基于深度學(xué)習的智能電網(wǎng)短期日負荷曲線(xiàn)預測系統設計與實(shí)現

摘要：短期電力負荷精準預測對發(fā)電容量與輸電方式的合理調度、確保電力系統安全、穩定運行起著(zhù)至關(guān)重要的作用。本文針對負荷數據基數大、難提取、負荷預測影響因素多等問(wèn)題，運用Mysql數據庫和Python爬蟲(chóng)技術(shù)構建了短期負荷曲線(xiàn)預測基礎數據平臺，提高了數據的存取效率；針對電力負荷的隨機波動(dòng)性，運用 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荷的相關(guān)性分析；為提高預測精度，探索使用了融合卷積神經(jīng)網(wǎng)絡(luò )、長(cháng)短期記憶網(wǎng)格和注意力機制的多元混合神經(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(hù)觀(guān)測負荷數據與預測結果。

0   引言

隨著(zhù)我國經(jīng)濟社會(huì )的高速發(fā)展，各行業(yè)對電力的依賴(lài)增強，對供電可靠性及電能質(zhì)量的要求日益提高。短期電力負荷精準預測是建設智能配電網(wǎng)和提高分布式電源消納能力的一個(gè)關(guān)鍵指標，對確保電力系統穩定調度、保證其經(jīng)濟、安全、可靠的運行起著(zhù)至關(guān)重要的作用^[1]。

短期電力負荷預測通常是指在考慮一些重要的系統運行特性、增容決策和自然條件的情況下，利用現有的歷史數據及相關(guān)的外圍數據建立預測模型，對未來(lái)較短時(shí)間（幾小時(shí)、幾天到幾周）內的電力需求量（功率）、未來(lái)用電量( 能量) 以及負荷曲線(xiàn)的預測^[2]。由于電力系統負荷本身具有的不可控性，再加上各種經(jīng)濟、環(huán)境等不確定性因素的影響，進(jìn)行精準的短期電力負荷預測是比較困難的。短期日負荷曲線(xiàn)預測是短期電力負荷預測中的一類(lèi)，由于日負荷曲線(xiàn)包含了一天很多時(shí)點(diǎn)的信息，需要對一天中各個(gè)時(shí)點(diǎn)的負荷進(jìn)行預測，故預測難度相對較大。精準的短期日負荷曲線(xiàn)預測可有效輔助調度中心安排日調度計劃，包括確定機組啟停、水庫調度和設備檢修等^[3]。

本文介紹的“基于深度學(xué)習的智能電網(wǎng)短期日負荷曲線(xiàn)預測系統設計與實(shí)現”，以用電基數大，總體規律相對穩定的公共變壓器為研究對象；采用Python 爬蟲(chóng)技術(shù)+Mysql 數據庫構建短期負荷曲線(xiàn)預測基礎數據平臺，實(shí)現歷史負荷數據一鍵入庫、影響因素數據爬蟲(chóng)解析入庫功能，有效提高負荷預測數據的存取效率；應用NumPy、Pandas、關(guān)聯(lián)分析算法進(jìn)行缺失數據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荷的相關(guān)性；針對現有淺層神經(jīng)網(wǎng)絡(luò )電力負荷預測方法難于對負荷數據特征進(jìn)行充分提取，限制了短期負荷預測精度的問(wèn)題，使用了融合CNN+LSTM+Attention 的多元混合神經(jīng)網(wǎng)絡(luò )模型，提高了預測精度；為了讓用戶(hù)更加直觀(guān)便捷地觀(guān)察負荷數據和預測結果，搭建了基于Flask+VUE 框架、Echarts 可視化組件的圖形可視化界面，提供了便捷的人機交互方式。系統架構如圖1 所示：

圖1 系統架構圖

1   短期日負荷曲線(xiàn)預測基礎數據平臺

負荷預測的前提是基礎數據，在建立預測模型前，首先需要完成變壓器歷史時(shí)點(diǎn)負荷、負荷預測影響因素等原始數據采集，并進(jìn)行必要的數據預處理與分析，為構建最終用于建模的輸入數據做好數據準備。由于歷史時(shí)點(diǎn)負荷數據體量大，難提取、影響因素多等問(wèn)題，本系統構建了短期負荷曲線(xiàn)預測基礎數據平臺，實(shí)現數據的系統化管理，為預測模型提供較好的數據支持。

1.1 數據采集

公共變壓器短期日負荷曲線(xiàn)預測需要的數據主要有歷史時(shí)點(diǎn)負荷、天氣、工作日類(lèi)型、節假日、社會(huì )大事件等負荷預測影響因素數據。其中歷史時(shí)點(diǎn)負荷數據源自某省電網(wǎng)調度中心，獲取到的往往是大容量的文本文件，存在數據體量大、難提取、不易管理等問(wèn)題，本系統根據采集到的歷史負荷數據結構與類(lèi)型，選用MySQL 數據庫，應用Python 編程語(yǔ)言，實(shí)現了歷史負荷數據一鍵解析入庫，提高了數據的存取效率。負荷預測影響因素，諸如天氣、工作日類(lèi)型、節假日等數據考慮其實(shí)效性，應用Python 爬蟲(chóng)Beautiful Soup 庫從國家氣象局、TkinkAPI 等公用網(wǎng)絡(luò )接口自動(dòng)提取，并解析入庫。

1.2 數據庫結構設計

根據短期日負荷曲線(xiàn)預測業(yè)務(wù)邏輯需求和采集到的原始數據結構及各種數據類(lèi)型之間的關(guān)系，搭建了MySQL 數據庫平臺。其中表1~3 為部分數據表的字段定義和說(shuō)明。

2   數據處理與分析

2.1 數據預處理

解析入庫的短期日負荷曲線(xiàn)預測基礎數據并不能直接用于模型預測，需要進(jìn)行必要的數據清洗與缺失值處理。例如采集到的時(shí)點(diǎn)負荷數據由于采集器發(fā)生故障或進(jìn)行檢修時(shí)設備暫停會(huì )導致部分數據缺失，可以應用Pandas 通過(guò)類(lèi)似區域變壓器或歷史近似日時(shí)點(diǎn)負荷數據進(jìn)行近鄰插補；再比如節假日的負荷會(huì )比工作日負荷低很多，且可獲取到的負荷數據較少，受到各種隨機因素的影響較大，為了數據的一致性，我們在數據預處理階段通常會(huì )將節假日的數據設置為缺失值，然后在將節假日轉換成月份、星期后，基于K 鄰近算法完成缺失值插補，具體代碼如圖2 所示。

圖2 基于K近鄰算法的缺失值插補示例代碼

2.2 關(guān)聯(lián)分析

短期日負荷曲線(xiàn)預測的影響因素種類(lèi)較多，如天氣、工作日類(lèi)型、社會(huì )大事件等都會(huì )對預測結果產(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，則不利于預測模型挖掘出負荷數據和影響因素之間的關(guān)聯(lián)性，進(jìn)而影響負荷預測的精度；若把所有影響因素全部作為輸入特征，反而會(huì )影響預測模型的泛華能力^[4]，因此對影響因素進(jìn)行相關(guān)性分析十分必要。

本文應用APRIORI，SPUFP( 一種改進(jìn)的關(guān)聯(lián)規則增量更新算法) 等關(guān)聯(lián)算法，通過(guò)計算兩兩指標的相關(guān)系數，分析得知工作日類(lèi)型、節假日影響因素與短期負荷存在較強的相關(guān)性；區域最高氣溫、最低氣溫和平均氣溫都與短期負荷呈現顯著(zhù)的負相關(guān)，相關(guān)系數絕對值均在0.4 以上。在天氣類(lèi)影響因素中，相對濕度與短期負荷呈現極弱的負相關(guān)，對負荷預測影響較小?；谝陨戏治?，根據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   短期日負荷曲線(xiàn)預測

智能電網(wǎng)短期日負荷曲線(xiàn)預測系統最核心的問(wèn)題是利用現有歷史數據及相關(guān)外圍數據建立預測模型。通過(guò)文獻調研發(fā)現，目前已有的負荷預測模型大多是淺層神經(jīng)網(wǎng)絡(luò )預測模型，而基于淺層神經(jīng)網(wǎng)絡(luò )的電力負荷預測方法難以對原始負荷數據特征進(jìn)行充分提取，限制了短期負荷預測精度的提高^[5]。近年來(lái)，隨著(zhù)深度學(xué)習的興起，國內外研究人員開(kāi)始嘗試將卷積神經(jīng)網(wǎng)絡(luò )(CNN)、長(cháng)短期記憶網(wǎng)絡(luò )(LSTM) 等深度學(xué)習方法應用于短期日負荷曲線(xiàn)預測。為了提高預測精度，本系統借鑒文獻[6]融合使用了CNN 卷積神經(jīng)網(wǎng)絡(luò )、LSTM 長(cháng)短期記憶網(wǎng)格和Attention 注意力機制進(jìn)行模型訓練與預測（即綜合考慮時(shí)序與非線(xiàn)性特點(diǎn)，利用CNN 對數據進(jìn)行分類(lèi)與特征處理，利用LSTM對特征更為明顯的數據進(jìn)行記憶，在LSTM 層中引入注意力機制，通過(guò)對LSTM 輸出向量設置大小不同的權重，提高數據識別能力，最后經(jīng)過(guò)Softmax 分類(lèi)分析，輸出預測結果)，通過(guò)將預測結果和真實(shí)數據進(jìn)行繪圖比較，預測曲線(xiàn)與真實(shí)曲線(xiàn)相當接近，模型預測效果較好。整體預測過(guò)程如圖3 所示。

4   預測結果呈現

為了讓用戶(hù)更加直觀(guān)的觀(guān)測負荷數據與預測結果，本系統基于BS 架構，應用Flask+VUE 框架、Echarts組件構建了數據交互與可視化展示平臺，該平臺可實(shí)現用戶(hù)信息可視化管理、歷史負荷數據可視化呈現、短期日負荷曲線(xiàn)預測結果展示等功能。本文選擇某公共變壓器2019-05-01—2020 年-09-01 的數據作為訓練集，使用2020 年10 月數據作為測試數據，負荷曲線(xiàn)預測效果圖如圖4 所示。

圖4 負荷曲線(xiàn)預測效果圖

5   結束語(yǔ)

智能電網(wǎng)短期日負荷曲線(xiàn)精準預測對地區電網(wǎng)科學(xué)調度與合理規劃具有十分重要的應用價(jià)值。本文研究的“基于深度學(xué)習的智能電網(wǎng)短期日負荷曲線(xiàn)預測系統”, 通過(guò)構建短期負荷曲線(xiàn)預測基礎數據平臺，實(shí)現了數據的高效能管理；應用CNN+LSTM+Attention 的多元混合神經(jīng)網(wǎng)絡(luò )模型，提高了負荷曲線(xiàn)的預測精度；基于Flask+VUE+Echarts構建的數據交互與可視化展示界面，提供了便捷的人機交互方式，實(shí)現了預測結果及影響因素的精準展示。

參考文獻：

[1] 遲作為,辛鵬,李振新.基于數據挖掘技術(shù)的地區電網(wǎng)負荷特性分析與預測[J].吉林電力,2021,49(3):25-28.

[2] 游皓麟. Python預測之美:數據分析與算法實(shí)戰[M].北京:電子工業(yè)出版社,2020.

[3] 邵雪羚.地區電網(wǎng)短期負荷預測云平臺設計與實(shí)現[D].成都:電子科技大學(xué).

[4] 魏騰飛.基于機器學(xué)習的微電網(wǎng)短期負荷預測策略研究[D].無(wú)錫:江南大學(xué).

[5] 張倩.基于深度學(xué)習的電力系統短期負荷預測[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 )模型的短期電力負荷預測方法[J].計算機與現代化,2021(10):94-106.

（本文來(lái)源于《電子產(chǎn)品世界》雜志2023年2月期）