基于长短期记忆网络的售电量预测模型研究

作者:方志强;王晓辉;夏通; 刊名:电力工程技术 上传者:焦永香

【摘要】售电量预测对优化供电结构以及了解经济走势具有重要意义,然而,传统售电量预测方法难以从售电量及其影响因素的数据中自动抽取到较好的数据特征。为此,文中提出一种基于长短期记忆网络的售电量预测模型,该模型通过分析售电量数据及其影响因素的相关性,提出一种行业聚类方法,该方法根据不同行业的数据特征对相似的行业进行聚类,并根据聚类结果训练长短期记忆网络模型。文中模型能够学习售电量数据以及相关影响因素的数据特征和内在关联关系。实验结果表明,文中所提出的预测模型比经典的预测模型具有更高的准确度。

全文阅读

0引言随着国家经济的高速发展,电力事业也处在大力发展的阶段,准确地对售电量进行预测具有重要意义,一方面供电企业可以据此调整未来供电量,优化供电结构,提高电力系统运行的安全性;另一方面,售电量作为经济发展的晴雨表,能帮助政府和供电公司了解本地区的经济发展情况,进而为管理者对售电定价、用电策略等决策[1]提供数据支撑,并有助于统筹所有行业的发展规划。根据售电量历史数据对未来售电量进行预测,在本质上可以归纳为时间序列预测问题。时间序列是指将某种统计指标在不同时刻所表示的数值按照其发生的先后顺序排列而成的序列,而时间序列数据则是时间序列所反应的实际数据。影响售电量的因素是多样的,不仅仅在时间轴上与售电量自身因素有关,还与季节、气温、气候、经济发展、周末情况、节假日情况等因素有关,因此该预测问题是多条件的时间序列预测问题。基于历史时间序列数据对未来数据进行预测的问题已经得到了国内外广泛的研究。较早的方法是英国统计学家YULE U提出的自回归模型(AR),在该模型基础上,WALKER G T提出了滑动平均模型(MA)以及自回归滑动模型(ARMA)。由于ARMA模型无法很好地在非平稳数据上进行拟合,BOX和JENKINS提出了自回归积分滑动模型(ARIMA)[2]。文献[3—5]给出了基于ARIMA模型的售电量预测方法,通过将售电量序列看成一个随机序列,运用一个数学模型来描述,并基于该模型预测未来的售电量数据。除了经典的自回归模型,THISSEN U和GUI B提出了支持向量机的时间序列数据预测方法[6-7],程海涛等[8]提出一种支持向量机结合X11季节调整方法用于短期电力负荷预测。宋晓华等[9]提出一种基于改进GM(1,1)和支持向量机的优化组合预测模型,该模型在对比较复杂的序列数据进行预测时,在性能上要高于ARIMA模型。张魁等[10]利用大数据技术通过比对GDP和电量负荷的增长趋势,并且引用政策因素对电量负荷进行预测。此外,由于售电量数据产生通常都是非线性的,受多种因素影响,线性模型通常无法得到较高的预测精度,而基于人工神经网络(ANNs)的售电量预测方法[11-13]能够执行非线性模型,进一步提高了预测的准确性。深度学习是近几年提出的一种非常有效的自动提取数据特征的有效方法[14],例如循环神经网络(RNNs)模型[15]是一种适合于处理序列数据的模型,它基于循环的网络结构能够利用序列数据本身的序列信息,发现序列的内在规律和特征,如将RNNs模型应用于股票预测[16]、轨迹位置预测[17]、语音识别[18]、自然语言处理[19-20]等领域。长短期记忆网络(long-short term memory,LSTM)是一种改进的RNNs模型,它通过修改RNNs结构中的隐藏层神经元,解决了RNNs无法有效地利用长间隔序列的问题。为了提高售电量数据的预测准确性,本文提出一种基于长短期记忆网络的售电量预测模型,该模型通过自动学习售电量历史数据以及影响因素数据特征,能够得到更好地预测准确度。1深度学习基本模型循环神经网络(RNNs)在20世纪80年代被提出,与传统人工神经网络相比,其循环的网络结构使其可以充分利用序列数据本身的序列信息。传统的人工神经网络中各个神经元的输入与输出都是相互独立的,不直接作用于彼此,且保持层间全连接,层内无连接。而在RNNs中,神经元在当前时刻的输出可以在下一时刻作用于其自身,这就使得循环神经网络可以利用历史输入信息,而不仅仅只是根据当前时刻的输入数据来更新权重,如图1所示,横向上RNNs按时间步长展开,其各时间步共享权重。图1 RN

参考文献

引证文献

问答

我要提问