基于改進(jìn)LSTM的滾動預(yù)測模型的能源供給研究

宋 強(qiáng)

(貴州電網(wǎng)有限責(zé)任公司 計量中心，貴州 貴陽 550000)

能源供給作為構(gòu)成能源市場活動的一個重要方面，充足的能源供給是經(jīng)濟(jì)和社會發(fā)展的必要保障。同時，隨著供給側(cè)結(jié)構(gòu)性改革的不斷深入、可持續(xù)發(fā)展的要求及對環(huán)保的重視程度，低碳經(jīng)濟(jì)模式逐漸成為發(fā)展重點(diǎn)[1-2]。伴隨著一大批水電站的興建，風(fēng)電、太陽能等的快速發(fā)展，能源來源持續(xù)多樣化，清潔能源逐步取代化石燃料成為主要能源，是能源供給發(fā)展的必然趨勢。因此，如何合理預(yù)測與判斷能源供給情況，結(jié)合地區(qū)資源特色保障能源供應(yīng)，同時優(yōu)化能源結(jié)構(gòu)促進(jìn)可持續(xù)發(fā)展，為競爭性業(yè)務(wù)開展提供數(shù)據(jù)支撐，值得深入探討和研究。近年來，學(xué)者對能源供給預(yù)測展開了大量研究，研究方法主要有趨勢外推法、時間序列分析法、神經(jīng)網(wǎng)絡(luò)法、灰色系統(tǒng)預(yù)測法等。文獻(xiàn)[3]利用提出了一種基于動態(tài)三次指數(shù)平滑的時間序列預(yù)測模型，對火電廠發(fā)電量進(jìn)行預(yù)測，具有動態(tài)的平滑系數(shù)和動態(tài)參數(shù)，論證了比傳統(tǒng)的加權(quán)移動平均法的預(yù)測更精準(zhǔn)，更好地服務(wù)于火電廠發(fā)電的運(yùn)行控制。文獻(xiàn)[4]采用基于BP神經(jīng)網(wǎng)絡(luò)的雙預(yù)測模型結(jié)構(gòu)來預(yù)測光伏發(fā)電量，有效地解決天氣變量預(yù)測值不準(zhǔn)確造成的預(yù)測誤差大且存在波動的問題，具有一定的實用性。文獻(xiàn)[5]運(yùn)用灰色模型對光伏發(fā)電量進(jìn)行總體趨勢預(yù)測后，引入了加權(quán)馬爾可夫鏈預(yù)測理論，同時考慮了模型對指數(shù)增長序列的適應(yīng)性以及發(fā)電量數(shù)據(jù)隨機(jī)波動的特點(diǎn)，提高了對波動性較大的發(fā)電量數(shù)據(jù)預(yù)測的精度。文獻(xiàn)[6]針對水電站的水流量和發(fā)電量，通過基于極限學(xué)習(xí)機(jī)和長短期記憶網(wǎng)絡(luò)模型的區(qū)間預(yù)測方式進(jìn)行預(yù)測，比點(diǎn)預(yù)測有更大的誤差包容性，對于水電站的穩(wěn)定運(yùn)營有著廣泛的應(yīng)用前景和指導(dǎo)意義。

總體上看，當(dāng)前多為對單一類型能源發(fā)電量進(jìn)行預(yù)測，且僅從時間維度進(jìn)行建模，未考慮影響能源發(fā)電量的主要因素，對歷史數(shù)據(jù)依賴性較強(qiáng)，隨著時間范圍的增大，誤差將不斷擴(kuò)大，精準(zhǔn)率不高。因此，本文以南網(wǎng)某電力公司為例，對不同類型能源供給進(jìn)行研究，利用灰色關(guān)聯(lián)度分析法剔除關(guān)聯(lián)度較低的變量，將能源發(fā)電量作為輸出，提出一種基于改進(jìn)LSTM的滾動預(yù)測方法，對模型進(jìn)行訓(xùn)練，對新數(shù)據(jù)持續(xù)學(xué)習(xí)，動態(tài)調(diào)整模型參數(shù)，滾動更新數(shù)據(jù)變化最新規(guī)律，具有更高的準(zhǔn)確率。

1 灰色關(guān)聯(lián)度分析法

能源發(fā)電量通常受氣候等環(huán)境外界影響較大，兩者之間具有較強(qiáng)的關(guān)聯(lián)度，因此需要對各能源類型受氣候的影響因素進(jìn)行分析?；疑P(guān)聯(lián)度分析法(Grey Relation Analysis，GRA)是一種多因素統(tǒng)計分析的方法，通過確定參考數(shù)據(jù)列和若干個比較數(shù)列的相關(guān)系數(shù)及相關(guān)度，進(jìn)而判斷其聯(lián)系是否緊密及兩因素變化的態(tài)勢是否一致[7-9]。灰色關(guān)聯(lián)度分析法計算的具體步驟如下。

(1)確定分析序列。用矩陣表示反映系統(tǒng)行為特征的參考序列和影響系統(tǒng)行為的比較序列，即：

(1)

式中，n為變量類型個數(shù)；mR+。

矩陣前4列為某地區(qū)主要能源類型：火電、水電、風(fēng)電、太陽能序列，比較序列由各氣候類型溫度、風(fēng)速、降雨量等影響因素構(gòu)成。

(2)指標(biāo)正向化。將逆向指標(biāo)通過倒數(shù)法轉(zhuǎn)化為正向指標(biāo)，使指標(biāo)同趨勢化，轉(zhuǎn)化后的矩陣仍記為X。

(3)無量綱化處理。對步驟(2)中得到的矩陣進(jìn)一步進(jìn)行數(shù)據(jù)的無量綱化處理。

(2)

矩陣轉(zhuǎn)換為矩陣：

(3)

(4)計算參考數(shù)列與比較數(shù)列灰色關(guān)聯(lián)系數(shù)。關(guān)聯(lián)系數(shù)本質(zhì)為曲線間幾何形狀的差別程度，曲線間差值的大小，可作為關(guān)聯(lián)程度的衡量尺度。參考數(shù)列與比較數(shù)列灰色關(guān)聯(lián)系數(shù)的計算如下：

(4)

式中，ρ為分辨系數(shù)，一般在0～1之間，ρ越小，分辨力越大，通常取0.5；Δ(min)為兩級最小差；Δ(max)為兩級最大差；Δi(k)為各比較數(shù)列曲線上的每一個點(diǎn)與參考數(shù)列曲線上的每一個點(diǎn)的絕對差值。

(5)計算關(guān)聯(lián)度。因為關(guān)聯(lián)系數(shù)是各個時刻的關(guān)聯(lián)程度值，數(shù)值為動態(tài)且不固定，而信息過于分散不便于進(jìn)行整體性比較，因此將各個時刻的關(guān)聯(lián)系數(shù)匯聚求平均值，作為比較數(shù)列與參考數(shù)列間的關(guān)聯(lián)程度。關(guān)聯(lián)度公式如下：

(5)

式中，ri[0，1]，其值越接近1，說明相關(guān)性越好，即該影響因素與發(fā)電量的關(guān)聯(lián)程度越大。

2 基于改進(jìn)LSTM的滾動預(yù)測模型

2.1 LSTM模型原理

長短期記憶網(wǎng)絡(luò)(LSTM，Long Short-Term Memory)[10-12]是一種時間循環(huán)神經(jīng)網(wǎng)絡(luò)，屬于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，區(qū)別于一般的RNN(循環(huán)神經(jīng)網(wǎng)絡(luò))，不只由一個簡單的結(jié)構(gòu)鏈?zhǔn)綐?gòu)成，解決了長期依賴問題。

LSTM的網(wǎng)絡(luò)結(jié)構(gòu)由多個門Gate——Input gate(輸入門)、Forget gate(遺忘門)和Output gate(輸出門)和內(nèi)部記憶單元構(gòu)成。不同于一般的RNN，LSTM中的前后2個記憶單元的隱藏層節(jié)點(diǎn)的信息傳播不是經(jīng)過Sigmoid層，而是通過一個Sigmoid的神經(jīng)層和一個逐點(diǎn)相乘的操作來實現(xiàn)的。LSTM的工作流程如下。

(1)遺忘門決定丟失信息。遺忘門通過讀取前一時刻輸出信息和當(dāng)前輸入信息，給每個記憶單元Ct-1輸出一個0～1之間的ft向量值，1表示“完全保留”，0表示“完全舍棄”。

ft=σ(Wf×[ht-1，xt]+bf)

(6)

式中，σ為Sigmoid函數(shù)；Wf為權(quán)值矩陣；ht-1為上一個記憶單元的輸出；xt為當(dāng)前記憶單元的輸入；bf為偏置量。

圖1 LSTM網(wǎng)絡(luò)結(jié)構(gòu)示意Fig.1 Network structure of LSTM

it=σ(Wi×[ht-1，xt]+bi)

(7)

(8)

由式(6)—式(8)得到更新后的記憶單元狀態(tài)Ct：

(9)

(3)輸出門決定輸出信息。輸出門的Sigmoid層決定需要輸出的信息Ot，并通過tanh進(jìn)行處理，再與Sigmoid的輸出相乘，最終得到LSTM網(wǎng)絡(luò)確定輸出的部分ht。

ot=σ(Wo×[ht-1，xt]+bo)

(10)

ht=ot×tanh(Ct)

(11)

式中，σ為Sigmoid函數(shù)；Wo為t時刻輸出門Ot的權(quán)值矩陣；ht-1、xt含義同上；bo為偏置量。

2.2 滾動預(yù)測方法

基于歷史數(shù)據(jù)對各類型能源發(fā)電的預(yù)測，本質(zhì)為建立未來各類型能源發(fā)電量與歷史各類型能源發(fā)電量及歷史氣候影響因素的映射關(guān)系[13-15]。然而氣候等環(huán)境影響因素變化較為復(fù)雜，若用統(tǒng)一復(fù)雜模型來定量描述映射關(guān)系，對于距離較遠(yuǎn)的不同電廠以及同一電廠在不同季節(jié)的變化將不具備適用條件，因此需要通過持續(xù)學(xué)習(xí)，根據(jù)接收到的最新不同能源類型的發(fā)電量變化規(guī)律以及氣候等環(huán)境因素的變化情況，將歷史數(shù)據(jù)與最新數(shù)據(jù)共同作為訓(xùn)練數(shù)據(jù)，對新數(shù)據(jù)持續(xù)學(xué)習(xí)，調(diào)整模型參數(shù)，滾動更新數(shù)據(jù)變化最新規(guī)律，提高模型預(yù)測準(zhǔn)確率。同時，為了防止模型出現(xiàn)過擬合現(xiàn)象，在訓(xùn)練時采用指數(shù)衰減的策略來設(shè)定學(xué)習(xí)率，而在測試時使用固定且很小的學(xué)習(xí)率，來控制每次滾動預(yù)測中網(wǎng)絡(luò)參數(shù)可調(diào)整的范圍。滾動預(yù)測方法以此解決數(shù)據(jù)變化規(guī)律的更替，使得模型更接近真實運(yùn)營情況，并具有良好的普適性，不受電廠地址位置等的約束。且對于新建的類型電廠，通過學(xué)習(xí)臨近電廠或類似氣候條件下的歷史發(fā)電數(shù)據(jù)，同樣能夠?qū)崿F(xiàn)滾動預(yù)測未來發(fā)電量的目的。

3 實例分析

3.1 能源數(shù)據(jù)獲取與準(zhǔn)備

本文數(shù)據(jù)來源于南網(wǎng)某電力公司提供的2018年1月—2020年4月的月度各類型能源發(fā)電量數(shù)據(jù)，主要能源類型包括火電、水電、風(fēng)電、太陽能，數(shù)據(jù)真實有效可信；氣候數(shù)據(jù)來源于互聯(lián)網(wǎng)氣象臺站，主要包括溫度、風(fēng)速、降雨量等，對各類型能源發(fā)電量進(jìn)行預(yù)測。整體預(yù)測流程如圖2所示。

圖2 基于改進(jìn)LSTM的滾動預(yù)測建模流程Fig.2 Rolling prediction modeling process based on improved LSTM

3.2 能源發(fā)電量與氣候關(guān)聯(lián)度分析

通過灰色關(guān)聯(lián)度分析方法，在式(1)中，n=8，矩陣中前4列分別代表風(fēng)電、火電、水電、太陽能的發(fā)電序列，其余各列代表影響發(fā)電量的氣候因素，分別為平均氣溫、降水量、日照時數(shù)、極大風(fēng)速，計算出各影響因素與各類型能源發(fā)電量的關(guān)聯(lián)度。計算結(jié)果見表1。

表1 能源發(fā)電量與氣候關(guān)聯(lián)度分析Tab.1 Analysis of correlation between energy generation and climate

從表1可以看出，風(fēng)電與平均氣溫、極大風(fēng)速、降水量相關(guān)性較強(qiáng)，火電與平均氣溫存在一定的相關(guān)性，水電與平均氣溫、降水量關(guān)聯(lián)度較大，太陽能與日照時數(shù)的關(guān)聯(lián)較為密切。從而得到與各類型能源關(guān)聯(lián)度較大的影響因素作為模型的輸入變量，而剔除其余關(guān)聯(lián)度較小的變量。

3.3 利用改進(jìn)LSTM的滾動預(yù)測模型預(yù)測

將經(jīng)過上述灰色關(guān)聯(lián)度分析方法篩選后的與各類型能源關(guān)聯(lián)度較大的變量作為模型的輸入，對風(fēng)電選取平均氣溫、極大風(fēng)速、降水量三維參數(shù)；對火電選取平均氣溫一維參數(shù)；對水電選取平均氣溫、降水量二維參數(shù)；對太陽能選取日照時數(shù)一維參數(shù)，將各類型能源發(fā)電量作為輸出，并按照80%、20%劃分訓(xùn)練集、測試集，利用改進(jìn)LSTM的滾動預(yù)測方法對模型進(jìn)行訓(xùn)練，設(shè)置網(wǎng)絡(luò)的時間序列交替時間步；指定LSTM層有200個隱含單元；同時防止梯度爆炸，將梯度閾值設(shè)置為1；初始學(xué)習(xí)率設(shè)定為0.005，在125輪訓(xùn)練后將學(xué)習(xí)率的衰落因子調(diào)整為0.2。最終得到各類型能源發(fā)電量的預(yù)測結(jié)果如圖3—圖6所示。

圖3 風(fēng)電預(yù)測結(jié)果Fig.3 Wind power forecast results

圖4 水電預(yù)測結(jié)果Fig.4 Hydropower forecast results

圖5 火電預(yù)測結(jié)果Fig.5 Thermal power forecast results

圖6 太陽能預(yù)測結(jié)果Fig.6 Solar energy forecast results

對比傳統(tǒng)RNN算法，本文提出的基于改進(jìn)LSTM的滾動預(yù)測算法可以解決長期依賴問題，有效提高能源發(fā)電量的預(yù)測精度。采用相同的測試數(shù)據(jù)集分別利用傳統(tǒng)算法和本文算法進(jìn)行準(zhǔn)確率測算，均方根誤差(RMSE)測算結(jié)果見表2。

由表2可知，在各時長的對比中本文算法的誤差均小于傳統(tǒng)算法，且隨著預(yù)測時間的增加，傳統(tǒng)算法與本文算法的誤差均在不斷增加，而傳統(tǒng)算法僅依賴歷史數(shù)據(jù)在隨著時長的增加誤差的增幅更大。因此基于改進(jìn)LSTM的滾動預(yù)測算法明顯優(yōu)于傳統(tǒng)方法，采用基于改進(jìn)LSTM的滾動預(yù)測算法總體準(zhǔn)確率達(dá)到了92.60%，比傳統(tǒng)算法的準(zhǔn)確率提高了7.74%。

表2 傳統(tǒng)算法與本文算法準(zhǔn)確率對比結(jié)果Tab.2 Comparison of accuracy between traditional algorithm and this algorithm

3.4 能源供給情況分析

根據(jù)上述對各類能源預(yù)測結(jié)果，結(jié)合歷史數(shù)據(jù)，進(jìn)而得到各類型能源近3年占比變化情況，并繪制能源供給情況(圖7)。從能源供給趨勢來看，風(fēng)電、水電、太陽能等清潔能源在逐步擴(kuò)大，而火電發(fā)電量占比由最初的70%以上逐漸降為40%左右，供給結(jié)構(gòu)趨于優(yōu)化。在國家能源清潔化發(fā)展戰(zhàn)略和節(jié)能減排政策的落實下，鼓勵水電、風(fēng)電、太陽能發(fā)電、核電等清潔能源發(fā)電機(jī)組替代常規(guī)火電機(jī)組發(fā)電，由高效環(huán)保的火電機(jī)組替代低效高污染火電機(jī)組及關(guān)停發(fā)電機(jī)組發(fā)電，未來水電、風(fēng)電、太陽能發(fā)電等清潔能源有望進(jìn)一步發(fā)展，且該地區(qū)水電有望替代火電成為主力發(fā)電能源類型。

圖7 能源供給情況趨勢Fig.7 Energy supply trend

針對能源供給趨勢的預(yù)測分析，進(jìn)一步提出該地區(qū)的能源發(fā)展對策[16]：①提高能源效率，通過突破關(guān)鍵技術(shù)難點(diǎn)，使用高能效鍋爐、水泵、電熱聯(lián)產(chǎn)、三連供等系統(tǒng)并對其定期維護(hù)，以及擴(kuò)大水電、風(fēng)電等裝機(jī)容量，提高設(shè)備利用率；②大力發(fā)展可再生能源與新能源，積極并因地制宜地制定好可再生能源發(fā)展規(guī)劃，加大對可再生能源如新能源分布式光伏、生物質(zhì)能等的開發(fā)和推廣；③加強(qiáng)政府能源管理，制定系統(tǒng)和配套的綜合性能源政策和法規(guī)體系，保證資金重組和提高投資者的積極性，以及制定可再生能源有關(guān)技術(shù)標(biāo)準(zhǔn)、產(chǎn)品質(zhì)量標(biāo)準(zhǔn)，規(guī)范經(jīng)營者的行為和保證消費(fèi)者的合法權(quán)益等。

4 結(jié)語

本文從能源供給側(cè)出發(fā)，提出一種基于改進(jìn)LSTM的滾動預(yù)測模型的能源供給預(yù)測方法，通過灰色關(guān)聯(lián)度分析法篩選關(guān)聯(lián)度較高的變量，利用改進(jìn)LSTM的滾動預(yù)測方法滾動更新數(shù)據(jù)變化最新規(guī)律，對各類型能源進(jìn)行預(yù)測，解決了長期依賴問題，有效提高能源發(fā)電量的預(yù)測長度和精度，模型預(yù)測準(zhǔn)確率達(dá)到92.60%，相比傳統(tǒng)算法提高了7.74%。同時以直觀可視化的方式展現(xiàn)預(yù)測結(jié)果，并針對提出能源發(fā)展對策，實現(xiàn)對能源市場發(fā)展?jié)摿Φ姆治?，為競爭性業(yè)務(wù)開展提供數(shù)據(jù)支撐。