一种基于LSTM神经网络的短期用电负荷预测方法

大地方便了模型的建立,仅需要一个网络即可完成高精度的负荷预测,这也是LSTM网络在负荷预测上优于传统神经网络的方面。

 2 实例验证

本文采用EUNITE负荷数据竞赛中1997年的一年数据为样本,其中前11个月为训练数据集,预测12月5、6日每天24 h的负荷值,所取验证集中12月5日为工作日,12月6日为休息日,采用本文所提基于LSTM神经网络的模型进行训练预测,同时采用传统的基于多层BP神经网络的模型进行对照。

图7和图8分别为LSTM网络和BP网络的训练误差下降曲线,其中横轴为训练次数,纵轴为训练误差。以同样训练1 000步为分界点,可以看出对同样的数据而言,LSTM网络在训练步数为100左右已经降到0.1以下,且网络已经收敛。而多层BP网络在1 000步时训练误差还为两位数,可见LSTM学习效率明显高于传统的多层BP神经网络。

图7 LSTM网络训练误差下降曲线Fig.7 LSTM network training error decline curve

图8 BP网络训练误差下降曲线Fig.8 BP network training error decline curve

采用训练好的模型对12月5、6日的负荷数据进行预测,结果如图9、10所示,其中实线为真实数据,虚线为LSTM神经网络所预测数据,‘*’为多层BP神经网络预测数据。

图9 1997.12.05预测数据与真实数据对比Fig.9 Comparison of predicted data and real data for 5 December 1997

图10 1997.12.06预测数据与真实数据对比Fig.10 Comparison of predicted data and real data for 6 December 1997

下表1、2为所预测2天的预测误差,从中可以看出LSTM神经网络所建立的负荷预测模型误差很小,且较为稳定,在2天48个点的预测中,仅有少数几个点的误差接近3%,大都集中于1.5%附近,具有很高的预测准确率;而基于多层BP神经网络所搭建的负荷预测模型误差率较高,误差大都大于3%,一部分点的误差大于5%,不满足短期预测的精度要求。

表1 1997.12.05预测数据与真实数据对比Tab.1 Comparison of predicted data and real data for 5 December 1997

表2 1997.12.06预测数据与真实数据对比Tab.2 Comparison of predicted data and real data for 6 December 1997

在负荷预测评判标准中,应用最广泛的为平均百分误差（MAPE）,其定义为

表3 2种方法E_MAPE值对比Tab.3 Comparison of E_MAPE values in two methods

从上表可以明显看出,基于LSTM神经网络的负荷预测方法的平均百分误差要远小于多层BP网络,证明该方法在使用效果上远远优于传统方法。

 3 结语

本文从负荷数据本身的特性出发,通过研究负荷数据的周期性解释了本文采用基于LSTM神经网络的负荷研究方法的原因,然后介绍了LSTM的原理,从原理上解释了该方法对于负荷预测的适用性,随后对输入输出量的选择进行了讨论,设计网络和确定参数,为模型建立打下基础。最后采用EUNITE竞赛的实际数据进行仿真,将数据进行预处理后输入进模型进行训练预测,结果证明基于LSTM神经网络的负荷预测模型具有更高的精确度和更好的适用性。

参考文献

[1] 张东霞, 苗新, 刘丽平, 等. 智能电网大数据技术发展研究[J]. 中国电机工程学报, 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] 刘凯. 基于改进BP神经网络的短期负荷预测研究[D]. 常州: 河海大学, 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] 吕婵. 基于BP神经网络的短期负荷预测[D]. 武汉: 华中科技大学, 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] 邰能灵, 侯志俭, 李涛, 等. 基于小波分析的电力系统短期负荷预测方法[J]. 中国电机工程学报, 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. 大数据技术在负荷预测与负荷特性分析中的应用[D]. 南京: 东南大学, 2015.

[11] 李炎, 翟永杰, 周倩, 等. 基于EUNITE竞赛数据的中期电力负荷预测[J]. 华北电力大学学报, 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.