jì)對(duì)應(yīng)的深度SAE-NN預(yù)測(cè)條件，分為限制條件和預(yù)測(cè)條件，但是需要注意的是，條件的創(chuàng)建需要考慮深度學(xué)習(xí)的電力網(wǎng)絡(luò)負(fù)荷變化程度，通常情況下，負(fù)荷變化呈現(xiàn)出負(fù)相關(guān)，再結(jié)合深度SAE-NN的執(zhí)行執(zhí)行指令，最終完成深度SAE-NN預(yù)測(cè)模型的設(shè)計(jì)。

1.3 DNN深度預(yù)測(cè)訓(xùn)練結(jié)構(gòu)創(chuàng)建

在電力網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型之中輸入范圍矩陣，計(jì)算出實(shí)際的預(yù)測(cè)范圍，將其作為GRU網(wǎng)絡(luò)的實(shí)際執(zhí)行預(yù)測(cè)訓(xùn)練結(jié)構(gòu)，在矩陣結(jié)構(gòu)之中結(jié)合深度DNN深度預(yù)測(cè)訓(xùn)練條件，實(shí)現(xiàn)兩個(gè)矩陣的關(guān)聯(lián)處理，但是在這個(gè)過(guò)程中，DNN作為實(shí)際的預(yù)測(cè)的輸入指令，在設(shè)計(jì)的預(yù)測(cè)模型之中，實(shí)現(xiàn)全連接預(yù)測(cè)關(guān)聯(lián)效果。在此基礎(chǔ)之上，結(jié)合預(yù)測(cè)訓(xùn)練的整體環(huán)境，進(jìn)行深度學(xué)習(xí)下?lián)p失函數(shù)的計(jì)算。在深度訓(xùn)練的過(guò)程中，Adam優(yōu)化訓(xùn)練法具有一定的優(yōu)化作用，是一種可替代的進(jìn)階優(yōu)化預(yù)測(cè)模式，通過(guò)不斷地迭代更新，可以對(duì)電力網(wǎng)絡(luò)終端的負(fù)荷數(shù)據(jù)進(jìn)行采集，并且利用預(yù)測(cè)模型來(lái)進(jìn)行權(quán)重以及負(fù)荷預(yù)測(cè)偏差的計(jì)算，集合損失函數(shù)的預(yù)設(shè)范圍，計(jì)算DNN深度預(yù)測(cè)訓(xùn)練結(jié)構(gòu)的均方誤差，具體如公式（3）所示：

1.4 SLF法實(shí)現(xiàn)電力網(wǎng)絡(luò)終端負(fù)荷預(yù)測(cè)

通過(guò)深度模糊處理技術(shù)，進(jìn)行電力網(wǎng)絡(luò)模糊執(zhí)行規(guī)則的創(chuàng)建，依據(jù)上述的預(yù)測(cè)條件，形成更加完整、全面的預(yù)測(cè)規(guī)則。隨后，將粗糙集引入SLF電力處理程序之中。根據(jù)電力網(wǎng)絡(luò)終端負(fù)荷獨(dú)有的冗余屬性，進(jìn)行循環(huán)聚類中心值的識(shí)別分辨。在預(yù)測(cè)數(shù)據(jù)庫(kù)中，結(jié)合終端的實(shí)際聚類屬聚類，對(duì)負(fù)荷預(yù)測(cè)的連續(xù)值實(shí)現(xiàn)多目標(biāo)、多層級(jí)的設(shè)定，并以此來(lái)確定對(duì)應(yīng)的模糊值，實(shí)現(xiàn)模糊聚類預(yù)測(cè)數(shù)據(jù)的轉(zhuǎn)換，從而了解到對(duì)應(yīng)的預(yù)測(cè)情況。數(shù)據(jù)發(fā)生離散化之后，在預(yù)測(cè)的過(guò)程中存在一定的不確定性，在深度學(xué)習(xí)的泛化背景之下，結(jié)合SLF法進(jìn)行歸一負(fù)荷預(yù)測(cè)比的計(jì)算：

2方法測(cè)試

本次測(cè)試主要是對(duì)深度學(xué)習(xí)的電力網(wǎng)絡(luò)終端負(fù)荷預(yù)測(cè)效果進(jìn)行驗(yàn)證。測(cè)試共分為兩組，一組為傳統(tǒng)的聚分解負(fù)荷預(yù)測(cè)方法，另一種為本文方法。

2.1測(cè)試準(zhǔn)備

測(cè)試環(huán)境如下：執(zhí)行程序?yàn)镮ntelXeon E5，預(yù)測(cè)的框架為B/S結(jié)構(gòu)下的GTX1080TI 11G框架。設(shè)計(jì)深度學(xué)習(xí)的預(yù)測(cè)工具，將B/S結(jié)構(gòu)與Tensorflow框架關(guān)聯(lián)。

2.2測(cè)試過(guò)程及結(jié)果分析

根據(jù)表1中的數(shù)據(jù)信息，最終可以得出實(shí)際的測(cè)試結(jié)論：在相同的測(cè)試環(huán)境之下，對(duì)比于傳統(tǒng)的聚類分解負(fù)荷預(yù)測(cè)組，本文所設(shè)計(jì)的深度學(xué)習(xí)的負(fù)荷預(yù)測(cè)組最終得出的預(yù)測(cè)百分比誤差相對(duì)較低，表明此種方法的預(yù)測(cè)效果更佳，具有一定的實(shí)際應(yīng)用價(jià)值。

3結(jié)語(yǔ)

電力網(wǎng)絡(luò)數(shù)據(jù)的海量化處理給傳統(tǒng)的預(yù)測(cè)模式增加了較多的預(yù)測(cè)壓力，在深度學(xué)習(xí)的背景之下，可以建立較為真實(shí)且具體的預(yù)測(cè)方法，能夠提升電力網(wǎng)絡(luò)的整體泛化性能，預(yù)測(cè)精準(zhǔn)度也得到了明顯的提高，有利于未來(lái)實(shí)現(xiàn)更加高效的預(yù)測(cè)效果。

參考文獻(xiàn)

[1]肖啟志，何葵東，肖楊.夏季城市用電短期負(fù)荷預(yù)測(cè)方法研究[J].山西電力，2021（5）：1-4.

[2]雷鳴，唐李洋，葉振宇等.一種基于深度學(xué)習(xí)的居民家庭短期用電預(yù)測(cè)方法[J].電腦知識(shí)與技術(shù)，2019，15（21）：240-242，254.

[3]朱尤成，王金榮，徐堅(jiān).基于深度學(xué)習(xí)的中長(zhǎng)期風(fēng)電發(fā)電量預(yù)測(cè)方法[J].廣東電力，2021，34（6）：72-78.

[4]李正浩，李孟凡.基于深度學(xué)習(xí)的智能型負(fù)荷預(yù)測(cè)方法的研究[J].智慧電力，2020，48（10）：78-85，112.

[5]王曉霞，徐曉鐘，張彤，等.基于集成深度學(xué)習(xí)算法的燃?xì)庳?fù)荷預(yù)測(cè)方法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2019，28（12）：47-54.

[6]熊圖，趙宏偉，陳明輝，等.基于特征排序與深度學(xué)習(xí)的母線負(fù)荷預(yù)測(cè)方法[J].可再生能源，2019，37（10）：1511-1517.

作者簡(jiǎn)介：陳佳鵬（1987—），男，碩士，工程師，研究方向?yàn)楣╇娂夹g(shù)。

3970500589292