苗 磊，李 擎，蔣 原，崔家瑞，王義軒

1) 北京科技大學(xué)自動化學(xué)院，北京 100083 2) 工業(yè)過程知識自動化教育部重點實驗室，北京 100083

現(xiàn)代電力系統(tǒng)結(jié)構(gòu)日益復(fù)雜，規(guī)模不斷擴大，若僅僅依靠傳統(tǒng)的物理建模方法，難以充分應(yīng)對運行分析需求[1].結(jié)合多源數(shù)據(jù)，深度學(xué)習(xí)已廣泛應(yīng)用于電力系統(tǒng)預(yù)測.通過采集運維數(shù)據(jù)、設(shè)備數(shù)據(jù)等電力系統(tǒng)各環(huán)節(jié)基礎(chǔ)數(shù)據(jù)，結(jié)合深度學(xué)習(xí)技術(shù)，可以較好地擬合影響電力系統(tǒng)后續(xù)運行狀態(tài)各因素之間的非線性關(guān)系[2]，建立預(yù)測模型，實現(xiàn)電力系統(tǒng)預(yù)測，如負(fù)荷預(yù)測[3]和出力預(yù)測[4]等.本文著重對目前研究較多的幾種預(yù)測，包括電力系統(tǒng)負(fù)荷預(yù)測、新能源出力預(yù)測和電力設(shè)備健康狀態(tài)預(yù)測的應(yīng)用情況進(jìn)行歸納和梳理.針對不同的應(yīng)用場景，電力系統(tǒng)負(fù)荷預(yù)測分為面向民用場景的負(fù)荷預(yù)測和面向工業(yè)場景的負(fù)荷預(yù)測；針對不同的預(yù)測對象，出力預(yù)測分為光伏出力預(yù)測和風(fēng)電出力預(yù)測；針對不同的設(shè)備種類，健康狀態(tài)預(yù)測分為機械類設(shè)備健康狀態(tài)預(yù)測和非機械設(shè)備健康狀態(tài)預(yù)測.

1 深度學(xué)習(xí)模型

1.1 深度信念網(wǎng)絡(luò)

深度信念網(wǎng)絡(luò)（Deep belief networks,DBN）改善了模型訓(xùn)練易陷入局部最優(yōu)，且學(xué)習(xí)（收斂）耗時偏長以及需要大量標(biāo)簽數(shù)據(jù)等問題[5].由于采用前饋式網(wǎng)絡(luò)結(jié)構(gòu)，DBN 適用于處理前后無關(guān)聯(lián)序列數(shù)據(jù)，并憑借深度特征提取能力強等優(yōu)點，被廣泛應(yīng)用于電力系統(tǒng)預(yù)測領(lǐng)域，為新能源出力預(yù)測[6-7]、負(fù)荷預(yù)測[8]、電力設(shè)備健康狀態(tài)預(yù)測[9]等方面提供了新的解決思路.

1.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks,CNN）與DBN 相比，最主要的差別在于隨機初始值和逐層訓(xùn)練方式，并且在卷積操作后，數(shù)組內(nèi)的元素仍可保留原始位置關(guān)系[10].同時，由于在運算中共享卷積核，因而進(jìn)一步減少了模型參數(shù)數(shù)量，并適用于處理多維數(shù)組.在電力系統(tǒng)預(yù)測分析實際應(yīng)用場景中，常用于考慮時空相關(guān)性的負(fù)荷預(yù)測、出力預(yù)測及健康狀態(tài)識別等[11-13].

1.3 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent neural networks,RNN）由于各層神經(jīng)元之間包含前饋和反饋連接[14]，因而適用于處理具有前后依賴關(guān)系的序列數(shù)據(jù).為解決RNN 只能記憶“短期”信息這一缺陷[15]，一些改進(jìn)后的RNN 結(jié)構(gòu)被提出，其中，門控循環(huán)單元（Gate recurrent unit,GRU）和長短期記憶模型（Long short term memory,LSTM）即為典型代表[16-17].RNN常用于改善功率劇烈波動場景下的預(yù)測精度，如面向工業(yè)現(xiàn)場的負(fù)荷預(yù)測[18]、復(fù)雜天氣條件下的新能源出力預(yù)測[19]等.

1.4 堆疊自編碼

堆疊自編碼（Stacked auto encoders,SAE）與DBN模型結(jié)構(gòu)相似，二者主要區(qū)別在于：每層自編碼器之間為非對稱連接[20]，因而模型結(jié)構(gòu)更加易于拓展.研究者們在原始自編碼器的基礎(chǔ)上進(jìn)行了一系列優(yōu)化，使之更適用于電力系統(tǒng)預(yù)測，如基于去噪自編碼器的配電設(shè)備健康狀態(tài)預(yù)測[21]，基于卷積自編碼器的光伏出力預(yù)測[22]等.

基于以上分析，幾種典型的深度學(xué)習(xí)預(yù)測模型對比如表1 所示.

表1 典型的深度學(xué)習(xí)預(yù)測模型對比Table 1 Comparison of typical deep learning prediction models

2 電力系統(tǒng)負(fù)荷預(yù)測

電力系統(tǒng)負(fù)荷預(yù)測是指在一定時間尺度下，通過探尋負(fù)荷歷史數(shù)據(jù)中的規(guī)律，即建立輸入輸出之間的非線性關(guān)系，來預(yù)測未來電力負(fù)荷需求值，對減少由于意外負(fù)荷變化引起的電力調(diào)度問題，優(yōu)化區(qū)域內(nèi)電力工程建設(shè)規(guī)劃，保證電力系統(tǒng)的穩(wěn)定運行，具有重要意義[23-24].按照應(yīng)用場景不同，可分為面向民用場景的負(fù)荷預(yù)測和面向工業(yè)場景的負(fù)荷預(yù)測.選取了19 篇負(fù)荷預(yù)測代表性文獻(xiàn)，分類總結(jié)如表2 所示.

由表2 可知，負(fù)荷預(yù)測多采用RNN 模型，占總數(shù)的52.6%.

表2 電力系統(tǒng)負(fù)荷預(yù)測分類Table 2 Classification of power system load forecasting

2.1 面向民用場景的負(fù)荷預(yù)測

面向民用場景的用電負(fù)荷具有一定的分散性，通常要將多個用電單元整體考慮.Cheng 等[30]提出了一種基于CNN 的民用建筑負(fù)荷預(yù)測方法，首先，將歷史負(fù)荷序列按時間依賴程度劃分為兩個部分；并將來自多個數(shù)據(jù)采集位點的溫度、濕度等氣象數(shù)據(jù)進(jìn)行聚類；其次，結(jié)合區(qū)域內(nèi)歷史負(fù)荷和氣象數(shù)據(jù)，通過在CNN 網(wǎng)絡(luò)中引入壓縮和激勵網(wǎng)絡(luò)，自動得出不同特征的重要程度，并用權(quán)值表示.在此基礎(chǔ)上，結(jié)合時間依賴程度，對關(guān)聯(lián)程度不同的特征做進(jìn)一步加強或抑制，改善了特征冗余問題，實驗結(jié)果表明，相對于采用支持向量機、LSTM 等方法，這種方法的預(yù)測精度提升了15.1%～20.9%.Peng 等[39]利用SAE 提取了不同層次的歷史數(shù)據(jù)特征，在此基礎(chǔ)上，分別構(gòu)建了不同參數(shù)和結(jié)構(gòu)的預(yù)測模型，通過將每個預(yù)測模型的輸出進(jìn)行疊加重構(gòu)，獲取負(fù)荷預(yù)測輸出.

Hosein 等[36]提出了一種基于LSTM-GRU 的負(fù)荷預(yù)測模型，如圖1 所示.將歷史負(fù)荷數(shù)據(jù)和溫度數(shù)據(jù)的輸入序列重新排列成二維矩陣：

圖1 基于雙向LSTM-GRU 的居民區(qū)用電負(fù)荷預(yù)測Fig.1 Residential area load forecasting based on bidirectional LSTMGRU

式中，L1…L24D和T1…T24D分別為歷史負(fù)荷值和環(huán)境溫度值.在特征提取階段，使用二維卷積層提取電力負(fù)荷和溫度數(shù)據(jù)的重要信息，卷積核的行數(shù)fcol和列數(shù)frow分別為：

式中，ACCn表示滯后階數(shù)，在負(fù)荷時間序列中，TH＞0.8；在溫度時間序列中，TH＞0.9.完成特征提取后，通過GRU 前向傳播和LSTM 反向傳播，可同時利用前后兩個時間間隔內(nèi)的特征信息.相對基于前饋神經(jīng)網(wǎng)絡(luò)或支持向量機等方法，預(yù)測精度提高了6.9%～11.7%.

現(xiàn)有大多數(shù)深度學(xué)習(xí)方法只能單獨捕獲認(rèn)知不確定性（預(yù)測模型結(jié)構(gòu)或超參數(shù)的不確定性）或偶然不確定性（輸入數(shù)據(jù)的不確定性），并轉(zhuǎn)化為模型參數(shù)或輸出的概率分布[40].為此，Sun 等[37]通過對LSTM 的網(wǎng)絡(luò)權(quán)值和偏差參數(shù)分別構(gòu)造先驗分布以及推導(dǎo)輸入數(shù)據(jù)的后驗分布，同時捕獲認(rèn)知及偶然不確定性，結(jié)果表明，與未引入貝葉斯估計的LSTM 預(yù)測模型相比，預(yù)測結(jié)果的均方根誤差降低了27.6%.

2.2 面向工業(yè)場景的負(fù)荷預(yù)測

與民用或商業(yè)建筑用電方式不同，工業(yè)用電場景需考慮大功率沖擊負(fù)荷帶來的影響，相比民用場景下的負(fù)荷預(yù)測，工業(yè)場景隨機性波動較強，負(fù)荷預(yù)測難度相對更高[41-42].

工業(yè)電力系統(tǒng)各用電環(huán)節(jié)之間通常會存在一定的耦合關(guān)系，Mao 等[27]提出了一種基于LSTM的負(fù)荷預(yù)測模型，通過增加樣本多樣性來減少模型的方差，并引入?yún)⑴c因子來表示相鄰節(jié)點之間的耦合關(guān)系，預(yù)測結(jié)果的平均誤差降低了25.4%.

Kong 等[43]提出了一種基于DBN 的工業(yè)場景負(fù)荷預(yù)測方法，在模型優(yōu)化階段，通過將受限玻爾茲曼機（Restricted boltzmann machine,RBM）中的可見層節(jié)點二值變量替換為帶獨立高斯噪聲的實值變量，來構(gòu)造高斯-伯努利受限玻爾茲曼機（Gaussian-Bernoulli RBM,GB-RBM），以此來解決實值數(shù)據(jù)轉(zhuǎn)換為二進(jìn)制數(shù)據(jù)時，易產(chǎn)生噪聲的問題[38].GBRBM 的能量函數(shù)E(v,h|θ)以及可見單元vi和隱藏單元hi狀態(tài)為(v,h)時的概率分布P(v,h|θ)分別為：

式中，θ={W,ai,bi}為GB-RBM 的結(jié)構(gòu) 參數(shù)；W表示vi與hi之間的連接權(quán)重；ai表示vi的偏置；bi表示hi的偏置；σi為vi對應(yīng)的高斯噪聲的標(biāo)準(zhǔn)差.在性能優(yōu)化階段，通過采用誤差約束和無監(jiān)督學(xué)習(xí)的混合預(yù)訓(xùn)練方法，使GB-RBM 模型的輸出最大程度地擬合訓(xùn)練數(shù)據(jù).實驗結(jié)果表明，該方法可以更有效地處理實值序列數(shù)據(jù)，負(fù)荷預(yù)測的平均相對誤差維持在0.9%～3.7%.

3 新能源出力預(yù)測

新能源出力預(yù)測主要通過,構(gòu)建反映光照強度、風(fēng)速與輸出功率之間非線性關(guān)系或功率變化趨勢的預(yù)測模型，并充分利用歷史出力數(shù)據(jù)、天氣數(shù)據(jù)，對深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，最終實現(xiàn)多尺度新能源未來出力情況的全面感知和精準(zhǔn)預(yù)測[44-45].選取了26 篇出力預(yù)測代表性文獻(xiàn)，分類總結(jié)如表3 所示.

表3 電力系統(tǒng)出力預(yù)測分類Table 3 Classification of power prediction

由表3 可知，出力預(yù)測多采用CNN 和DBN 模型，分別占總數(shù)的34.6%和30.8%.

3.1 光伏出力預(yù)測

光伏出力受云量、雨、霧等天氣條件影響較大，需結(jié)合多源天氣數(shù)據(jù)來獲得較為精確的預(yù)測結(jié)果[63].文獻(xiàn)[51-53]利用光伏發(fā)電歷史數(shù)據(jù)、云量圖像等，分解出包含不同特征信息的二維數(shù)組，預(yù)測了不同時間尺度下，不同容量光伏陣列的輸出功率.Zang 等[54]提出了一種基于混合CNN 架構(gòu)的光伏出力預(yù)測模型.通過引入Residual network，建立前后層之間的“短路連接”，有助于訓(xùn)練過程中梯度的反向傳播，改善了網(wǎng)絡(luò)模型退化問題；通過引入Dense convolutional network，增強了特征傳播及特征復(fù)用，有助于降低模型的復(fù)雜程度.與預(yù)測模型中單獨采用Residual network 或 Dense convolutional network 架構(gòu)相比，預(yù)測結(jié)果的均方誤差分別降低了22.2%和29.4%.Wang 等[58]在基于長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的日前（0～24 h）光伏功率預(yù)測模型的基礎(chǔ)上，考慮了基于序列相關(guān)性，通過同時跟蹤光伏歷史出力、天氣等數(shù)據(jù)反映出的出力周期性波動和隨機性波動規(guī)律，改善了訓(xùn)練數(shù)據(jù)不足時，LSTM 預(yù)測模型易出現(xiàn)的過擬合問題結(jié)合歷史出力數(shù)據(jù)的不同特點，按早晚時段或高低頻率等方式，先對預(yù)測對象進(jìn)行分解，再按照分解結(jié)果分別進(jìn)行預(yù)測是目前光伏出力預(yù)測的研究熱點之一[59,64].Yan 等[55]利用快速傅立葉變換進(jìn)行頻譜分析，并結(jié)合歷史數(shù)據(jù)特征，得到光伏功率波形高低頻率的最佳分界點.如圖2 所示，在此基礎(chǔ)上，使用CNN 分別對光伏出力波動高頻部分和低頻部分進(jìn)行預(yù)測，與反向傳播神經(jīng)網(wǎng)絡(luò)相比，分解后采用的CNN 預(yù)測模型，預(yù)測結(jié)果平均絕對百分比誤差降低了45.2%，預(yù)測模型的訓(xùn)練效率提高了84.3%.

圖2 基于CNN 和頻域分解的光伏出力預(yù)測Fig.2 Photovoltaic power forecasting based on CNN and frequencydomain decomposition

3.2 風(fēng)電出力預(yù)測

與光伏出力相比，風(fēng)電出力受天氣影響相對較小，但波動性及間歇性更強，因而歷史數(shù)據(jù)的隨機性更加明顯[65].Khodayar 等[48]針對時空風(fēng)速預(yù)測問題，采用遞歸LSTM 模型來提取每個風(fēng)電場的時空特征，并將該時空特征輸入圖卷積神經(jīng)網(wǎng)絡(luò)中，與其他深度學(xué)習(xí)模型，如DBN 和SAE 相比，可以更好地從歷史風(fēng)速序列數(shù)據(jù)中學(xué)習(xí)更深層次的風(fēng)電出力特征.Wang 等[66]考慮到輸入數(shù)據(jù)的不確定性，通過K-means 聚類對天氣數(shù)據(jù)進(jìn)行預(yù)處理，得到了對預(yù)測精度影響較大的樣本數(shù)據(jù)，為提高DBN 模型的預(yù)測性能，將可見層受限玻爾茲曼機替換為高斯-伯努利受限玻爾茲曼機，實驗結(jié)果表明，相對于傳統(tǒng)反向傳播神經(jīng)網(wǎng)絡(luò)，預(yù)測精度提高了44.2%.Song 等[60]提出了一種集合經(jīng)驗?zāi)Ｊ椒纸狻∈枳跃幋a器的超短期風(fēng)電出力預(yù)測方法.針對高頻部分，建立了SAE 預(yù)測模型；對于低頻部分，引入了埃爾曼神經(jīng)網(wǎng)絡(luò)預(yù)測模型，與高低頻同時采用埃爾曼神經(jīng)網(wǎng)絡(luò)的預(yù)測模型相比，加入SAE后的預(yù)測模型均方根誤差降低了1.8%.Zhang 等[49]利用奇異譜分析，將原始風(fēng)電功率序列分解為趨勢和隨機波動兩部分，如圖3 所示，利用DBN 和最小二乘支持向量機（Least square support vector machine,LSSVM）分別對趨勢分量和隨機波動分量進(jìn)行預(yù)測，與兩個分量都采用LSSVM 相比，加入DBN 后的預(yù)測結(jié)果均方根誤差降低了21.2%.

圖3 基于DBN 和奇異譜分析的風(fēng)電出力預(yù)測Fig.3 Wind power forecasting based on DBN and singular spectrum analysis

在整個出力預(yù)測過程中，僅采用一種深度學(xué)習(xí)模型，可能無法達(dá)到期望的預(yù)測效果[50]，在特征提取、模型訓(xùn)練等不同環(huán)節(jié)分別采用深度學(xué)習(xí)模型變得越來越流行，此類方法提高了風(fēng)電出力的預(yù)測精度，但也增加了算法的復(fù)雜程度.Liu 等[57]將原始風(fēng)電數(shù)據(jù)分解為時間特征（不同時段）、空間特征（相鄰風(fēng)機的數(shù)據(jù)）和運行特征（槳距角控制），在此基礎(chǔ)上，通過CNN 網(wǎng)絡(luò)，從多個維度提取風(fēng)電出力的潛在特征，最后訓(xùn)練相應(yīng)數(shù)量的GRU 編碼器和全連接解碼器單元，完成風(fēng)電出力預(yù)測模型的構(gòu)建，與單獨采用GRU 預(yù)測模型相比，預(yù)測結(jié)果的均方根誤差降低了14.5%.Hossain等[61]提出了一種由CNN、GRU 和全連接神經(jīng)網(wǎng)絡(luò)組成的深度學(xué)習(xí)預(yù)測模型，CNN 從原始數(shù)據(jù)中自動學(xué)習(xí)復(fù)雜特征，并結(jié)合GRU 模型，防止梯度隨時間的推移而不斷下降，與傳統(tǒng)反向傳播神經(jīng)網(wǎng)絡(luò)相比，預(yù)測模型的平均絕對百分比誤差降低了24.1%.

4 電力設(shè)備健康狀態(tài)預(yù)測

電力系統(tǒng)健康狀態(tài)預(yù)測主要通過各類運行數(shù)據(jù)、系統(tǒng)參數(shù)以及專家知識等，結(jié)合深度學(xué)習(xí)方法建立預(yù)測模型，從而對關(guān)鍵設(shè)備未來的健康狀況進(jìn)行預(yù)測[67].按照不同的部件劃分，可以分為機械類設(shè)備健康狀態(tài)預(yù)測和非機械設(shè)備健康狀態(tài)預(yù)測.選取了18 篇代表性文獻(xiàn)，分類總結(jié)如表4 所示.

由表4 可知，電力系統(tǒng)健康狀態(tài)預(yù)測多采用SAE 模型，占總數(shù)的44.5%.

表4 電力系統(tǒng)健康狀態(tài)預(yù)測分類Table 4 Classification of power system health state prediction

4.1 機械類設(shè)備健康狀態(tài)預(yù)測

電力系統(tǒng)機械類設(shè)備健康狀態(tài)預(yù)測主要集中在發(fā)電環(huán)節(jié)，如風(fēng)機齒輪、旋轉(zhuǎn)軸承等部位.Jiang等[78]提出了一種基于去噪自編碼器（Denoising autoencoder,DAE）的風(fēng)機齒輪健康狀態(tài)預(yù)測方法.首先，構(gòu)建DAE 模型，同時將滑動窗應(yīng)用于時間序列數(shù)據(jù)，以獲取不同健康狀態(tài)特征之間的非線性關(guān)系和對時間的依賴程度；其次，利用多元正態(tài)數(shù)據(jù)離線建立參考故障指標(biāo)；最后，將處理后的實時采集數(shù)據(jù)與參考故障指標(biāo)閾值進(jìn)行比較，在線識別風(fēng)機齒輪的潛在故障.經(jīng)實際歷史數(shù)據(jù)驗證，此方法的預(yù)測誤差率低于10.0%.

當(dāng)數(shù)據(jù)量足夠時，深度學(xué)習(xí)方法可提供更為良好的實現(xiàn)效果；若沒有足夠的數(shù)據(jù)量支撐時，預(yù)測效果往往難以體現(xiàn)[82].Lu 等[72]在使用生成對抗網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)擴充的基礎(chǔ)上，結(jié)合ISO10816-3∶2009 定義的各階段軸承健康狀態(tài)閾值對LSTM 預(yù)測模型訓(xùn)練，完成軸承退化軌跡預(yù)測，經(jīng)軸承運行故障數(shù)據(jù)集測試，平均預(yù)測誤差降低了29.2%.為了充分利用有限的原始輸入數(shù)據(jù)，Meng 等[79]在已有研究的基礎(chǔ)上，通過注入高斯噪聲來改變正則化參數(shù)，隨著預(yù)測模型層數(shù)的增加，正則化參數(shù)會不斷優(yōu)化，與支持向量機和反向傳播神經(jīng)網(wǎng)絡(luò)相比，預(yù)測準(zhǔn)確率分別提高了46.1%和35.5%.

傳統(tǒng)健康狀態(tài)特征提取方式通常需要手動或在系統(tǒng)中增加額外的測量裝置來獲得設(shè)備運行數(shù)據(jù)，為此，Yang 等[71]考慮兩種最常見的退化模式（突然增加趨勢和緩慢增加趨勢），為每個待訓(xùn)練模式建立了不同的早期健康狀態(tài)判別模型和風(fēng)機軸承健康狀態(tài)CNN 預(yù)測模型，實際驗證結(jié)果表明，相對于已有預(yù)測模型，如支持向量回歸模型，均方根誤差降低了58.3%.Xia 等[80]結(jié)合歷史數(shù)據(jù)，將發(fā)電機軸承生命周期劃分為n個健康階段，如圖4 所示，利用相應(yīng)退化階段的訓(xùn)練數(shù)據(jù)，構(gòu)建并訓(xùn)練電機軸承健康狀態(tài)預(yù)測模型，與同樣采用SDA 進(jìn)行特征提取，但未進(jìn)行健康階段劃分的方法相比，預(yù)測平均相對誤差降低了18.7%.

圖4 基于SDA 的發(fā)電機軸承健康階段劃分及健康狀態(tài)預(yù)測Fig.4 Health stage segment and health state prediction of generator bearing based on SDA

4.2 非機械設(shè)備健康狀態(tài)預(yù)測

非機械類設(shè)備健康狀態(tài)預(yù)測多集中在電氣控制裝置、變壓器等部位[83]，在實際工況中，這些設(shè)備的工作狀態(tài)頻繁變化，因而采集到的一般為不規(guī)則信號，增加了健康狀態(tài)特征提取的難度，為此，Sun 等[81]提出了一種基于堆疊去噪自編碼器的風(fēng)力發(fā)電系統(tǒng)通信及傳感器健康狀態(tài)特征提取方法.首先，分析了數(shù)據(jù)集中的異常值特征；其次，利用堆疊去噪自編碼器來提取故障特征；最后，采用基于密度網(wǎng)格的聚類方法，對故障特征進(jìn)行聚類，并通過添加窗口，根據(jù)異常數(shù)據(jù)的持續(xù)時間，將異常值分類為孤立異常值、缺失數(shù)據(jù)和可用故障數(shù)據(jù).經(jīng)風(fēng)機實際運行數(shù)據(jù)驗證，該模型可有效地從高維數(shù)據(jù)集中提取更深層次的健康狀態(tài)特征.

Su 等[74]基于互相關(guān)系數(shù)的變分模態(tài)分解來分離原始振動信號的有效模式，并采用短時特征雙閾值法來完成特征狀態(tài)劃分.由于單通道收縮自編碼器提取的特征缺乏時間維度信息，因此選擇多個收縮自編碼器通道，以均勻采樣時間間隔同步提取連續(xù)特征向量，同時，將多個并行收縮自編碼器在不同時間提取的特征融合在一起，從而使得最終提取出的特征具有時間信息，在此基礎(chǔ)上，構(gòu)建了針對單個斷路器的多通道卷積自編碼器LSTM 預(yù)測模型，與CNN 等預(yù)測模型相比，預(yù)測精度提高了9.8%.

Ma 等[75]提出了一種基于LSTM 的變壓器健康狀態(tài)預(yù)測方法.假設(shè)變壓器健康狀態(tài)出現(xiàn)誤判時，由于誤判造成的損失程度，即損失權(quán)重值可表示為：

式中，ni是第i個訓(xùn)練樣本的狀態(tài)標(biāo)簽；為樣本處于誤判狀態(tài)時的概率.在得到損失權(quán)重值的基礎(chǔ)上，構(gòu)建了具有可變閾值和動態(tài)權(quán)重的交叉熵?fù)p失函數(shù)：

式中，Eal表示交叉熵?fù)p失.建立交叉熵?fù)p失函數(shù)的目的，是為了減少殘差收縮網(wǎng)絡(luò)中的誤差傳遞，提高網(wǎng)絡(luò)對正常和異常變壓器狀態(tài)的敏感性.實驗結(jié)果表明，所提預(yù)測模型平均誤差可維持在0.3%以內(nèi).

5 展望

在碳達(dá)峰、碳中和目標(biāo)指引下，電力系統(tǒng)在能源高效調(diào)配、新能源電力高比例消納、電力設(shè)備高穩(wěn)定性運行等方面的挑戰(zhàn)也在不斷增強.未來，可以從以下3 方面開展進(jìn)一步研究：

（1）現(xiàn)有負(fù)荷預(yù)測方法通常以歷史負(fù)荷作為模型訓(xùn)練數(shù)據(jù)，實際上，負(fù)荷變化情況與溫度、風(fēng)速甚至現(xiàn)階段國家或地方政策，電力用戶所在行業(yè)的經(jīng)濟形勢等多種因素密切相關(guān)，例如面向工業(yè)場景的中長期負(fù)荷預(yù)測，外部經(jīng)濟形勢直接影響著工業(yè)廠區(qū)生產(chǎn)經(jīng)營狀況，進(jìn)而影響用電負(fù)荷.因此，可考慮加入更多的相關(guān)影響因素，以進(jìn)一步改善負(fù)荷預(yù)測精度.

（2）當(dāng)前的新能源出力預(yù)測基本以集中式新能源出力為主，對分布式新能源出力預(yù)測的研究仍有待進(jìn)一步展開.與集中式相比，分布式新能源出力的波動性與隨機性更加突出，影響因素更多，除溫度、風(fēng)速、云量等常規(guī)天氣數(shù)據(jù)外，地形、地貌等地理條件對于預(yù)測精度的影響不容忽視.深度學(xué)習(xí)方法可以有效地提取多源數(shù)據(jù)的時間和空間特征，并進(jìn)行融合，從而展現(xiàn)出分布式新能源出力預(yù)測方面的潛力.

（3）電力系統(tǒng)故障往往具有并發(fā)性特點，即某種故障除了直接影響特定電力設(shè)備正常運行，也可能會間接造成其他設(shè)備失效，現(xiàn)有基于深度學(xué)習(xí)的健康狀態(tài)預(yù)測方法多針對不變工況以及單一設(shè)備失效問題，在實際工程應(yīng)用中缺乏泛化性，可考慮對變化工況及多種設(shè)備失效模式下的電力系統(tǒng)健康狀態(tài)預(yù)測進(jìn)行深入研究.