基于遷移學(xué)習(xí)的電力負(fù)荷預(yù)測研究

引言

電力負(fù)荷預(yù)測是智能電網(wǎng)的基礎(chǔ)性功能,對未來智慧城市發(fā)展具有重要作用,對城市穩(wěn)定高效運(yùn)轉(zhuǎn)具有重要意義,直接影響城市未來發(fā)展和人民生活水平的提升。同時,電力負(fù)荷預(yù)測有助于碳計量工作的開展,是實現(xiàn)我國2060碳中和大計的重要環(huán)節(jié)。然而,基于現(xiàn)代智能算法的電力負(fù)荷預(yù)測需要大量的歷史數(shù)據(jù)作為模型訓(xùn)練的基礎(chǔ),而對于新建城區(qū)或電力計量基礎(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。

本文針對這一難點(diǎn),研究基于遷移學(xué)習(xí)的電力負(fù)荷預(yù)測模型,以兩個大型辦公建筑為例,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)測模型,為新建城區(qū)或電能計量基礎(chǔ)較為落后地區(qū)準(zhǔn)確預(yù)測電力負(fù)荷提供參考。

1電力負(fù)荷預(yù)測概述

電力負(fù)荷可以認(rèn)為是隨機(jī)的時序數(shù)據(jù),也可以當(dāng)作受其他特征影響的函數(shù),前者可處理為時序預(yù)測問題,而后者可認(rèn)為是回歸分析問題。因此,常用的時序預(yù)測與回歸模型都可以用于電力負(fù)荷預(yù)測,例如以自回歸移動平均模型與多變量時間序列受控自回歸為代表的時間序列模型,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,以及近年來廣泛流行的基于深度神經(jīng)網(wǎng)絡(luò)的預(yù)測模型。盡管將用電量視作僅具有純粹的時序依賴來處理,即通過歷史用電數(shù)據(jù)來預(yù)測未來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)。

實際電力負(fù)荷預(yù)測時,對于新建城區(qū)或電力計量基礎(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)動智能模型難以建立。針對這一難題,采用遷移算法可有效對新建建筑用電量進(jìn)行預(yù)測。

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

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)測模型,所提出模型可提升11.2%的預(yù)測精度。

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

2基于遷移學(xué)習(xí)的電力負(fù)荷預(yù)測方法

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)過程中獲得的信息可對數(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)通過這個人工網(wǎng)絡(luò)時,每個層處理數(shù)據(jù)的一個方面,過濾異常值,找到合適的實體,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)測精度。

圖1  深度學(xué)習(xí)模型

但實際工程中,訓(xùn)練數(shù)據(jù)經(jīng)常不足,也可能無法收集歷史負(fù)荷數(shù)據(jù),有些應(yīng)用中數(shù)據(jù)分布隨著時間推移會有變化,如何充分利用之前建立的深度學(xué)習(xí)模型,同時又保證在新的任務(wù)上的模型精度,基于這樣的問題,開展了對于遷移學(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)過程:圖2(b）為遷移學(xué)習(xí)過程,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)過程(訓(xùn)練數(shù)據(jù)和所建立模型）作為輸入,即通過從源域獲得的知識來解決目標(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)測模型與新建建筑的有限歷史用電數(shù)據(jù)對預(yù)訓(xùn)練模型進(jìn)行微調(diào),以對其未來用電量進(jìn)行準(zhǔn)確地遷移預(yù)測,如圖3所示。

圖3  基于遷移學(xué)習(xí)的電力負(fù)荷預(yù)測方法

此模型可在不收集大量歷史負(fù)荷數(shù)據(jù)的基礎(chǔ)上實現(xiàn)對用電量的準(zhǔn)確預(yù)測,為實際負(fù)荷預(yù)測任務(wù)提供便利,因此將其作為主要研究模型M1。為對比本文使用的方法,設(shè)置對比模型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)逐時記錄,分析建筑對象分為兩類: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、相對濕度、降水、風(fēng)速等天氣特征,其中相對濕度、溫度均為連續(xù)數(shù)值型數(shù)據(jù),風(fēng)速用風(fēng)力等級表示,云量使用離散型數(shù)據(jù)。用電量數(shù)據(jù)為計量電能表實時記錄(單位:MW）。圖4展示了南京市全年氣象參數(shù)變化趨勢。

3.2誤差分析及計算配置

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估方法對模型效果進(jìn)行評價?？紤]到用電量的實際意義,相對誤差比絕對誤差更值得關(guān)注,因此使用平均絕對百分比誤差(MeanAbsolutePercentageError,MAPE）指標(biāo)度量預(yù)測模型的效果。其計算方式為:

式中:與y分別為預(yù)測值與實際值。

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

3.3結(jié)果及分析對比

試驗結(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)測精度,預(yù)測誤差在7.8%以內(nèi):對比參考模型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)模型無法適用于新建建筑,而采用遷移學(xué)習(xí)微調(diào)可實現(xiàn)較好的預(yù)測精度,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)測精度下降不明顯,如圖6所示。

4結(jié)語

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)測模型,然后通過少量新建建筑負(fù)荷數(shù)據(jù)來微調(diào)前述預(yù)訓(xùn)練的深度學(xué)習(xí)模型。以南京市實際辦公建筑為例驗證了所構(gòu)建的負(fù)荷預(yù)測模型,預(yù)測誤差可保持在7.8%以內(nèi),對比直接基于歷史數(shù)據(jù)的深度學(xué)習(xí)模型,其預(yù)測精度損失保持在3%以內(nèi)。由仿真結(jié)果可知,該預(yù)測方法可有效解決歷史負(fù)荷數(shù)據(jù)不足或計量基礎(chǔ)較差狀況下的負(fù)荷預(yù)測問題,所提出的電力負(fù)荷預(yù)測方法可為實際電力負(fù)荷預(yù)測計量提供參考。