童 準(zhǔn)
(國(guó)電永福發(fā)電有限公司,廣西桂林541805)
全球經(jīng)濟(jì)飛速發(fā)展的同時(shí),帶來(lái)了能源供給不足,引起全球氣候變暖、環(huán)境惡化等現(xiàn)象[1-2],建立環(huán)保、安全、高效、可靠的電力系統(tǒng)成為電力行業(yè)研究的熱點(diǎn)。據(jù)國(guó)家能源統(tǒng)計(jì)局?jǐn)?shù)據(jù)顯示,我國(guó)每年都會(huì)有幾十億度電能浪費(fèi)[3]。因此,尋求一種準(zhǔn)確的電能負(fù)荷預(yù)測(cè)方法,可以準(zhǔn)確預(yù)測(cè)電能的供需峰值,降低電能對(duì)環(huán)境造成的不良影響,同時(shí)節(jié)約電能。電網(wǎng)負(fù)荷預(yù)測(cè)是以歷史時(shí)間序列數(shù)據(jù)為數(shù)據(jù)源,利用數(shù)據(jù)挖掘、深度學(xué)習(xí)等技術(shù)建立電網(wǎng)負(fù)荷預(yù)測(cè)數(shù)學(xué)模型,預(yù)測(cè)未來(lái)時(shí)間段的電力負(fù)荷,方便電力部門(mén)科學(xué)有效地管理電能供需量,減少電能浪費(fèi)[4]。
本文基于給定時(shí)段用電特征數(shù)據(jù)集,利用K-means聚類(lèi)算法,對(duì)居民用戶(hù)進(jìn)行聚類(lèi)。
2.1.1 聚類(lèi)流程分析
(1)數(shù)據(jù)輸入:輸入給定時(shí)段居民用電數(shù)據(jù)。
(2)數(shù)據(jù)預(yù)處理:首先對(duì)采集數(shù)據(jù)進(jìn)行清洗,然后根據(jù)居民日用電數(shù)據(jù)的不同,建立多維用電特征數(shù)據(jù)集。
(3)確定居民類(lèi)別的數(shù)量:對(duì)居民用電特征數(shù)據(jù)集進(jìn)行降維,根據(jù)降維確定居民類(lèi)別數(shù),該數(shù)值即為K-means中最佳簇集數(shù)k。
(4)確定初始聚類(lèi)中心:選取用戶(hù)用電特征、密度、距離權(quán)重最大的前k個(gè)居民為初始聚類(lèi)中心。
(5)聚類(lèi)分析:計(jì)算各聚類(lèi)中心的居民用戶(hù)所屬簇集中用戶(hù)與聚類(lèi)中心之間的距離(距離計(jì)算采用歐式距離[5]),進(jìn)而劃分簇集。
2.1.2 聚類(lèi)實(shí)驗(yàn)及分析
本次實(shí)驗(yàn)選用某小區(qū)90戶(hù)居民,采集9月1日、9月2日、9月3日3天的用電量作為數(shù)據(jù)集,對(duì)90戶(hù)居民進(jìn)行K-means聚類(lèi),最終產(chǎn)生4個(gè)簇集,聚類(lèi)結(jié)果如圖1所示,用戶(hù)被分成四大類(lèi)。
以聚類(lèi)分析為研究基礎(chǔ),針對(duì)不同類(lèi)別的居民、小區(qū),提出基于LSTM的電網(wǎng)負(fù)荷預(yù)測(cè)技術(shù),通過(guò)智能儀表采集居民用電數(shù)據(jù)作為模型的數(shù)據(jù)源,確定LSTM網(wǎng)絡(luò)參數(shù),然后對(duì)居民進(jìn)行K-means聚類(lèi)分析,對(duì)不同類(lèi)別的居民建立相應(yīng)的用電負(fù)荷預(yù)測(cè)模型,匯總最終的預(yù)測(cè)結(jié)果為小區(qū)總負(fù)荷的預(yù)測(cè)值。
2.2.1 模型構(gòu)建流程
LSTM模型構(gòu)建流程如圖2所示。
圖1 K-means聚類(lèi)結(jié)果圖
圖2 LSTM模型構(gòu)建流程圖
(1)數(shù)據(jù)預(yù)處理:對(duì)智能儀表采集的含噪聲點(diǎn)的數(shù)據(jù)進(jìn)行處理。本研究數(shù)據(jù)預(yù)處理采用歸一化處理方法。
(2)構(gòu)建輸入層:選取經(jīng)過(guò)處理的基于時(shí)間序列的歷史用電負(fù)荷數(shù)據(jù)作為預(yù)測(cè)模型的輸入,利用全連接的方法將隱藏層與輸入層進(jìn)行連接。
(3)構(gòu)建隱藏層:設(shè)置隱藏層層數(shù)為2,連接方式采用全連接的方式。
(4)構(gòu)建損失函數(shù)。
損失函數(shù)計(jì)算公式:
式中:Yi為電力負(fù)荷的實(shí)際值;yi為電力負(fù)荷的預(yù)測(cè)值。
LSTM網(wǎng)絡(luò)通過(guò)不斷訓(xùn)練,使模型的映射關(guān)系逼近真實(shí)輸入與輸出之間的非線性關(guān)系。
(5)確定LSTM網(wǎng)絡(luò)優(yōu)化器:經(jīng)對(duì)比,本次選用計(jì)算效率較高的Adam訓(xùn)練器作為L(zhǎng)STM模型的網(wǎng)絡(luò)參數(shù)。
(6)電力負(fù)荷預(yù)測(cè)值輸出:Adam訓(xùn)練器根據(jù)損失函數(shù)梯度下降的方向,多次調(diào)整LSTM權(quán)重,直至損失函數(shù)達(dá)到最優(yōu)值,此刻輸出的基于時(shí)間序列的用電序列預(yù)測(cè)值映射為電網(wǎng)的負(fù)荷預(yù)測(cè)值。
2.2.2 電網(wǎng)負(fù)荷預(yù)測(cè)實(shí)驗(yàn)及結(jié)果分析
本次實(shí)驗(yàn)選取9月5日某小區(qū)電力負(fù)荷數(shù)據(jù)為數(shù)據(jù)源,選取LSTM隱藏層的單元數(shù)為10,樣本大小為600個(gè),Adam網(wǎng)絡(luò)優(yōu)化器,根據(jù)實(shí)驗(yàn)選取的LSTM網(wǎng)絡(luò)學(xué)習(xí)率為0.6%,使用K-means算法對(duì)居民進(jìn)行聚類(lèi)分析,將用戶(hù)分為商業(yè)、中青年、老年3類(lèi)用戶(hù),建立3個(gè)對(duì)應(yīng)的LSTM網(wǎng)絡(luò),對(duì)用電負(fù)荷進(jìn)行預(yù)測(cè)實(shí)驗(yàn),最后將3個(gè)LSTM網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)值累加即為總預(yù)測(cè)值,預(yù)測(cè)結(jié)果如圖3所示。
圖3 不同類(lèi)型用戶(hù)電力負(fù)荷預(yù)測(cè)及電力總負(fù)荷預(yù)測(cè)
從圖3中看出雖然有一部分分支預(yù)測(cè)結(jié)果與實(shí)際值有偏差,但是整體趨勢(shì)預(yù)測(cè)值與實(shí)際值接近,尤其是在總負(fù)荷預(yù)測(cè)中,LSTM網(wǎng)絡(luò)精確度高,預(yù)測(cè)效果好。
電力作為國(guó)家重要的支柱產(chǎn)業(yè),關(guān)乎到每個(gè)人的生活品質(zhì),人們對(duì)用電的需求日益增加,對(duì)用電質(zhì)量要求日趨提高,因此,準(zhǔn)確的電網(wǎng)負(fù)荷預(yù)測(cè)技術(shù)具有重要的研究?jī)r(jià)值。本文對(duì)用戶(hù)進(jìn)行聚類(lèi),將用戶(hù)分為不同用電性質(zhì)的用戶(hù),針對(duì)不同性質(zhì)用戶(hù)建立相應(yīng)的LSTM負(fù)荷預(yù)測(cè)網(wǎng)絡(luò),最后將所有預(yù)測(cè)值進(jìn)行累加即為總負(fù)荷預(yù)測(cè)值,該方法打破了傳統(tǒng)的建立單一網(wǎng)絡(luò)預(yù)測(cè)的手段,提高了電網(wǎng)預(yù)測(cè)的準(zhǔn)確度,促進(jìn)了我國(guó)電力行業(yè)的發(fā)展。