大地方便了模型的建立,僅需要一個網(wǎng)絡(luò)即可完成高精度的負(fù)荷預(yù)測,這也是LSTM網(wǎng)絡(luò)在負(fù)荷預(yù)測上優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的方面。

 2 實例驗證

本文采用EUNITE負(fù)荷數(shù)據(jù)競賽中1997年的一年數(shù)據(jù)為樣本,其中前11個月為訓(xùn)練數(shù)據(jù)集,預(yù)測12月5、6日每天24 h的負(fù)荷值,所取驗證集中12月5日為工作日,12月6日為休息日,采用本文所提基于LSTM神經(jīng)網(wǎng)絡(luò)的模型進(jìn)行訓(xùn)練預(yù)測,同時采用傳統(tǒng)的基于多層BP神經(jīng)網(wǎng)絡(luò)的模型進(jìn)行對照。

圖7和圖8分別為LSTM網(wǎng)絡(luò)和BP網(wǎng)絡(luò)的訓(xùn)練誤差下降曲線,其中橫軸為訓(xùn)練次數(shù),縱軸為訓(xùn)練誤差。以同樣訓(xùn)練1 000步為分界點,可以看出對同樣的數(shù)據(jù)而言,LSTM網(wǎng)絡(luò)在訓(xùn)練步數(shù)為100左右已經(jīng)降到0.1以下,且網(wǎng)絡(luò)已經(jīng)收斂。而多層BP網(wǎng)絡(luò)在1 000步時訓(xùn)練誤差還為兩位數(shù),可見LSTM學(xué)習(xí)效率明顯高于傳統(tǒng)的多層BP神經(jīng)網(wǎng)絡(luò)。

圖7 LSTM網(wǎng)絡(luò)訓(xùn)練誤差下降曲線Fig.7 LSTM network training error decline curve

圖8 BP網(wǎng)絡(luò)訓(xùn)練誤差下降曲線Fig.8 BP network training error decline curve

采用訓(xùn)練好的模型對12月5、6日的負(fù)荷數(shù)據(jù)進(jìn)行預(yù)測,結(jié)果如圖9、10所示,其中實線為真實數(shù)據(jù),虛線為LSTM神經(jīng)網(wǎng)絡(luò)所預(yù)測數(shù)據(jù),‘*’為多層BP神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)據(jù)。

圖9 1997.12.05預(yù)測數(shù)據(jù)與真實數(shù)據(jù)對比Fig.9 Comparison of predicted data and real data for 5 December 1997

圖10 1997.12.06預(yù)測數(shù)據(jù)與真實數(shù)據(jù)對比Fig.10 Comparison of predicted data and real data for 6 December 1997

下表1、2為所預(yù)測2天的預(yù)測誤差,從中可以看出LSTM神經(jīng)網(wǎng)絡(luò)所建立的負(fù)荷預(yù)測模型誤差很小,且較為穩(wěn)定,在2天48個點的預(yù)測中,僅有少數(shù)幾個點的誤差接近3%,大都集中于1.5%附近,具有很高的預(yù)測準(zhǔn)確率;而基于多層BP神經(jīng)網(wǎng)絡(luò)所搭建的負(fù)荷預(yù)測模型誤差率較高,誤差大都大于3%,一部分點的誤差大于5%,不滿足短期預(yù)測的精度要求。

表1 1997.12.05預(yù)測數(shù)據(jù)與真實數(shù)據(jù)對比Tab.1 Comparison of predicted data and real data for 5 December 1997

表2 1997.12.06預(yù)測數(shù)據(jù)與真實數(shù)據(jù)對比Tab.2 Comparison of predicted data and real data for 6 December 1997

在負(fù)荷預(yù)測評判標(biāo)準(zhǔn)中,應(yīng)用最廣泛的為平均百分誤差（MAPE）,其定義為

表3 2種方法E_MAPE值對比Tab.3 Comparison of E_MAPE values in two methods

從上表可以明顯看出,基于LSTM神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測方法的平均百分誤差要遠(yuǎn)小于多層BP網(wǎng)絡(luò),證明該方法在使用效果上遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng)方法。

 3 結(jié)語

本文從負(fù)荷數(shù)據(jù)本身的特性出發(fā),通過研究負(fù)荷數(shù)據(jù)的周期性解釋了本文采用基于LSTM神經(jīng)網(wǎng)絡(luò)的負(fù)荷研究方法的原因,然后介紹了LSTM的原理,從原理上解釋了該方法對于負(fù)荷預(yù)測的適用性,隨后對輸入輸出量的選擇進(jìn)行了討論,設(shè)計網(wǎng)絡(luò)和確定參數(shù),為模型建立打下基礎(chǔ)。最后采用EUNITE競賽的實際數(shù)據(jù)進(jìn)行仿真,將數(shù)據(jù)進(jìn)行預(yù)處理后輸入進(jìn)模型進(jìn)行訓(xùn)練預(yù)測,結(jié)果證明基于LSTM神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測模型具有更高的精確度和更好的適用性。

參考文獻(xiàn)

[1] 張東霞, 苗新, 劉麗平, 等. 智能電網(wǎng)大數(shù)據(jù)技術(shù)發(fā)展研究[J]. 中國電機工程學(xué)報, 2015, 35(1): 2-12.

ZHANG Dong-xia, MIAO Xin, LIU Li-pin, et al.Research on development strategy for smart grid big data[J]. Proceedings of the CSEE, 2015, 35(1): 2-12.

[2] 劉凱. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測研究[D]. 常州: 河海大學(xué), 2005: 7-9.

[3] HIPPERT H S, PEFREIRA C E, SOUZA R C.Neural network for short-term load forecasting a review and evaluation[J]. IEEE Trans on Power System, 2001, 16(2):44-54.

[4] 呂嬋. 基于BP神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測[D]. 武漢: 華中科技大學(xué), 200.

[5] BASHIR Z A, EI-HAWARY M E. Applying wavelets to short-term load forecasting using PSO-based neural networks[J]. IEEE Transactions on Power System,2009, 24(1): 20-27.

[6] 邰能靈, 侯志儉, 李濤, 等. 基于小波分析的電力系統(tǒng)短期負(fù)荷預(yù)測方法[J]. 中國電機工程學(xué)報, 2003, 23(1): 45-48.

TAI Neng-ling, HOU Zhi-jian, LI Tao, et al.New principle based on wavelet transform for power system short-term load forecasting[J]. Proceedings of the CSEE,2003, 23(1): 45-48.

[7] DUDEK G.Short-term load forecasting using random forests[C]// IEEE Conf. on Intelligent Systems, 2014: 821-828.

[8] HOCHREITER S, SEHMIDHUBERJ. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780.

[9] GRAVES A.Supervised sequence labelling with recurrent neural networks[D]. Ph. D Dissertation. Manno. Switzerland: Technical University of Munich,2008.

[10] 杜明建. 大數(shù)據(jù)技術(shù)在負(fù)荷預(yù)測與負(fù)荷特性分析中的應(yīng)用[D]. 南京: 東南大學(xué), 2015.

[11] 李炎, 翟永杰, 周倩, 等. 基于EUNITE競賽數(shù)據(jù)的中期電力負(fù)荷預(yù)測[J]. 華北電力大學(xué)學(xué)報, 2007, 34(4): 22-26.

LI Yan, ZHAI Yong-jie, ZHOU Qian, et al.Mid-term load forecasting based on EUNITE competition[J]. Journal of North China Electric Power University, 2007,34(4): 22-26.

[12] PANKRATZ A.Forecasting with univariate Box-Jenkins model[M]. John Wiley & Sons, 1983.