基于深度神經(jīng)網(wǎng)絡(luò)的電力工程負(fù)荷預(yù)測與優(yōu)化

摘 要：電力負(fù)荷預(yù)測和優(yōu)化是電力工程中的重要研究領(lǐng)域，精確的電力負(fù)荷預(yù)測有助于電力工程項目負(fù)責(zé)人提前制定用電計劃、優(yōu)化資源配置和提高運行效率。首先，本文采用F-score特征評價方法選擇合適、有效的特征量。其次，利用深度神經(jīng)網(wǎng)絡(luò)構(gòu)建特征量與電力負(fù)荷間的預(yù)測模型，并對模型進(jìn)行修正。在此基礎(chǔ)上，基于神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，剔除冗余數(shù)據(jù)，得到電網(wǎng)負(fù)荷數(shù)據(jù)集，并利用神經(jīng)網(wǎng)絡(luò)分類器對輸出集進(jìn)行分類和融合，優(yōu)化電力負(fù)荷預(yù)測結(jié)果。仿真結(jié)果表明，本文提出的預(yù)測方法能夠較好地逼近實際電力負(fù)荷，平均絕對誤差MAPE和均方根誤差分別為2.69和1.79。運算時長、擬合程度和電力負(fù)荷值均證明優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)具有精度高、抗干擾能力強(qiáng)等優(yōu)點，能夠在電力工程中進(jìn)行推廣和應(yīng)用。

關(guān)鍵詞：負(fù)荷預(yù)測；電力系統(tǒng)；F-score特征；神經(jīng)網(wǎng)絡(luò)；均方根誤差

中圖分類號：TP 870 " " " " " " " " " " " 文獻(xiàn)標(biāo)志碼：A

電力工程包括電能生產(chǎn)、輸送、調(diào)配以及應(yīng)用相關(guān)領(lǐng)域，電力負(fù)荷是電力輸送和調(diào)配穩(wěn)定性的保證，對電力工程至關(guān)重要。電力負(fù)荷預(yù)測與優(yōu)化是電力工程領(lǐng)域中的重要研究方向。隨著能源需求持續(xù)增加、電力市場日趨復(fù)雜，對電力系統(tǒng)進(jìn)行負(fù)荷預(yù)測與優(yōu)化的研究十分重要。雖然傳統(tǒng)的時間序列分析法、回歸分析法等方法能夠滿足電網(wǎng)運行的需要，但是對變化復(fù)雜的負(fù)荷數(shù)據(jù)來說，其預(yù)測的準(zhǔn)確性和穩(wěn)健性均不能令人滿意[1]。因此本文提出基于深度神經(jīng)網(wǎng)絡(luò)的電力工程負(fù)荷預(yù)測與優(yōu)化研究。電力系統(tǒng)負(fù)荷預(yù)測是在綜合考慮歷史負(fù)荷、經(jīng)濟(jì)條件、氣象條件和社會事件等因素的基礎(chǔ)上，對未來負(fù)荷進(jìn)行預(yù)測的過程。在電網(wǎng)規(guī)劃與調(diào)度過程中，負(fù)荷預(yù)測是一項非常重要的工作，短期預(yù)測可以為機(jī)組的啟停、調(diào)度等工作提供基礎(chǔ)，準(zhǔn)確地預(yù)測電力系統(tǒng)的動態(tài)變化是保證電力系統(tǒng)正常發(fā)展，并保障其安全運行的前提，也是電力系統(tǒng)有序規(guī)劃用電、響應(yīng)用電需求以及電力市場順利發(fā)展的重要基礎(chǔ)，對電網(wǎng)優(yōu)化調(diào)度和電力市場均有十分重要的作用[2]。由于負(fù)荷預(yù)測具有強(qiáng)烈的隨機(jī)性，并會受天氣等影響，難以進(jìn)行準(zhǔn)確的預(yù)測，因此，加強(qiáng)對高負(fù)荷預(yù)測的研究、提高負(fù)荷精度是電網(wǎng)安全、經(jīng)濟(jì)運行的關(guān)鍵。

1 基于深度神經(jīng)網(wǎng)絡(luò)的電力工程負(fù)荷預(yù)測方法

對電力工程中的電力規(guī)劃和電力建設(shè)來說，準(zhǔn)確的負(fù)荷預(yù)測有助于合理規(guī)劃電源建設(shè)和電網(wǎng)布局、判定新增發(fā)電容量的規(guī)模/類型以及改進(jìn)輸電/變電設(shè)施的擴(kuò)建和改造計劃。因此電力負(fù)荷預(yù)測是電力工程中一項關(guān)鍵的工作，研究負(fù)荷預(yù)測方法對電力工程規(guī)劃、建設(shè)等具有重要意義。

1.1 F-score特征選擇

在對電力系統(tǒng)進(jìn)行短期負(fù)荷預(yù)測過程中，必須從海量的數(shù)據(jù)中抽取對其有重要作用的因子。特征選擇旨在剔除冗余的特征量，從原始特征集合中選擇能夠反映整體或大多數(shù)信息的最佳特征量，以達(dá)到降低特征空間維度的目的。F-score特性評估標(biāo)準(zhǔn)是一種簡便、高效的類內(nèi)、類間距離度量標(biāo)準(zhǔn)，可以根據(jù)類別間的距離選出最有價值的特征。在訓(xùn)練樣本集合Xk∈Rm（k=1，2，…，n）中，訓(xùn)練樣本第i個特征的F-score值Fi如公式（1）所示。

（1）

式中：l（l≥2）為抽樣類的數(shù)目；nj（j=1，2，…，l）為第類別樣品的數(shù)量；、分別為數(shù)據(jù)集合中特征i的平均和數(shù)據(jù)集合j的平均；xk，i（j）為集合j在類別k中的特征i；為集合j在第i個特征上的平均值。

公式（1）中的分子是每一類近似類間距離的平方和，而分母是總的類內(nèi)樣本協(xié)方差，F(xiàn)-score值較大，表明具有較高的類別判別能力，即類間越稀疏、類別內(nèi)部越稠密，分類效果越好，這個特征的重要性也越高，因此可以設(shè)置閾值，以選擇最佳特征子集[3]。根據(jù)F-score值對各個特征進(jìn)行降序排序，并對相鄰2個特性的F-score值和坐標(biāo)軸圍繞的區(qū)域進(jìn)行積分，累計積分，進(jìn)而串聯(lián)起來得到光滑的S曲線。曲線S的拐點就是需要設(shè)定的閾值0。因此，可以把閾值0表達(dá)成S二階差分的極大值，如公式（2）所示。

（2）

式中：fi為第i個特征的二階差分值；Si為第i個特征的累積積分；n為特征的總數(shù)；Sn為最后一個特征的累積積分值；|fi-fi-1|為第i個特征和第i-1個特征的二階差分值的絕對值；S0=0為各特征的F-score值等于0。

1.2 電力負(fù)荷預(yù)測

本文采用F-score特征篩選與深層神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，建立基于F-score特征篩選與深度神經(jīng)網(wǎng)絡(luò)相結(jié)合的電力負(fù)荷預(yù)測主要流程。電力負(fù)荷預(yù)測主要流程如圖1所示，該流程可從數(shù)據(jù)中自動抽取數(shù)據(jù)本質(zhì)特征，比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度更快、魯棒性強(qiáng)，不易陷入局部極值，能夠更好地適應(yīng)負(fù)荷預(yù)測需求。將均值誤差ε作為深層神經(jīng)網(wǎng)絡(luò)的適合度函數(shù)，如公式（3）所示。

（3）

式中：c為預(yù)測數(shù)據(jù)點總數(shù)；Yij為第i個點的實際負(fù)載值；yij為深度神經(jīng)網(wǎng)絡(luò)預(yù)測的負(fù)載值。

對采集的電力負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗、歸一化等處理，消除噪聲和野值的影響。

獲得預(yù)測輸出值后，再反歸一化為實際負(fù)荷值，如公式（4）所示。

yi=yi'（xmax-xmin）+xmin （4）

式中：yi為歸一化的實際負(fù)載值；yi'為逆向歸一化的真實載荷值；xmax和xmin分別為最大值和最小值。

為了檢驗預(yù)報的有效性，分別采用2個指數(shù)，即平均絕對誤差百分比（MAPE）和均方根誤差（RMSE），如公式（5）所示。

（5）

式中：為第i個時間點的預(yù)測負(fù)載值。

2 電力工程負(fù)荷數(shù)據(jù)處理與優(yōu)化模型構(gòu)建

2.1 電力負(fù)荷數(shù)據(jù)預(yù)處理

基于深度神經(jīng)網(wǎng)絡(luò)的電力工程負(fù)荷預(yù)測與優(yōu)化模型主要包括特征選擇、模型構(gòu)建、樣本訓(xùn)練和預(yù)測優(yōu)化4個步驟。首先，利用F-score特征評價方法對原始負(fù)荷數(shù)據(jù)進(jìn)行特征選擇，提取對負(fù)荷預(yù)測有影響的關(guān)鍵特征。其次，利用深度神經(jīng)網(wǎng)絡(luò)構(gòu)建特征量與負(fù)荷間的預(yù)測模型，并調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)、激活函數(shù)和損失函數(shù)等參數(shù)，優(yōu)化模型的性能。再次，利用樣本數(shù)據(jù)對模型進(jìn)行訓(xùn)練，采用反向傳播算法調(diào)整網(wǎng)絡(luò)參數(shù)，使模型能夠準(zhǔn)確地預(yù)測負(fù)荷值。最后，利用神經(jīng)網(wǎng)絡(luò)分類器對預(yù)測結(jié)果進(jìn)行分類和融合，進(jìn)一步優(yōu)化負(fù)荷預(yù)測結(jié)果。完成對電力負(fù)荷離散數(shù)據(jù)的檢測和校正后，對電力負(fù)荷數(shù)據(jù)統(tǒng)一進(jìn)行預(yù)處理，包括數(shù)據(jù)凈化和數(shù)據(jù)規(guī)范化。剔除原始數(shù)據(jù)集中的冗余信息，填充數(shù)據(jù)鄰域的均值或者中間值，以保證數(shù)據(jù)序列的完整性。處理包括多余數(shù)據(jù)和丟失數(shù)據(jù)的錯誤數(shù)據(jù)，如公式（6）所示。

（6）

式中：y（t）為電網(wǎng)目前的負(fù)荷順序；x（t）為剔除誤差后的載荷序列；m為異常數(shù)據(jù)的數(shù)目；ωi為對離散數(shù)據(jù)有影響力的參數(shù)；Iit為在采樣時間t下，功率負(fù)載數(shù)據(jù)所對應(yīng)的脈沖函數(shù)。

電力負(fù)荷數(shù)據(jù)具有正態(tài)分布的特性，如果使用傳統(tǒng)的偏差標(biāo)準(zhǔn)化方法，就會打亂原來的時序分布。平均標(biāo)準(zhǔn)化處理后的電量數(shù)據(jù)如公式（7）所示。

（7）

式中：x、x'分別為平均標(biāo)準(zhǔn)化前和平均標(biāo)準(zhǔn)化后的電量數(shù)據(jù)；ms為原功率負(fù)載資料的均值；sx為原電負(fù)載資料的標(biāo)準(zhǔn)偏差。

基于此對電力負(fù)載數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使其既能保證數(shù)據(jù)的維數(shù)，又能保證序列的正態(tài)分布特性。針對相同日期的電力負(fù)荷數(shù)據(jù)X=（X1，X2，…，Xn），利用絕對中值差分方法進(jìn)行異常數(shù)據(jù)識別，獲得一組電力負(fù)載數(shù)據(jù)的平均數(shù)X，如公式（8）所示。

W=median（|Xi-|） （8）

式中：median為中間函數(shù)。

利用公式（8）求出中間值后，可以得到一個比較合理的日電力負(fù)荷數(shù)據(jù)數(shù)值范圍[-nW，+nW]，如果超過這個范圍，就判定為不正常。將X'作為類似日期的異常負(fù)荷數(shù)據(jù)，對識別出的異常數(shù)據(jù)X'的缺失值，采用拉格朗日差方法進(jìn)行填補(bǔ)，即基于荷載數(shù)據(jù)點間的連續(xù)性變化，對缺失點前、后的數(shù)值進(jìn)行插值修復(fù)，從而填補(bǔ)缺損點。在此基礎(chǔ)上，針對已有的日均電量數(shù)據(jù)，進(jìn)行數(shù)據(jù)凈化和數(shù)據(jù)規(guī)范化預(yù)處理，利用數(shù)據(jù)凈化技術(shù)修補(bǔ)原負(fù)荷數(shù)據(jù)中存在的離群點，對不同維度的原始數(shù)據(jù)進(jìn)行歸一化處理，對同一時間點進(jìn)行變換，從而保證數(shù)據(jù)的質(zhì)量[4]。

2.2 神經(jīng)網(wǎng)絡(luò)分類負(fù)荷預(yù)測優(yōu)化

本文針對負(fù)荷分層特征，確立基于多層深層神經(jīng)網(wǎng)絡(luò)（DNN）的建模方法，采用多種網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)對其進(jìn)行分層采樣，以高效描述負(fù)荷分層特征。采用深層神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行初步特征提取和非線性轉(zhuǎn)換，并將其輸入已有的預(yù)測模型中。該方法充分發(fā)揮了深度學(xué)習(xí)的優(yōu)勢，并將其與傳統(tǒng)預(yù)測模型的穩(wěn)定性能相結(jié)合，更好地解決復(fù)雜、多變的電網(wǎng)負(fù)荷預(yù)測問題[5]。利用神經(jīng)網(wǎng)絡(luò)分類器對所抽取的電力負(fù)載的特征量進(jìn)行分類和融合，并在此基礎(chǔ)上對所抽取的電能進(jìn)行分類和融合。

本文在優(yōu)化過程中，重點對模型參數(shù)進(jìn)行了合理調(diào)節(jié)和選取。采用交叉驗證、網(wǎng)格搜索等方法，系統(tǒng)評價各參數(shù)組合對模型性能的影響，篩選出最優(yōu)參數(shù)。同時采用早停方法，避免當(dāng)測試集中的性能無法繼續(xù)提高時，提前停止訓(xùn)練。進(jìn)而利用真實電網(wǎng)數(shù)據(jù)對提出的理論和算法進(jìn)行深入研究，建立電網(wǎng)負(fù)荷預(yù)測與優(yōu)化模型，使其具有較高的平均絕對誤差和均方根值。

3 電力負(fù)荷預(yù)測仿真分析

3.1 電力負(fù)荷預(yù)測準(zhǔn)備

為了驗證基于深度神經(jīng)網(wǎng)絡(luò)的電力工程負(fù)荷預(yù)測與優(yōu)化模型的有效性，本文進(jìn)行了仿真試驗。試驗數(shù)據(jù)來自某電力公司的實際負(fù)荷數(shù)據(jù)，包括多個時間段的負(fù)荷值和相應(yīng)的天氣、節(jié)假日等影響因素。特征量F-score值降序排列如圖2所示，采用上述F-score特征選取法，選出9個排序較高的特征量，并將其作為負(fù)載預(yù)測的特征量。

在試驗中，先對數(shù)據(jù)進(jìn)行預(yù)處理和特征選擇，然后構(gòu)建深度神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并利用樣本數(shù)據(jù)進(jìn)行訓(xùn)練，再將觀測數(shù)據(jù)中的負(fù)荷、氣象數(shù)據(jù)按照8∶2的比例分為訓(xùn)練和測試2種類型。其中，預(yù)先選取的負(fù)載特性包括對當(dāng)日h-1期間的負(fù)載值進(jìn)行預(yù)測、對當(dāng)日h-1期間的負(fù)荷值進(jìn)行預(yù)報、對當(dāng)日h-3期間的負(fù)荷值進(jìn)行預(yù)報、對當(dāng)日h-3期間的載荷值進(jìn)行預(yù)報、對當(dāng)日的數(shù)據(jù)種類進(jìn)行預(yù)報、對2023年10月8日的氣溫進(jìn)行預(yù)測、對2023年10月1日的天氣情況進(jìn)行預(yù)報。

3.2 誤差結(jié)果

將本文算法與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)以及不采用F-score特征的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行比較，得到3種算法的預(yù)測結(jié)果及其與實際負(fù)荷間的偏差曲線。不同方法的負(fù)荷預(yù)測結(jié)果如圖3所示。當(dāng)電力負(fù)荷值為12時，負(fù)荷實際值為7500。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法的負(fù)荷值為7300，本文的改進(jìn)深度神經(jīng)網(wǎng)絡(luò)的負(fù)荷值為7543，接近電力負(fù)荷實際值，誤差較小。

預(yù)測結(jié)果誤差情況見表1，可以看出，采用F-score特征選取的深層神經(jīng)網(wǎng)絡(luò)可以取得最佳預(yù)測效果，該算法的預(yù)測結(jié)果與實際負(fù)荷的偏差最小，并且RMSE為1.79，也是最小的。傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)的MAPE為4.14，RMSE為5.53，預(yù)測時間為131.26s，而本文的改進(jìn)深度神經(jīng)網(wǎng)絡(luò)方法的MAPE為2.70，RMSE為1.80，預(yù)測時間為123.52s，預(yù)測時間比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)快了7.7s。因此，利用F-score的特征選取可以進(jìn)一步提升深層神經(jīng)網(wǎng)絡(luò)的預(yù)測能力，使其預(yù)測時間更短，能夠更好地滿足實時負(fù)荷預(yù)測的需求。因此本文的改進(jìn)深度神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測用時方面具有顯著優(yōu)勢，這不僅有助于在最短的時間內(nèi)完成電力資源的優(yōu)化配置，而且能幫助電力工程負(fù)責(zé)人提前安排作業(yè)機(jī)組啟動。

3.3 精度對比

對本文所建模型在不同時段、不同負(fù)載特征下的預(yù)測精度進(jìn)行評價，電力負(fù)荷預(yù)測值的精度對比見表2。與BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)相比，本文方法的預(yù)測準(zhǔn)確率有顯著提高。特別是尖峰時段，負(fù)荷波動劇烈，常規(guī)方法很難精確捕獲。對負(fù)荷特性進(jìn)行精細(xì)化篩選，并對模型參數(shù)進(jìn)行優(yōu)化，可以更好地擬合負(fù)荷變化趨勢，降低預(yù)報誤差。在低谷期，雖然負(fù)荷變化不大，但是該方法仍能保持較高的預(yù)報精度。當(dāng)?shù)螖?shù)為100時，第一次精度為0.896，第三次精度為0.835，比第一次低了0.061，迭代次數(shù)越多，精度越小，表明采用本文方法進(jìn)行高壓電網(wǎng)電力負(fù)荷采集的精度較高。準(zhǔn)確的負(fù)荷預(yù)測能夠促進(jìn)電力工程中的電源建設(shè)和電網(wǎng)布局，因此本文方法可加強(qiáng)對電力工程輸變電相關(guān)設(shè)施的擴(kuò)建，并完善改造計劃。

4 結(jié)論

本文采用F-score特征選取與深層神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，對電力負(fù)荷進(jìn)行高精度預(yù)報。試驗證明，本文提出的F-score特征選取算法具有較高的預(yù)測精度與高效性，可以為電網(wǎng)安全、穩(wěn)定運行與優(yōu)化調(diào)度提供重要支撐。尤其當(dāng)負(fù)載達(dá)到12級時，其預(yù)報結(jié)果與實測結(jié)果基本吻合，誤差較小。與單個模型相比，本文方法能夠有效提高電力系統(tǒng)的負(fù)荷預(yù)測精度和可靠性，其預(yù)測結(jié)果與實際負(fù)荷值的偏差最小，平均絕對誤差MAPE為2.69，均方根誤差RMSE為1.79，預(yù)測精度顯著提升，證明本文方法在電力負(fù)荷預(yù)測領(lǐng)域具有有效性，提升了電力工程的規(guī)劃效果和運行穩(wěn)定性，在電力工程運行研究中具有實用價值。

參考文獻(xiàn)

[1]曾泓泰，郭慶來，周艷真，等.面向電網(wǎng)運行方式計算的不收斂潮流無功調(diào)整方法[J].電力系統(tǒng)保護(hù)與控制，2022，50（19）：1-12.

[2]尹浩然，張玲華.基于N-BEATS的能源互聯(lián)網(wǎng)負(fù)荷預(yù)測[J].電子設(shè)計工程，2024，32（11）：76-81.

[3]生紅瑩，趙偉國，陳揚(yáng)，等.基于深度數(shù)據(jù)挖掘的電力系統(tǒng)短期負(fù)荷預(yù)測[J].吉林大學(xué)學(xué)報（信息科學(xué)版），2023，41（1）：131-137.

[4]蔣燕，王秀峰，高道春，等.面向區(qū)域綜合能源系統(tǒng)的電-氣負(fù)荷聯(lián)合預(yù)測研究[J].電測與儀表，2023，60（5）：154-158.

[5]張赫.基于數(shù)據(jù)關(guān)聯(lián)性挖掘的電力系統(tǒng)暫態(tài)穩(wěn)定態(tài)勢感知研究[J].電氣應(yīng)用，2024，43（5）：93-101.