基于LSTM深度网络的售电量预测研究

齐正超

（国网黑龙江省电力有限公司宾县供电分公司，黑龙江 哈尔滨 150400）

在我国国民经济的各产业门类中，电力行业作为其他产业最重要的能源供给，具有十分重要的地位。由于电力供给部门属性的特殊性，因此其行业竞争压力比较小。在这种情况下，电力行业尤其是电能销售都被认为是简单的。对于售电量的估计不足，常会导致电力行业利润的整体亏损。一方面，由国家统一管控电价，不能通过价格波动来调整电力行业的收益。另一方面，电能的实际需求存在波动，电能一旦产出且不能被有效使用，就会导致浪费。因此准确地估计售电量直接决定了电能产出规模的准确性，也是尽可能地减少电能浪费的最有效途径。目前估计售电量都是基于人为的经验进行判断，缺少有力的量化模型，估计结果有时会严重偏离实际情况，从而导致估计误差过大。深度学习技术兴起后，其强大的学习能力和准确预测能力提高了数据估计的准确性[1]。LSTM 网络是一种针对时间序列数据进行学习的深度网络，在估计售电量方面具有非常好的针对性。因此，该文建立一种基于LSTM网络的售电量预测方法，并通过试验加以验证。

1 基于LSTM 网络的售电量预测模型

1.1 基于LSTM 网络的售电量预测结构设计

预测电力部门的售电量，要充分依托已经完成的历史数据、正在进行的当前数据和各数据之间的关联性[2]。因此，售电量的准确预测结果与这些数据之间的关联性密切相关。该文为准确预测售电量，以LSTM 网络为核心，设计了基于深度学习的预测框架，期间包括输入的处理、注意力机制，最终得到的售电量预测深度模型如图1 所示。

图1 售电量预测的深度学习模型结构

如图1 所示，售电量的历史数据、售电量的当前数据、数据之间的关联性同时作为输入，在引入整个深度学习模型中，经过数据输入模块处理，形成时间分支数据、关联分支数据，进一步通过注意力模块削减无效数据，最终送入LSTM 网络进行深度训练和学习，从而形成售电量未来的预测结果。

1.2 注意力机制部分的相应处理

根据图1 可知，在售电量预测的过程中，分别使用售电量的历史数据、售电量的当前数据以及数据之间的关联性这3 类数据。可以用一个矩阵来表达这些数据，如公式（1）所示。

式中：H1为第一组售电量的历史数据信息；H2为第二组售电量的历史数据信息；Hn为第n组售电量的历史数据信息；D1为第一组售电量的当前数据信息；D2为第二组售电量的当前数据信息，Dn为第n组售电量的当前数据信息；R1为第一组售电量的历史数据信息和第一组售电量的当前数据信息的关联性；R2为第二组售电量的历史数据信息和第二组售电量的当前数据信息的关联性；Rn为第n组售电量的历史数据信息和第n组售电量的当前数据信息的关联性。

对售电量的历史数据、售电量的当前数据和数据之间的关联性这3 类数据都进行分支处理，分别形成时间分支和关联性分支，再送给注意力机制部分进行处理。注意力机制处理部分根据自身处理建立不同数据和预测结果之间的权重矩阵，其处理过程如图2 所示。

图2 售电量预测的注意力机制处理

对售电量预测过程的时间分支数据来说，采用注意力机制处理后可以得到对应的权重，如公式（2）所示。

式中：xi为第i个售电量的时间分支数据；xj为第j个售电量的时间分支数据；αi为第i个售电量的时间分支数据的权重；softmax（）为注意力机制处理的函数。

售电量的时间分支数据进行权重融合后，得到时间分支数据权重矩阵，如公式（3）所示。

式中：A为售电量的时间分支数据的权重矩阵；αit为第i个售电量的时间分支数据在t时刻的权重；αnt为第n个售电量的时间分支数据在t时刻的权重。

对售电量预测过程的关联分支数据来说，采用注意力机制处理后可以得到对应的权重，如公式（4）所示。

式中：fi为第i个售电量的关联分支数据；fj为第j个售电量的关联分支数据；βi为第i个售电量的关联分支数据的权重；softmax（）为注意力机制处理的函数。

对售电量的关联分支数据进行权重融合后，得到时间分支数据权重矩阵，如公式（5）所示。

式中：B为售电量的关联分支数据的权重矩阵；βit为第i个售电量的关联分支数据在t时刻的权重；βnt为第n个售电量的时间分支数据在t时刻的权重。

1.3 基于LSTM 的售电量预测

售电量预测的序列数据体现为时间分支上连续并且具有关联属性的数据[3]。因此，采用LSTM 网络进行最终的学习和预测，具有最佳的针对性。在该文中，LSTM 环节的预测结构如图3 所示。

图3 售电量预测模型中LSTM 环节的预测结构

如图3 所示，LSTM 学习的过程是根据售电量沿着时间轴线的起伏变化，并且售电量历史数据和未来数据间存在密切的关联性。随着LSTM 网络不断扩张，对售电量曲线波动变化的学习能力会不断增强，其进一步的预测结果也更接近未来可能发生的真实情况。虽然LSTM 网络规模扩大，但占用的硬件资源增幅却非常微弱，显示了非常高的深度学习效率。在该文的LSTM 网络中，对售电量序列数据的学习处理如公式（6）所示。

式中：X={x1，x2，…，xt}为售电量的时间分支数据；K={k1，k2，…，kn}为LSTM 网络的时间卷积核函数；n为时间卷积核的总量；d为LSTM 网络的扩张率。

2 售电量预测试验结果与分析

在前面的研究工作中，对售电量预测的背景、现状进行分析，进而结合数据预测的深度学习理念，构建基于LSTM 网络的售电量预测模型。在这个模型中，综合考虑售电量的历史数据、售电量的当前数据以及数据之间的关联性，设计了注意力机制模块和四层次的LSTM 结构。在这部分工作中，为验证该文提出的基于LSTM 深度网络的售电量预测方法的有效性，将分别选择SVM 方法、CNN 方法以及RNN 方法作为比较方法，以10 000 个售电量数据为试验对象，该文将其中9 000 个作为训练数据，将1 000 个数据作为预测数据的参考真值，去观察该文方法的有效性。首先，观察4 种方法预测结果的平均绝对误差EMAE和均方根误差ERMSE，如果预测结果越接近真实值，那么这2 个指标都会越小。4 种方法预测结果对比如图4 所示。

图4 4 种方法售电量预测结果的对比

4 种方法的柱状图对比如下：从售电量预测结果的评价指标来看，无论是EMAE还是ERMSE指标，所提出的方法都明显低于其他3种方法，从而证实了方法对售电量预测，可以达到更好的效果。在方法执行深度学习过程中，其售电量预测过程的损失函数变化，结果如图5 所示。

图5 售电量预测过程中的损失函数变化

从图中的曲线变化情况可知，在方法执行深度学习和训练的过程中，损失函数值一直处于比较低的水平。随着迭代过程继续，损失函数值迅速减少，当迭代50 次时，损失函数值已经降至0.01。随着迭代过程进一步延续，损失函数值持续降低，当迭代200 次时，损失函数值已经趋近于0。

3 结论

准确预测售电量有利于平衡电能供给和电能需求间的关系，最大限度地减少电网供应中的电能浪费。该文对售电量预测的背景、现状进行分析，结合数据预测的深度学习理念，构建基于LSTM 网络的售电量预测模型。在该模型中，综合考虑了售电量的历史数据、售电量的当前数据和数据间的关联性这3 类数据，设计注意力机制模块和四层次的LSTM结构。分别选取SVM 方法、RNN 方法以及CNN 方法作为参照方法，以10000 个数据为训练数据和真值参照数据进行预测试验，预测结果显示：LSTM 方法预测结果更接近真值，平均绝对误差、均方根误差两类指标在4 种方法中都是最小的。进一步对方法的深度学习效率进行测试，结果显示，当迭代学习为200 次时，LSTM 方法的损失函数已经趋近于0，学习效率非常高。