基于深度學(xué)習(xí)的智能電網(wǎng)短期日負(fù)荷曲線預(yù)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

摘要：短期電力負(fù)荷精準(zhǔn)預(yù)測(cè)對(duì)發(fā)電容量與輸電方式的合理調(diào)度、確保電力系統(tǒng)安全、穩(wěn)定運(yùn)行起著至關(guān)重要的作用。本文針對(duì)負(fù)荷數(shù)據(jù)基數(shù)大、難提取、負(fù)荷預(yù)測(cè)影響因素多等問(wèn)題，運(yùn)用Mysql數(shù)據(jù)庫(kù)和Python爬蟲(chóng)技術(shù)構(gòu)建了短期負(fù)荷曲線預(yù)測(cè)基礎(chǔ)數(shù)據(jù)平臺(tái)，提高了數(shù)據(jù)的存取效率；針對(duì)電力負(fù)荷的隨機(jī)波動(dòng)性，運(yùn)用 Pandas、關(guān)聯(lián)分析算法完成了缺失值處理和影響因素與用電負(fù)荷的相關(guān)性分析；為提高預(yù)測(cè)精度，探索使用了融合卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶網(wǎng)格和注意力機(jī)制的多元混合神經(jīng)網(wǎng)絡(luò)模型。同時(shí)，基于Flask、VUE框架和Echarts可視化組件搭建了圖形可視化界面，便于用戶觀測(cè)負(fù)荷數(shù)據(jù)與預(yù)測(cè)結(jié)果。

0   引言

隨著我國(guó)經(jīng)濟(jì)社會(huì)的高速發(fā)展，各行業(yè)對(duì)電力的依賴增強(qiáng)，對(duì)供電可靠性及電能質(zhì)量的要求日益提高。短期電力負(fù)荷精準(zhǔn)預(yù)測(cè)是建設(shè)智能配電網(wǎng)和提高分布式電源消納能力的一個(gè)關(guān)鍵指標(biāo)，對(duì)確保電力系統(tǒng)穩(wěn)定調(diào)度、保證其經(jīng)濟(jì)、安全、可靠的運(yùn)行起著至關(guān)重要的作用^[1]。

短期電力負(fù)荷預(yù)測(cè)通常是指在考慮一些重要的系統(tǒng)運(yùn)行特性、增容決策和自然條件的情況下，利用現(xiàn)有的歷史數(shù)據(jù)及相關(guān)的外圍數(shù)據(jù)建立預(yù)測(cè)模型，對(duì)未來(lái)較短時(shí)間（幾小時(shí)、幾天到幾周）內(nèi)的電力需求量（功率）、未來(lái)用電量( 能量) 以及負(fù)荷曲線的預(yù)測(cè)^[2]。由于電力系統(tǒng)負(fù)荷本身具有的不可控性，再加上各種經(jīng)濟(jì)、環(huán)境等不確定性因素的影響，進(jìn)行精準(zhǔn)的短期電力負(fù)荷預(yù)測(cè)是比較困難的。短期日負(fù)荷曲線預(yù)測(cè)是短期電力負(fù)荷預(yù)測(cè)中的一類(lèi)，由于日負(fù)荷曲線包含了一天很多時(shí)點(diǎn)的信息，需要對(duì)一天中各個(gè)時(shí)點(diǎn)的負(fù)荷進(jìn)行預(yù)測(cè)，故預(yù)測(cè)難度相對(duì)較大。精準(zhǔn)的短期日負(fù)荷曲線預(yù)測(cè)可有效輔助調(diào)度中心安排日調(diào)度計(jì)劃，包括確定機(jī)組啟停、水庫(kù)調(diào)度和設(shè)備檢修等^[3]。

本文介紹的“基于深度學(xué)習(xí)的智能電網(wǎng)短期日負(fù)荷曲線預(yù)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)”，以用電基數(shù)大，總體規(guī)律相對(duì)穩(wěn)定的公共變壓器為研究對(duì)象；采用Python 爬蟲(chóng)技術(shù)+Mysql 數(shù)據(jù)庫(kù)構(gòu)建短期負(fù)荷曲線預(yù)測(cè)基礎(chǔ)數(shù)據(jù)平臺(tái)，實(shí)現(xiàn)歷史負(fù)荷數(shù)據(jù)一鍵入庫(kù)、影響因素?cái)?shù)據(jù)爬蟲(chóng)解析入庫(kù)功能，有效提高負(fù)荷預(yù)測(cè)數(shù)據(jù)的存取效率；應(yīng)用NumPy、Pandas、關(guān)聯(lián)分析算法進(jìn)行缺失數(shù)據(jù)處理與影響因素分析，深入研究天氣、工作日類(lèi)型等影響因素與用電負(fù)荷的相關(guān)性；針對(duì)現(xiàn)有淺層神經(jīng)網(wǎng)絡(luò)電力負(fù)荷預(yù)測(cè)方法難于對(duì)負(fù)荷數(shù)據(jù)特征進(jìn)行充分提取，限制了短期負(fù)荷預(yù)測(cè)精度的問(wèn)題，使用了融合CNN+LSTM+Attention 的多元混合神經(jīng)網(wǎng)絡(luò)模型，提高了預(yù)測(cè)精度；為了讓用戶更加直觀便捷地觀察負(fù)荷數(shù)據(jù)和預(yù)測(cè)結(jié)果，搭建了基于Flask+VUE 框架、Echarts 可視化組件的圖形可視化界面，提供了便捷的人機(jī)交互方式。系統(tǒng)架構(gòu)如圖1 所示：

圖1 系統(tǒng)架構(gòu)圖

1   短期日負(fù)荷曲線預(yù)測(cè)基礎(chǔ)數(shù)據(jù)平臺(tái)

負(fù)荷預(yù)測(cè)的前提是基礎(chǔ)數(shù)據(jù)，在建立預(yù)測(cè)模型前，首先需要完成變壓器歷史時(shí)點(diǎn)負(fù)荷、負(fù)荷預(yù)測(cè)影響因素等原始數(shù)據(jù)采集，并進(jìn)行必要的數(shù)據(jù)預(yù)處理與分析，為構(gòu)建最終用于建模的輸入數(shù)據(jù)做好數(shù)據(jù)準(zhǔn)備。由于歷史時(shí)點(diǎn)負(fù)荷數(shù)據(jù)體量大，難提取、影響因素多等問(wèn)題，本系統(tǒng)構(gòu)建了短期負(fù)荷曲線預(yù)測(cè)基礎(chǔ)數(shù)據(jù)平臺(tái)，實(shí)現(xiàn)數(shù)據(jù)的系統(tǒng)化管理，為預(yù)測(cè)模型提供較好的數(shù)據(jù)支持。

1.1 數(shù)據(jù)采集

公共變壓器短期日負(fù)荷曲線預(yù)測(cè)需要的數(shù)據(jù)主要有歷史時(shí)點(diǎn)負(fù)荷、天氣、工作日類(lèi)型、節(jié)假日、社會(huì)大事件等負(fù)荷預(yù)測(cè)影響因素?cái)?shù)據(jù)。其中歷史時(shí)點(diǎn)負(fù)荷數(shù)據(jù)源自某省電網(wǎng)調(diào)度中心，獲取到的往往是大容量的文本文件，存在數(shù)據(jù)體量大、難提取、不易管理等問(wèn)題，本系統(tǒng)根據(jù)采集到的歷史負(fù)荷數(shù)據(jù)結(jié)構(gòu)與類(lèi)型，選用MySQL 數(shù)據(jù)庫(kù)，應(yīng)用Python 編程語(yǔ)言，實(shí)現(xiàn)了歷史負(fù)荷數(shù)據(jù)一鍵解析入庫(kù)，提高了數(shù)據(jù)的存取效率。負(fù)荷預(yù)測(cè)影響因素，諸如天氣、工作日類(lèi)型、節(jié)假日等數(shù)據(jù)考慮其實(shí)效性，應(yīng)用Python 爬蟲(chóng)Beautiful Soup 庫(kù)從國(guó)家氣象局、TkinkAPI 等公用網(wǎng)絡(luò)接口自動(dòng)提取，并解析入庫(kù)。

1.2 數(shù)據(jù)庫(kù)結(jié)構(gòu)設(shè)計(jì)

根據(jù)短期日負(fù)荷曲線預(yù)測(cè)業(yè)務(wù)邏輯需求和采集到的原始數(shù)據(jù)結(jié)構(gòu)及各種數(shù)據(jù)類(lèi)型之間的關(guān)系，搭建了MySQL 數(shù)據(jù)庫(kù)平臺(tái)。其中表1~3 為部分?jǐn)?shù)據(jù)表的字段定義和說(shuō)明。

2   數(shù)據(jù)處理與分析

2.1 數(shù)據(jù)預(yù)處理

解析入庫(kù)的短期日負(fù)荷曲線預(yù)測(cè)基礎(chǔ)數(shù)據(jù)并不能直接用于模型預(yù)測(cè)，需要進(jìn)行必要的數(shù)據(jù)清洗與缺失值處理。例如采集到的時(shí)點(diǎn)負(fù)荷數(shù)據(jù)由于采集器發(fā)生故障或進(jìn)行檢修時(shí)設(shè)備暫停會(huì)導(dǎo)致部分?jǐn)?shù)據(jù)缺失，可以應(yīng)用Pandas 通過(guò)類(lèi)似區(qū)域變壓器或歷史近似日時(shí)點(diǎn)負(fù)荷數(shù)據(jù)進(jìn)行近鄰插補(bǔ)；再比如節(jié)假日的負(fù)荷會(huì)比工作日負(fù)荷低很多，且可獲取到的負(fù)荷數(shù)據(jù)較少，受到各種隨機(jī)因素的影響較大，為了數(shù)據(jù)的一致性，我們?cè)跀?shù)據(jù)預(yù)處理階段通常會(huì)將節(jié)假日的數(shù)據(jù)設(shè)置為缺失值，然后在將節(jié)假日轉(zhuǎn)換成月份、星期后，基于K 鄰近算法完成缺失值插補(bǔ)，具體代碼如圖2 所示。

圖2 基于K近鄰算法的缺失值插補(bǔ)示例代碼

2.2 關(guān)聯(lián)分析

短期日負(fù)荷曲線預(yù)測(cè)的影響因素種類(lèi)較多，如天氣、工作日類(lèi)型、社會(huì)大事件等都會(huì)對(duì)預(yù)測(cè)結(jié)果產(chǎn)生影響。若采用單一的或者影響作用較小的因素作為輸入特征，則不利于預(yù)測(cè)模型挖掘出負(fù)荷數(shù)據(jù)和影響因素之間的關(guān)聯(lián)性，進(jìn)而影響負(fù)荷預(yù)測(cè)的精度；若把所有影響因素全部作為輸入特征，反而會(huì)影響預(yù)測(cè)模型的泛華能力^[4]，因此對(duì)影響因素進(jìn)行相關(guān)性分析十分必要。

本文應(yīng)用APRIORI，SPUFP( 一種改進(jìn)的關(guān)聯(lián)規(guī)則增量更新算法) 等關(guān)聯(lián)算法，通過(guò)計(jì)算兩兩指標(biāo)的相關(guān)系數(shù)，分析得知工作日類(lèi)型、節(jié)假日影響因素與短期負(fù)荷存在較強(qiáng)的相關(guān)性；區(qū)域最高氣溫、最低氣溫和平均氣溫都與短期負(fù)荷呈現(xiàn)顯著的負(fù)相關(guān)，相關(guān)系數(shù)絕對(duì)值均在0.4 以上。在天氣類(lèi)影響因素中，相對(duì)濕度與短期負(fù)荷呈現(xiàn)極弱的負(fù)相關(guān)，對(duì)負(fù)荷預(yù)測(cè)影響較小?；谝陨戏治?，根據(jù)影響程度確定工作日類(lèi)型、最高氣溫、最低氣溫、平均氣溫作為建模的初始特征集。

3   短期日負(fù)荷曲線預(yù)測(cè)

智能電網(wǎng)短期日負(fù)荷曲線預(yù)測(cè)系統(tǒng)最核心的問(wèn)題是利用現(xiàn)有歷史數(shù)據(jù)及相關(guān)外圍數(shù)據(jù)建立預(yù)測(cè)模型。通過(guò)文獻(xiàn)調(diào)研發(fā)現(xiàn)，目前已有的負(fù)荷預(yù)測(cè)模型大多是淺層神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，而基于淺層神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)方法難以對(duì)原始負(fù)荷數(shù)據(jù)特征進(jìn)行充分提取，限制了短期負(fù)荷預(yù)測(cè)精度的提高^[5]。近年來(lái)，隨著深度學(xué)習(xí)的興起，國(guó)內(nèi)外研究人員開(kāi)始嘗試將卷積神經(jīng)網(wǎng)絡(luò)(CNN)、長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM) 等深度學(xué)習(xí)方法應(yīng)用于短期日負(fù)荷曲線預(yù)測(cè)。為了提高預(yù)測(cè)精度，本系統(tǒng)借鑒文獻(xiàn)[6]融合使用了CNN 卷積神經(jīng)網(wǎng)絡(luò)、LSTM 長(zhǎng)短期記憶網(wǎng)格和Attention 注意力機(jī)制進(jìn)行模型訓(xùn)練與預(yù)測(cè)（即綜合考慮時(shí)序與非線性特點(diǎn)，利用CNN 對(duì)數(shù)據(jù)進(jìn)行分類(lèi)與特征處理，利用LSTM對(duì)特征更為明顯的數(shù)據(jù)進(jìn)行記憶，在LSTM 層中引入注意力機(jī)制，通過(guò)對(duì)LSTM 輸出向量設(shè)置大小不同的權(quán)重，提高數(shù)據(jù)識(shí)別能力，最后經(jīng)過(guò)Softmax 分類(lèi)分析，輸出預(yù)測(cè)結(jié)果)，通過(guò)將預(yù)測(cè)結(jié)果和真實(shí)數(shù)據(jù)進(jìn)行繪圖比較，預(yù)測(cè)曲線與真實(shí)曲線相當(dāng)接近，模型預(yù)測(cè)效果較好。整體預(yù)測(cè)過(guò)程如圖3 所示。

4   預(yù)測(cè)結(jié)果呈現(xiàn)

為了讓用戶更加直觀的觀測(cè)負(fù)荷數(shù)據(jù)與預(yù)測(cè)結(jié)果，本系統(tǒng)基于BS 架構(gòu)，應(yīng)用Flask+VUE 框架、Echarts組件構(gòu)建了數(shù)據(jù)交互與可視化展示平臺(tái)，該平臺(tái)可實(shí)現(xiàn)用戶信息可視化管理、歷史負(fù)荷數(shù)據(jù)可視化呈現(xiàn)、短期日負(fù)荷曲線預(yù)測(cè)結(jié)果展示等功能。本文選擇某公共變壓器2019-05-01—2020 年-09-01 的數(shù)據(jù)作為訓(xùn)練集，使用2020 年10 月數(shù)據(jù)作為測(cè)試數(shù)據(jù)，負(fù)荷曲線預(yù)測(cè)效果圖如圖4 所示。

圖4 負(fù)荷曲線預(yù)測(cè)效果圖

5   結(jié)束語(yǔ)

智能電網(wǎng)短期日負(fù)荷曲線精準(zhǔn)預(yù)測(cè)對(duì)地區(qū)電網(wǎng)科學(xué)調(diào)度與合理規(guī)劃具有十分重要的應(yīng)用價(jià)值。本文研究的“基于深度學(xué)習(xí)的智能電網(wǎng)短期日負(fù)荷曲線預(yù)測(cè)系統(tǒng)”, 通過(guò)構(gòu)建短期負(fù)荷曲線預(yù)測(cè)基礎(chǔ)數(shù)據(jù)平臺(tái)，實(shí)現(xiàn)了數(shù)據(jù)的高效能管理；應(yīng)用CNN+LSTM+Attention 的多元混合神經(jīng)網(wǎng)絡(luò)模型，提高了負(fù)荷曲線的預(yù)測(cè)精度；基于Flask+VUE+Echarts構(gòu)建的數(shù)據(jù)交互與可視化展示界面，提供了便捷的人機(jī)交互方式，實(shí)現(xiàn)了預(yù)測(cè)結(jié)果及影響因素的精準(zhǔn)展示。

參考文獻(xiàn)：

[1] 遲作為,辛鵬,李振新.基于數(shù)據(jù)挖掘技術(shù)的地區(qū)電網(wǎng)負(fù)荷特性分析與預(yù)測(cè)[J].吉林電力,2021,49(3):25-28.

[2] 游皓麟. Python預(yù)測(cè)之美:數(shù)據(jù)分析與算法實(shí)戰(zhàn)[M].北京:電子工業(yè)出版社,2020.

[3] 邵雪羚.地區(qū)電網(wǎng)短期負(fù)荷預(yù)測(cè)云平臺(tái)設(shè)計(jì)與實(shí)現(xiàn)[D].成都:電子科技大學(xué).

[4] 魏騰飛.基于機(jī)器學(xué)習(xí)的微電網(wǎng)短期負(fù)荷預(yù)測(cè)策略研究[D].無(wú)錫:江南大學(xué).

[5] 張倩.基于深度學(xué)習(xí)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[D].綿陽(yáng):西南科技大學(xué),2022.

[6] 郭成,王宵,王波,等.基于多層融合神經(jīng)網(wǎng)絡(luò)模型的短期電力負(fù)荷預(yù)測(cè)方法[J].計(jì)算機(jī)與現(xiàn)代化,2021(10):94-106.

（本文來(lái)源于《電子產(chǎn)品世界》雜志2023年2月期）