基于CNN-LSTM网络的电力负荷预测

/摘  要：/

为了及时掌握电力负荷的变动信息，就需要对电力负荷进行准确预测。鉴于此，探究出一种CNN和LSTM的组合模型来预测一日到一周的电力短期负荷波动情况。CNN模型负责从输入信息中提取特征，LSTM模型利用CNN模型的输出信息进行负荷预测，最终得到预测结果。选取西班牙公开的电力数据为实验数据，运用Python语言搭建预测模型，分别与CNN和LSTM单一模型进行对比，验证了所提组合预测模型的可靠性，其在电力短期负荷预测领域应用效果较好，可为供电部门电力规划提供理论依据。

0引言

准确的电力短期负荷预测可以保障智能电网环境的安全、经济和可靠运行[1]。不准确的电气电力短期负荷预测会降低电力系统的可靠性，甚至给电力系统带来安全隐患，从而影响发电计划制定，造成资源浪费和环境污染，难以实现碳达峰、碳中和目标[2]。

在电力负荷预测领域，学者将预测方法分类，包括物理模型法、统计法和人工智能法[3]。物理模型法可以预测电力负荷，但其预测准确率低，很少被应用；统计法则过多地依赖于历史数据的周期性和异常值，面对复杂和非线性的电力负荷数据难以获得准确的预测结果。因此，越来越多的学者将人工神经网络用于负荷预测领域，人工神经网络的自学习功能，可以根据数据情况随时调整模型参数，从而使预测结果更接近真实值。一些发展中国家的电力部门仍然在用传统的统计方法如回归分析和自回归综合移动平均线法（ARIMA）进行负荷预测[4]，从而制定发电计划和电力调度。然而，在一些发达国家，人工智能的预测方法被广泛应用于电力短期负荷预测领域。W. Pitts等人在1943年提出人工神经网络（ANN）并被应用于语音识别；Saratha Sathasivam等人在1982年提出循环神经网络（RNN）并应用于图像识别；邓斌等人[5]用RNN模型实现了中长期电力负荷的精准预测；Sepp Hochreiter等人在1997年提出长短期记忆网络（LSTM），解决了RNN网络随时间反向传播中权重消失的问题并被应用于文字识别；李丹等人[6]用长短期记忆网络结合分位数回归法，提高了电力短期负荷预测效率；Yann LeCun在1998年提出卷积神经网络（CNN）；毛钧毅等人[7]提出一种卷积神经网络设置阈值模型，实现了异常用电检测；郭海燕等人提出了改进的BP神经网络方法，提升了预测算法的健壮性；文献[8]将CNN模型用于短期电力负荷预测，还考虑了一年中四季的特征，提高了预测的精度。但电力负荷数据量庞大，波动范围广，不稳定性强，需要多种模型组合预测，单一的网络模型预测精度远远不够。

针对电力负荷数据的随机性和波动性，单一模型无法准确预测电力短期负荷的情况，本文提出了一种基于CNN-LSTM组合模型对电力短期负荷进行预测的方法，该方法挖掘了各个模块的优势，将它们巧妙融合在一起，CNN负责对输入数据的特征因子进行提取，LSTM用于接收CNN的输出数据进行预测。本文所提模型不仅预测精度高，而且对预测峰谷部分有较好的拟合效果，与其他两个预测模型相比，该模型具有最佳的预测性能。

1基于神经网络的电力负荷预测模型

1.1  卷积神经网络（CNN）模型

卷积神经网络（CNN）模型是LeCun在1998年首次提出的一种网络模型，该模型在特征提取方面有较好的性能，可以弥补其他网络模型在提取特征方面的不足。数据特征提取的准确与否直接影响预测的准确性，CNN模型由5个功能模块组成：输入层负责输入原始数据；卷积层负责提取重要特征，卷积层也是该模型中最重要的组成部分；池化层负责降低数据维度；全连接层负责对处理后的数据进行分类；最终将结果输出到下一网络模型中。CNN网络结构如图1所示。

1.2  长短期记忆网络（LSTM）模型

长短期记忆网络（LSTM）模型是Hochreiter和Schmidhuber在1997首次提出的一种网络模型，是由RNN网络模型变化而成的，原始的RNN有记忆功能，LSTM通过添加遗忘门，可以选择性舍弃次要信息。实验表明，LSTM网络模型在多变量、多输入、大数据预测中有良好的性能，在时序数据的预测方面表现突出。LSTM模型主要由三个门和一个存储单元组成：输入门负责存储输入数据，遗忘门可以选择性遗忘次要信息，存储单元可以储存重要特征，输出门负责输出当前状态。LSTM网络可以发挥遗忘门的重要特性，在学习过程中选择性舍弃相关性低的历史信息，释放网络空间，消除了RNN网络的缺陷。LSTM模型中的记忆功能，在充分获取电力负荷数据时间序列特征的同时还能精准掌握负荷与输入数据间的非线性关系，预测电力负荷表现突出，准确性更高。LSTM网络结构如图2所示。

1.3  CNN-LSTM组合模型

CNN-LSTM模型由输入层、CNN层、LSTM层和输出层组合而成，结构如图3所示。

为了更好地预测电力短期负荷变化情况，本文构建了CNN-LSTM组合模型，该模型分为四层：首先，将处理好的数据通过输入层输入到模型中；其次，用卷积层提取电力负荷数据中的重要信息，通过池化层降维，获取输出数据；然后，输出数据进入LSTM层进行训练；最后，训练好的输出数据进入输出层，得到输出值。

2短期电力负荷预测分析及结果验证

2.1  数据集

本文使用的数据来自西班牙电力公开数据集，以2014年12月31日至2018年12月31日的电力负荷和天气数据为实验数据，负荷数据采样时间间隔为1 h，相关参数有生物质发电、生成化石气、代化石硬煤、代化石油、发电抽水蓄能消耗、发电水力径流和磅数、发电水库、瓦伦西亚最低温、瓦伦西亚最高温、瓦伦西亚压力、瓦伦西亚湿度等。

选择2014年12月31日至2017年12月31日的电力数据作为训练数据集，将2018年1月1日至2018年12月31日的电力数据作为预测数据集。

2.2  实验数据预处理

原始数据不做清理会影响电力短期负荷预测的准确性。数据采集和记录时可能会发生遗漏，导致原始数据中存在少量缺失值，可以用缺失值前后两个数据的均值进行填充，若某列数据的缺失值较多，直接删除该列数据特征。数据与数据间值的区间范围差异明显，差值过大，为解决各条数据单位不同的情况，必须归一化处理数据，利于模型预测。

归一化公式如下：

2.3  数据特征参数提取

本文采集的气象数据集中气象因素是影响短期电力负荷的重要因素，但气象数据中特征较多，应选择与电力负荷相关性强的特征输入到模型中，参与短期负荷预测。皮尔逊相关系数可以体现变量之间关联程度，皮尔逊相关系数的取值介于-1到1之间，数值的绝对值越接近1，表明变量之间相关程度越高，数值为正则为正相关，数值为负则为负相关，数值为0时，两个变量之间不相关。

表1显示了各气象数据特征与负荷之间的皮尔逊相关系数值。

从表1可以看出，温度、湿度和风速这三个气象特征相关系数值相对较高，可以作为特征因素输入到预测模型中，参与电力短期负荷预测，而气压、风向和云量量级较低，皮尔逊相关系数数值较小，对电力负荷影响甚微，可以直接删除。

2.4  选择评价指标

为了更清晰地体现本文所提模型的优越性，用平均绝对百分比误差（MAPE）、均方根误差（RMSE）和平均绝对误差（MAE）来评估模型的预测结果。分别根据式（2）（3）（4）来计算模型预测结果与实际值之间的误差，计算值越小，表明预测误差越低，模型预测结果更精确。表达式如下：

2.5  实验结果和分析

笔者制作了三种模型预测误差对比表，如表2所示。

由表2可知，CNN模型的RMSE为2.359 MW，MAE为1.793 MW，MAPE为2.601%；LSTM模型的RMSE为2.556 MW，MAE为2.041 MW，MAPE为2.912%；CNN-LSTM组合模型的RMSE为2.198 MW，MAE为1.582 MW，MAPE为2.311%。可以看出三种模型都有较高的预测精度，但CNN-LSTM组合模型的三个误差指标均为最小值，模型预测精准性更高一些，预测精度优于其他两种模型。

笔者绘制了CNN-LSTM模型负荷预测曲线，如图4所示。

由图4可以看出，CNN-LSTM组合模型的预测值几乎与真实值一致，预测精度较高。

笔者绘出了三种模型预测误差对比柱状图，如图5所示。

从图5三个评价指标的对比来看，本文所提的组合预测模型三个误差评价指标均为最低，有良好的预测精度。该结果表明，将CNN引入LSTM模型进行特征提取时，该混合神经网络在电力短期负荷预测领域具有更好的效果。

3结论

根据国内外电力短期负荷预测研究现状，CNN和LSTM模型存在预测精度低、模型结构单一等缺点。本文提出了一种基于CNN-LSTM组合模型对电力短期负荷进行预测的方法，该方法挖掘了各个模块的优势，将它们巧妙融合在一起，CNN负责对输入数据的特征因子进行提取，LSTM用于接收CNN的输出数据进行预测。实验结果表明，CNN-LSTM模型对复杂非线性问题具有良好的预测能力，适合用在电力短期负荷预测领域，能够预测短期内负荷需求，为电力部门制定发电计划和电力调度提供理论支撑。

审核编辑：汤梓红