复制成功

1 引言

习近平总书记在党的二十大提出“确保能源资源、重要产业供应链安全”，明确了电力资源在我国民生、工业和经济发展中的基础位置。由于电力资源不可大量存储，因而对于工业巨大的用电需求量以及民用电量的高峰值不确定等电力需求问题，给分配及管控过程带来了巨大的困难^[1]。对于电力部门来说，要做到合理的分配电力资源，做到满足用电量需求的同时，也不因分配电力资源过多而导致浪费。由此可见，精确的电力负载预测显得尤为重要。智能电网的搭建为精确负载预测提供了可能性。

智能电网建立在集成、高速的双向通信网络基础之上，充分利用先进的传感测量技术、优化控制技术和决策支持技术，实现对智能电网系统数据的实时、及时、海量数据收集，巨额的数据量为电力数据的分析提供了便利。

随着智能电网体系的搭建，智能电表大规模部署，智能电网中所产生的数据量较之传统电网要高出4个数量级。与以往按月抄表的方式不同，智能电表能够以15、30或60min的采样时间间隔逐家逐户采集用电数据^[2]，获取海量用户实时用电数据。

近年来，在负载预测方面，国内外的研究人员已经开展了广泛的研究。R. Edwards和 J. New ^[3]将7种不同的机器学习算法分别应用于住户级和建筑级两个数据集进行负载预测，虽在住户级负载预测的准确度上远远不及建筑级，但也扩宽了对于电力负载数据研究的思路。

将不同神经网络的神经网络用于电力负载分析以及发展的相当成熟，各种模型层出不穷，并在区域级、建筑级等大范围电力消耗上做到了精准预测。然而，不管是传统的机器学习方法还是深度学习模型，都无法在住户级负载分析上取得较高的准确度。H.Shi和M. Xu^[4]提出基于池的深度递归神经网络（Novel Pooling Deep RNN），并将其用于住户级负载预测当中，取得了较好的结果。

对于当前的短期电力负载预测严重中，我们发现（1）对于住户级电力负载数据存在的突变性、波动性并没有进行有效消除（2）并未将多重的具有离散性和连续性特征序列的电力数据结合起来分析。本文提出了一个具有多重检测的长短期记忆网络（Multi-detection – Long  Short-term Memory Recurrent Neural Networks）预测模型，首先建立多重检测模型将用户行为进行聚类，然后分开预测。

2 方法与模型

2.1 LSTM网络

LSTM网络又叫长短期记忆网络，其核心在于构建了贯穿所有时间步的信息流，并有门控制信息的删除与增加。图1中St-1到St代表LSTM的核心结构细胞状态（Cell State）

图1 LSTM模型结构^[5]

LSTM结构还定义了输入节点g_t、输入门i_t、遗忘门f_t和输出门o_t。LSTM结构中所有节点的表述由（1）至（6）给出。其中，W_gx、W_gh、W_ix、W_ih、W_fx、W_fh、W_ox和W_oh是网络激活函数相应输入的权重矩阵；⊙代表一个元素相乘；σ代表sigmoid激活函数，而φ代表tanh函数。

f_t = σ W_fxx_t + W_fhh_t−1 + b_f              （1） 

i_t =σ(W_ixxt+W_ihh_t−1+b_i)                  （2） 

g_t = φ W_gxx_t + W_ghh_t−1 + b_g          （3）

o_t =σ(W_oxx_t+W_ohh_t−1+b_o)              （4）

s_t = g_t ⊙ i_t + s_t−1 ⊙ f_t                      （5）

h_t =φ(s_t)⊙o_t                                      （6）

所有的权重和偏差都是通过最小化LSTM输出和实际训练样本之间的差异来学习的。通过这种非滚动结构，当前时间步骤的信息可以被存储和维护，以影响未来时间步骤的LSTM输出。

2.2 Multi-detection-LSTM模型

Multi-detection-LSTM模型的建模流程如图2所示。首先，进行数据预处理，依据数据缺失情况，采用多重插补法对数据进行补全。输入矩阵的每一行都是相应时间步长的缩放特征，这些特征被送入LSTM层中相应的LSTM块。由于LSTM层输出的顺序性，可以将任意数量的LSTM层堆叠起来，形成一个深度学习网络。最后，输出预测结果。

图2 Multi-detection-LSTM建模流程图

2.3 模型评价指标

本文评价指标采用Mean Square Error（MSE）来反映估计量与被估计量之间差异程度的一种度量，MSE值越小，证明模型预测越准确。公式（7）中s是神经网络给出的预测值，y是测试集的值。

          （7）

3 实验与分析

智能电表的数据来自爱尔兰能源监管委员会（CER），所有数据均可从ISSDA网站（https://www.ucd.ie/issda/data/）下载。他们的电力客户行为试验（CBTs）项目，有超过5000个爱尔兰家庭和企业参与。智能电表以30分钟收集一次数据的时间采样率，进行负载数据的收集和转换，收集了2009年至2010年的负载数据信息。所有实验环境如下：Python3.10 + Pytorch1.7.1。

3.1 实验数据

CER数据集中的数据分为三段，中间以空格隔开：

该数据集收集了2009年至2010年的75周数据，在最理想的情况下，一个家庭可以有525天的用电记录，每天有48条记录。每户的智能电表数据中是否有缺失的数据不详，因此，对于住户级负载预测来说，在数据预处理中选择符合用户用电量行为的数据进行填补至关重要。

3.2 数据预处理

多重插补法MI（Multiple Imputation）是一种基于重复模拟的处理缺失值的方法。它从一个含有缺失值的数据集中整合出一个用于填补的数据集。每个数据集中的缺失数据都用蒙特卡洛方法（Monte Carlo method）来填补。与使用平均数进行插值的简单归因法相比，使用多重插补法填补的缺失值更符合个体家庭的用电特点。

3.3 实验及结果分析

使用Multi-detection-LSTM模型对住户级短时用电量进行训练和预测，预测的误差值（MSE）与通过多重检测聚类得到的具有相似住户行为的住户数（X轴）如图3所示。

图3 MSE与聚类户数关系                                                                  图4 MSE与处理后的住户户数

从图3可以发现，对于住户级短期负载预测来说，具有相似用户行为的户数越多，预测结果越准确。而一些“稀有”用户行为，在提升其所能聚类的住户数时发生了过拟合，使其MSE值居高不下且下降缓慢。在剔除了离群值后（图4），预测性能较之前有显著提升，并逐步稳定在0.1-0.2的区间内。由此可见，单从MSE值上来说，Multi-detection-LSTM模型能对大多数住户进行较为准确的短期用电量预测。

如图5所示，我们选取了MSE较低的一类住户，查看了其预测实际值。可以发现，虽然MSE达到了较低的数值，但在24小时短期负载预测的的情况下，预测结果成功模拟了住户级用电量的波动性，但在突变性上的表现仍有不足。

图5 住户级负载预测的预测值（橙）与实际值（蓝）对比

4 总结

本文借鉴了时间序列预测方向的模型以及误差补偿的前沿算法技术，提出了一种基于聚类和LSTM的住户级负载预测模型——Multi-detection-LSTM。在综合分析了住户级负载的波动性和突变性之后，构建能自适应学习同类型住户用电行为的模型，在解决住户级负载预测的波动性问题上表现出色，验证了以数学模型模拟小规模用电情景的可行性。本文未来的研究工作如下：

（1） 多元化：从天气指标入手，将天气指标准确量化，力求解决住户级负载预测的突变性难题；

（2） 实时性：实现智能电表入网，通过高速的双向网络环境，帮助运维人员能够及时的发现问题甚至预测问题。

（3） 自动化：构建高集成化、高智能化电力系统，实现自动化检测，自动化决策，降低潜在风险。

5 参考文献

[1] "The smart meter installation process | Smart Energy GB", Smartenergygb.org,2020.[Online].Available: https://www.smartenergygb.org/en/get-a-smart- meter/the-installation-process. [Accessed: 25- Mar- 2020].

[2] Y. Wang, Q. Chen, T. Hong and C. Kang, "Review of Smart Meter Data Analytics: Applications, Methodologies, and Challenges", IEEE Transactions on Smart Grid, vol. 10, no. 3, pp. 3125-3148, 2019. Available: 10.1109/tsg.2018.2818167.

[3]  R. Edwards, J. New and L. Parker, "Predicting future hourly residential electrical. consumption: A machine learning case study", Energy and Buildings, vol. 49, pp. 591-603, 2012. Available: 10.1016/j.enbuild.2012.03.010.

[4]  H. Shi, M. Xu and R. Li, "Deep Learning for Household Load Forecasting—A. Novel Pooling Deep RNN", IEEE Transactions on Smart Grid, vol. 9, no. 5, pp. 5271-5280, 2018. Available: 10.1109/tsg.2017.2686012.

[5]  Kong, W. et al. (2019) “Short-term residential load forecasting based on LSTM recurrent neural network,” IEEE Transactions on Smart Grid, 10(1), pp. 841–851. Available at: https://doi.org/10.1109/tsg.2017.2753802.