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(diào)度、確保電力系統(tǒng)安全、穩(wěn)定運行起著至關(guān)重要的作用。本文針對負荷數(shù)據(jù)基數(shù)大、難提取、負荷預測影響因素多等問題，運用Mysql數(shù)據(jù)庫和Python爬蟲技術(shù)構(gòu)建了短期負荷曲線預測基礎數(shù)據(jù)平臺，提高了數(shù)據(jù)的存取效率；針對電力負荷的隨機波動性，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、長短期記憶網(wǎng)格和注意力機制的多元混合神經(jīng)網(wǎng)絡模型。同時，基于Flask、VUE框架和Echarts可視化組件搭建了圖形可視化界面，便于用戶觀測負荷數(shù)據(jù)與預測結(jié)果。

0   引言

隨著我國經(jīng)濟社會的高速發(fā)展，各行業(yè)對電力的依賴增強，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關(guān)鍵指標，對確保電力系統(tǒng)穩(wěn)定調(diào)度、保證其經(jīng)濟、安全、可靠的運行起著至關(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(tǒng)運行特性、增容決策和自然條件的情況下，利用現(xiàn)有的歷史數(shù)據(jù)及相關(guān)的外圍數(shù)據(jù)建立預測模型，對未來較短時間（幾小時、幾天到幾周）內(nèi)的電力需求量（功率）、未來用電量( 能量) 以及負荷曲線的預測^[2]。由于電力系統(tǒng)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。短期日負荷曲線預測是短期電力負荷預測中的一類，由于日負荷曲線包含了一天很多時點的信息，需要對一天中各個時點的負荷進行預測，故預測難度相對較大。精準的短期日負荷曲線預測可有效輔助調(diào)度中心安排日調(diào)度計劃，包括確定機組啟停、水庫調(diào)度和設備檢修等^[3]。

本文介紹的“基于深度學習的智能電網(wǎng)短期日負荷曲線預測系統(tǒng)設計與實現(xiàn)”，以用電基數(shù)大，總體規(guī)律相對穩(wěn)定的公共變壓器為研究對象；采用Python 爬蟲技術(shù)+Mysql 數(shù)據(jù)庫構(gòu)建短期負荷曲線預測基礎數(shù)據(jù)平臺，實現(xiàn)歷史負荷數(shù)據(jù)一鍵入庫、影響因素數(shù)據(jù)爬蟲解析入庫功能，有效提高負荷預測數(shù)據(jù)的存取效率；應用NumPy、Pandas、關(guān)聯(lián)分析算法進行缺失數(shù)據(jù)處理與影響因素分析，深入研究天氣、工作日類型等影響因素與用電負荷的相關(guān)性；針對現(xiàn)有淺層神經(jīng)網(wǎng)絡電力負荷預測方法難于對負荷數(shù)據(jù)特征進行充分提取，限制了短期負荷預測精度的問題，使用了融合CNN+LSTM+Attention 的多元混合神經(jīng)網(wǎng)絡模型，提高了預測精度；為了讓用戶更加直觀便捷地觀察負荷數(shù)據(jù)和預測結(jié)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(tǒng)架構(gòu)如圖1 所示：

圖1 系統(tǒng)架構(gòu)圖

1   短期日負荷曲線預測基礎數(shù)據(jù)平臺

負荷預測的前提是基礎數(shù)據(jù)，在建立預測模型前，首先需要完成變壓器歷史時點負荷、負荷預測影響因素等原始數(shù)據(jù)采集，并進行必要的數(shù)據(jù)預處理與分析，為構(gòu)建最終用于建模的輸入數(shù)據(jù)做好數(shù)據(jù)準備。由于歷史時點負荷數(shù)據(jù)體量大，難提取、影響因素多等問題，本系統(tǒng)構(gòu)建了短期負荷曲線預測基礎數(shù)據(jù)平臺，實現(xiàn)數(shù)據(jù)的系統(tǒng)化管理，為預測模型提供較好的數(shù)據(jù)支持。

1.1 數(shù)據(jù)采集

公共變壓器短期日負荷曲線預測需要的數(shù)據(jù)主要有歷史時點負荷、天氣、工作日類型、節(jié)假日、社會大事件等負荷預測影響因素數(shù)據(jù)。其中歷史時點負荷數(shù)據(jù)源自某省電網(wǎng)調(diào)度中心，獲取到的往往是大容量的文本文件，存在數(shù)據(jù)體量大、難提取、不易管理等問題，本系統(tǒng)根據(jù)采集到的歷史負荷數(shù)據(jù)結(jié)構(gòu)與類型，選用MySQL 數(shù)據(jù)庫，應用Python 編程語言，實現(xiàn)了歷史負荷數(shù)據(jù)一鍵解析入庫，提高了數(shù)據(jù)的存取效率。負荷預測影響因素，諸如天氣、工作日類型、節(jié)假日等數(shù)據(jù)考慮其實效性，應用Python 爬蟲Beautiful Soup 庫從國家氣象局、TkinkAPI 等公用網(wǎng)絡接口自動提取，并解析入庫。

1.2 數(shù)據(jù)庫結(jié)構(gòu)設計

根據(jù)短期日負荷曲線預測業(yè)務邏輯需求和采集到的原始數(shù)據(jù)結(jié)構(gòu)及各種數(shù)據(jù)類型之間的關(guān)系，搭建了MySQL 數(shù)據(jù)庫平臺。其中表1~3 為部分數(shù)據(jù)表的字段定義和說明。

2   數(shù)據(jù)處理與分析

2.1 數(shù)據(jù)預處理

解析入庫的短期日負荷曲線預測基礎數(shù)據(jù)并不能直接用于模型預測，需要進行必要的數(shù)據(jù)清洗與缺失值處理。例如采集到的時點負荷數(shù)據(jù)由于采集器發(fā)生故障或進行檢修時設備暫停會導致部分數(shù)據(jù)缺失，可以應用Pandas 通過類似區(qū)域變壓器或歷史近似日時點負荷數(shù)據(jù)進行近鄰插補；再比如節(jié)假日的負荷會比工作日負荷低很多，且可獲取到的負荷數(shù)據(jù)較少，受到各種隨機因素的影響較大，為了數(shù)據(jù)的一致性，我們在數(shù)據(jù)預處理階段通常會將節(jié)假日的數(shù)據(jù)設置為缺失值，然后在將節(jié)假日轉(zhuǎn)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

短期日負荷曲線預測的影響因素種類較多，如天氣、工作日類型、社會大事件等都會對預測結(jié)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(shù)據(jù)和影響因素之間的關(guān)聯(lián)性，進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，反而會影響預測模型的泛華能力^[4]，因此對影響因素進行相關(guān)性分析十分必要。

本文應用APRIORI，SPUFP( 一種改進的關(guān)聯(lián)規(guī)則增量更新算法) 等關(guān)聯(lián)算法，通過計算兩兩指標的相關(guān)系數(shù)，分析得知工作日類型、節(jié)假日影響因素與短期負荷存在較強的相關(guān)性；區(qū)域最高氣溫、最低氣溫和平均氣溫都與短期負荷呈現(xiàn)顯著的負相關(guān)，相關(guān)系數(shù)絕對值均在0.4 以上。在天氣類影響因素中，相對濕度與短期負荷呈現(xiàn)極弱的負相關(guān)，對負荷預測影響較小?；谝陨戏治?，根據(jù)影響程度確定工作日類型、最高氣溫、最低氣溫、平均氣溫作為建模的初始特征集。

3   短期日負荷曲線預測

智能電網(wǎng)短期日負荷曲線預測系統(tǒng)最核心的問題是利用現(xiàn)有歷史數(shù)據(jù)及相關(guān)外圍數(shù)據(jù)建立預測模型。通過文獻調(diào)研發(fā)現(xiàn)，目前已有的負荷預測模型大多是淺層神經(jīng)網(wǎng)絡預測模型，而基于淺層神經(jīng)網(wǎng)絡的電力負荷預測方法難以對原始負荷數(shù)據(jù)特征進行充分提取，限制了短期負荷預測精度的提高^[5]。近年來，隨著深度學習的興起，國內(nèi)外研究人員開始嘗試將卷積神經(jīng)網(wǎng)絡(CNN)、長短期記憶網(wǎng)絡(LSTM) 等深度學習方法應用于短期日負荷曲線預測。為了提高預測精度，本系統(tǒng)借鑒文獻[6]融合使用了CNN 卷積神經(jīng)網(wǎng)絡、LSTM 長短期記憶網(wǎng)格和Attention 注意力機制進行模型訓練與預測（即綜合考慮時序與非線性特點，利用CNN 對數(shù)據(jù)進行分類與特征處理，利用LSTM對特征更為明顯的數(shù)據(jù)進行記憶，在LSTM 層中引入注意力機制，通過對LSTM 輸出向量設置大小不同的權(quán)重，提高數(shù)據(jù)識別能力，最后經(jīng)過Softmax 分類分析，輸出預測結(jié)果)，通過將預測結(jié)果和真實數(shù)據(jù)進行繪圖比較，預測曲線與真實曲線相當接近，模型預測效果較好。整體預測過程如圖3 所示。

4   預測結(jié)果呈現(xiàn)

為了讓用戶更加直觀的觀測負荷數(shù)據(jù)與預測結(jié)果，本系統(tǒng)基于BS 架構(gòu)，應用Flask+VUE 框架、Echarts組件構(gòu)建了數(shù)據(jù)交互與可視化展示平臺，該平臺可實現(xiàn)用戶信息可視化管理、歷史負荷數(shù)據(jù)可視化呈現(xiàn)、短期日負荷曲線預測結(jié)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(shù)據(jù)作為訓練集，使用2020 年10 月數(shù)據(jù)作為測試數(shù)據(jù)，負荷曲線預測效果圖如圖4 所示。

圖4 負荷曲線預測效果圖

5   結(jié)束語

智能電網(wǎng)短期日負荷曲線精準預測對地區(qū)電網(wǎng)科學調(diào)度與合理規(guī)劃具有十分重要的應用價值。本文研究的“基于深度學習的智能電網(wǎng)短期日負荷曲線預測系統(tǒng)”, 通過構(gòu)建短期負荷曲線預測基礎數(shù)據(jù)平臺，實現(xiàn)了數(shù)據(jù)的高效能管理；應用CNN+LSTM+Attention 的多元混合神經(jīng)網(wǎng)絡模型，提高了負荷曲線的預測精度；基于Flask+VUE+Echarts構(gòu)建的數(shù)據(jù)交互與可視化展示界面，提供了便捷的人機交互方式，實現(xiàn)了預測結(jié)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(shù)據(jù)挖掘技術(shù)的地區(qū)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(shù)據(jù)分析與算法實戰(zhàn)[M].北京:電子工業(yè)出版社,2020.

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

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

[5] 張倩.基于深度學習的電力系統(tǒng)短期負荷預測[D].綿陽:西南科技大學,2022.

[6] 郭成,王宵,王波,等.基于多層融合神經(jīng)網(wǎng)絡模型的短期電力負荷預測方法[J].計算機與現(xiàn)代化,2021(10):94-106.

（本文來源于《電子產(chǎn)品世界》雜志2023年2月期）