基于遷移學(xué)習(xí)的電力負(fù)荷預(yù)測(cè)研究

引言

電力負(fù)荷預(yù)測(cè)是智能電網(wǎng)的基礎(chǔ)性功能,對(duì)未來(lái)智慧城市發(fā)展具有重要作用,對(duì)城市穩(wěn)定高效運(yùn)轉(zhuǎn)具有重要意義,直接影響城市未來(lái)發(fā)展和人民生活水平的提升。同時(shí),電力負(fù)荷預(yù)測(cè)有助于碳計(jì)量工作的開展,是實(shí)現(xiàn)我國(guó)2060碳中和大計(jì)的重要環(huán)節(jié)。然而,基于現(xiàn)代智能算法的電力負(fù)荷預(yù)測(cè)需要大量的歷史數(shù)據(jù)作為模型訓(xùn)練的基礎(chǔ),而對(duì)于新建城區(qū)或電力計(jì)量基礎(chǔ)較為落后地區(qū),難以收集大量準(zhǔn)確的歷史數(shù)據(jù)用于訓(xùn)練模型,導(dǎo)致難以準(zhǔn)確進(jìn)行電力負(fù)荷預(yù)測(cè)。

本文針對(duì)這一難點(diǎn),研究基于遷移學(xué)習(xí)的電力負(fù)荷預(yù)測(cè)模型,以兩個(gè)大型辦公建筑為例,首先基于已有大量歷史數(shù)據(jù)的既有建筑負(fù)荷,使用深度學(xué)習(xí)算法構(gòu)建電力負(fù)荷預(yù)測(cè)模型,再利用新建辦公樓的有限數(shù)據(jù)結(jié)合遷移學(xué)習(xí)算法,通過(guò)遷移學(xué)習(xí)算法挖掘電力負(fù)荷和影響因素間的特征關(guān)系,構(gòu)建新型建筑的電力負(fù)荷模型。

本文算法可以在歷史數(shù)據(jù)不足的情況下構(gòu)建智能預(yù)測(cè)模型,為新建城區(qū)或電能計(jì)量基礎(chǔ)較為落后地區(qū)準(zhǔn)確預(yù)測(cè)電力負(fù)荷提供參考。

1電力負(fù)荷預(yù)測(cè)概述

電力負(fù)荷可以認(rèn)為是隨機(jī)的時(shí)序數(shù)據(jù),也可以當(dāng)作受其他特征影響的函數(shù),前者可處理為時(shí)序預(yù)測(cè)問(wèn)題,而后者可認(rèn)為是回歸分析問(wèn)題。因此,常用的時(shí)序預(yù)測(cè)與回歸模型都可以用于電力負(fù)荷預(yù)測(cè),例如以自回歸移動(dòng)平均模型與多變量時(shí)間序列受控自回歸為代表的時(shí)間序列模型,以支持向量機(jī)與神經(jīng)網(wǎng)絡(luò)為代表的機(jī)器學(xué)習(xí)回歸分析方法,以及近年來(lái)廣泛流行的基于深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型。盡管將用電量視作僅具有純粹的時(shí)序依賴來(lái)處理,即通過(guò)歷史用電數(shù)據(jù)來(lái)預(yù)測(cè)未來(lái)用電量可取得較為準(zhǔn)確的結(jié)果,但建立決定用電量的外部因素和用電量數(shù)據(jù)的回歸分析模型可為后續(xù)電力政策調(diào)整提供更多決策依據(jù)。

實(shí)際電力負(fù)荷預(yù)測(cè)時(shí),對(duì)于新建城區(qū)或電力計(jì)量基礎(chǔ)設(shè)施較差地區(qū),準(zhǔn)確的歷史負(fù)荷數(shù)據(jù)難以獲取,傳統(tǒng)的基于數(shù)據(jù)驅(qū)動(dòng)智能模型難以建立。針對(duì)這一難題,采用遷移算法可有效對(duì)新建建筑用電量進(jìn)行預(yù)測(cè)。

Mocanu等人使用遷移學(xué)習(xí)算法構(gòu)建了智能電網(wǎng)的無(wú)監(jiān)督能量預(yù)測(cè)模型,所提出模型可實(shí)現(xiàn)91.42%的準(zhǔn)確預(yù)測(cè)。

Ribeiro等人考慮了建筑負(fù)荷的季節(jié)性特性并結(jié)合遷移學(xué)習(xí)算法在不同建筑間構(gòu)建負(fù)荷預(yù)測(cè)模型,所提出模型可提升11.2%的預(yù)測(cè)精度。

后續(xù)科研人員不斷改進(jìn)算法,利用遷移學(xué)習(xí)算法實(shí)現(xiàn)不同的負(fù)荷預(yù)測(cè)。

2基于遷移學(xué)習(xí)的電力負(fù)荷預(yù)測(cè)方法

深度學(xué)習(xí)是學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次,學(xué)習(xí)過(guò)程中獲得的信息可對(duì)數(shù)據(jù)進(jìn)行有效解釋。深度學(xué)習(xí)由人工神經(jīng)網(wǎng)絡(luò)組成,這些網(wǎng)絡(luò)以人腦中存在的類似網(wǎng)絡(luò)為模型。當(dāng)數(shù)據(jù)通過(guò)這個(gè)人工網(wǎng)絡(luò)時(shí),每個(gè)層處理數(shù)據(jù)的一個(gè)方面,過(guò)濾異常值,找到合適的實(shí)體,并產(chǎn)生最終輸出。深度學(xué)習(xí)模型如圖1所示,一般包括輸入層網(wǎng)絡(luò)、隱含層網(wǎng)絡(luò)和輸出層網(wǎng)絡(luò),經(jīng)過(guò)大量數(shù)據(jù)訓(xùn)練的深度學(xué)習(xí)模型可達(dá)到理想的預(yù)測(cè)精度。

圖1  深度學(xué)習(xí)模型

但實(shí)際工程中,訓(xùn)練數(shù)據(jù)經(jīng)常不足,也可能無(wú)法收集歷史負(fù)荷數(shù)據(jù),有些應(yīng)用中數(shù)據(jù)分布隨著時(shí)間推移會(huì)有變化,如何充分利用之前建立的深度學(xué)習(xí)模型,同時(shí)又保證在新的任務(wù)上的模型精度,基于這樣的問(wèn)題,開展了對(duì)于遷移學(xué)習(xí)的研究,如圖2所示。圖2(a）描述的是傳統(tǒng)機(jī)器學(xué)習(xí),包括深度學(xué)習(xí)過(guò)程:圖2(b）為遷移學(xué)習(xí)過(guò)程,遷移學(xué)習(xí)不僅利用目標(biāo)任務(wù)中的數(shù)據(jù)作為學(xué)習(xí)算法的輸入,還利用源域中的所有學(xué)習(xí)過(guò)程(訓(xùn)練數(shù)據(jù)和所建立模型）作為輸入,即通過(guò)從源域獲得的知識(shí)來(lái)解決目標(biāo)任務(wù)中缺少訓(xùn)練數(shù)據(jù)的難題。

圖2 遷移學(xué)習(xí)原理示意圖

基于深度學(xué)習(xí)模型和遷移學(xué)習(xí),本文所構(gòu)建的數(shù)據(jù)驅(qū)動(dòng)模型首先根據(jù)既有建筑電力負(fù)荷和相關(guān)影響因素（包括內(nèi)部因素:人員特征、建筑運(yùn)行管理機(jī)制、室內(nèi)溫度控制等:外部因素:氣象參數(shù)等）建立基于深度學(xué)習(xí)的負(fù)荷預(yù)測(cè)模型,在此基礎(chǔ)上,固定預(yù)訓(xùn)練模型中的部分網(wǎng)絡(luò)參數(shù),結(jié)合既有建筑的負(fù)荷預(yù)測(cè)模型與新建建筑的有限歷史用電數(shù)據(jù)對(duì)預(yù)訓(xùn)練模型進(jìn)行微調(diào),以對(duì)其未來(lái)用電量進(jìn)行準(zhǔn)確地遷移預(yù)測(cè),如圖3所示。

圖3  基于遷移學(xué)習(xí)的電力負(fù)荷預(yù)測(cè)方法

此模型可在不收集大量歷史負(fù)荷數(shù)據(jù)的基礎(chǔ)上實(shí)現(xiàn)對(duì)用電量的準(zhǔn)確預(yù)測(cè),為實(shí)際負(fù)荷預(yù)測(cè)任務(wù)提供便利,因此將其作為主要研究模型M1。為對(duì)比本文使用的方法,設(shè)置對(duì)比模型M2和M3,M2為基于既有建筑負(fù)荷數(shù)據(jù)的深度學(xué)習(xí)模型,M3為基于一年新建建筑歷史數(shù)據(jù)的深度學(xué)習(xí)模型。

3結(jié)果與分析

3.1數(shù)據(jù)源介紹

本文使用的數(shù)據(jù)集為2016—2020年南京市辦公建筑用電量數(shù)據(jù)與氣象數(shù)據(jù)的關(guān)系,數(shù)據(jù)逐時(shí)記錄,分析建筑對(duì)象分為兩類:B1為既有辦公建筑—1995年建成使用,B2為新建建筑—2019年正式使用。氣象數(shù)據(jù)涉及溫度、相對(duì)濕度、降水、風(fēng)速等天氣特征,其中相對(duì)濕度、溫度均為連續(xù)數(shù)值型數(shù)據(jù),風(fēng)速用風(fēng)力等級(jí)表示,云量使用離散型數(shù)據(jù)。用電量數(shù)據(jù)為計(jì)量電能表實(shí)時(shí)記錄(單位:MW）。圖4展示了南京市全年氣象參數(shù)變化趨勢(shì)。

3.2誤差分析及計(jì)算配置

由于用電量是連續(xù)數(shù)值型數(shù)據(jù),因此使用回歸模型中常用的評(píng)估方法對(duì)模型效果進(jìn)行評(píng)價(jià)?？紤]到用電量的實(shí)際意義,相對(duì)誤差比絕對(duì)誤差更值得關(guān)注,因此使用平均絕對(duì)百分比誤差(MeanAbsolutePercentageError,MAPE）指標(biāo)度量預(yù)測(cè)模型的效果。其計(jì)算方式為:

式中:與y分別為預(yù)測(cè)值與實(shí)際值。

本試驗(yàn)所使用的深度學(xué)習(xí)網(wǎng)絡(luò)與遷移學(xué)習(xí)算法均使用Python編程語(yǔ)言,基于開源深度學(xué)習(xí)函數(shù)庫(kù)Keras搭建,模型訓(xùn)練用計(jì)算機(jī)硬件配置為內(nèi)存24GB、NVIDIA2080TiGPU,以加速模型訓(xùn)練。

3.3結(jié)果及分析對(duì)比

試驗(yàn)結(jié)果如圖5所示,由結(jié)果可見采用基于遷移學(xué)習(xí)的模型M1,可以達(dá)到較好的預(yù)測(cè)精度,預(yù)測(cè)誤差在7.8%以內(nèi):對(duì)比參考模型M2和M3,基于既有建筑的歷史負(fù)荷數(shù)據(jù)建立的深度學(xué)習(xí)模型無(wú)法適用于新建建筑,而采用遷移學(xué)習(xí)微調(diào)可實(shí)現(xiàn)較好的預(yù)測(cè)精度,且和直接基于新建建筑歷史數(shù)據(jù)的深度學(xué)習(xí)模型相比,預(yù)測(cè)精度下降不明顯,如圖6所示。

4結(jié)語(yǔ)

本文構(gòu)建了一種基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的負(fù)荷預(yù)測(cè)模型。首先基于深度學(xué)習(xí)構(gòu)建既有建筑負(fù)荷歷史數(shù)據(jù)訓(xùn)練的預(yù)測(cè)模型,然后通過(guò)少量新建建筑負(fù)荷數(shù)據(jù)來(lái)微調(diào)前述預(yù)訓(xùn)練的深度學(xué)習(xí)模型。以南京市實(shí)際辦公建筑為例驗(yàn)證了所構(gòu)建的負(fù)荷預(yù)測(cè)模型,預(yù)測(cè)誤差可保持在7.8%以內(nèi),對(duì)比直接基于歷史數(shù)據(jù)的深度學(xué)習(xí)模型,其預(yù)測(cè)精度損失保持在3%以內(nèi)。由仿真結(jié)果可知,該預(yù)測(cè)方法可有效解決歷史負(fù)荷數(shù)據(jù)不足或計(jì)量基礎(chǔ)較差狀況下的負(fù)荷預(yù)測(cè)問(wèn)題,所提出的電力負(fù)荷預(yù)測(cè)方法可為實(shí)際電力負(fù)荷預(yù)測(cè)計(jì)量提供參考。