Residential Power Load Forecasting based on Deep Time Convolution Network
-
摘要:
文章提出一种基于深度学习的居民用电负荷短期预测方法，该方法利用时间卷积网络（TCN）对具有时序性特点的历史负荷序列进行建模，学习用电特征参数之间高动态变化规律。方法兼顾了数据的时序特征及变量之间复杂的内在关系，且支持大规模数据并行化处理，运行效率高。在UCI公开的数据集上进行了实验，实验结果验证了该方法的有效性，该方法对实现电网智能调度具有一定的现实意义。
-
随着智能电能表的大量普及, 越来越多的居民用电数据被收集上来, 这给家庭短期负荷的预测研究提供了可能。与以往针对大规模群体行为的能源消耗预测不同, 以家庭为单位的负荷波动性更强, 受环境、节假日以及用电习惯的影响更为明显, 因此在学术上更加值得研究。同时, 随着很多新概念正在能源领域的落地, 如智能电网、可再生能源等, 能源消费者与生产者之间的交易策略正在悄然发生着改变, 评估和预测能源消费和生成模式对实现电力高效调度具有重要意义。
深度学习方法, 由于其强大的特征提取能力逐渐被广泛应用到了能源消耗的行为预测中。深度学习模型本质上属于一种神经网络, 作为机器学习的重要分子, 可以将其形象的理解为具有多隐层的神经网络[1]。相比浅层神经网络需要人工特征提取不同, 深度学习模型利用大数据来自动获取数据的内在特征, 能够更好的刻画数据之间的内在信息, 同时避免了人为干预所带来的不确定性和复杂性, 可以直接将原始数据作为输入, 通过多层模型逐层学习数据特征, 从而实现更加有效的特征表达[2]。在现有的研究成果中, 长短期记忆网络LSTM[3-4]、深度置信网络DBN[5]、深度卷积神经网络RNN[6]等已经被广泛应用到了居民用电的短期预测中, 这些方法由于在预测过程中存在时间先后顺序, 必须等到当前预测结果计算完成后才能对下一时刻点进行预测, 故无法实现大规模的并行计算。因此, 本文将TCN网络引入对短期用电负荷预测中, TCN网络基于CNN网络发展而来, 支持大规模的并行化处理, 所以在运行效率和精度上均具有优势。
1. 算法设计与分析
1.1 用电负荷预测框架
本文采用UCI数据集, 使用TCN模型进行居民用电负荷预测, 整体设计框架如图 1所示。首先对原始数据集进行去除空值等预处理后, 采用滑窗选取序列数据, 然后以TCN网络为主体建立用电负荷与其特征参数之间的预测模型, 采用时间卷积网络能够在预测过程中获取更长的感受野, 可有效提高预测的精度。
1.2 时间卷积网络
TCN网络最早由Shaojie Bai等[7]提出, 其思想可形象理解为一维全卷积网络(1D FCN)与因果卷积(causal convolutions)的结合, 这使得在进行用电负荷预测过程中使用较大规模的历史数据成为可能。为了获得更大的感受野, 同时保持网络的稳定性, TCN网络采用扩展因果卷积代替普通的因果卷积网络, 并使用残差模块代替了一般的卷积层。对于1-D的输入序列x∈ℜn, 卷积核大小为f: {0,⋯,k−1}→ℜ, 定义时刻点t上的卷积为[7]:
F(t)=(x∗df)(t)=k−1∑i=0f(i)xt−di。 (1) 式中: d为扩展因子; k为卷积核的大小。k=3的扩展因果卷积基本结构如图 2所示。
在实际应用过程中, 为了避免梯度爆炸或消失和降低学习复杂度, 需要在每个TCN块的, 输入和输出之间使用的卷积网络相连。添加残差连接后的TCN模块可表示为:
Zi=F(Zi−1,{Wi})+Conv1∗1(Zi−1) 。 (2) 2. 实验结果分析
2.1 数据集
为了验证模型的有效性, 本文实验数据集采用UCI家庭用电数据集, 包括日期、时间、有功功率、无功功率、电压、电流、厨房用电功率、洗衣服用电功率、热水器用电功率等属性。数据从2006年12月16日开始采集, 总时长4年, 每1 min采集一条记录, 总计2075259条数据。
2.2 实验结果
模型在迭代15次后基本趋于收敛, 如图 3所示为预测值与原始值曲线对比图, 其中蓝色曲线代表实际的用电负荷值, 红色代表预测值, 由图可知除个别时间点外, 模型均可进行准确的预测。
3. 结束语
本文基于时间卷积神经网络基本思想, 提出一种用基于深度学习的电负荷预测框架, 其主要结构包括数据预处理和负荷预测两个部分, 网络每层通过Padding的方式实现因果卷积, 扩张系数逐层呈指数增长。这种指数形式的增长使得预测模型可以获取序列的长时记忆。实验结果证明了时间卷积神经网络在居民用电负荷上的可行性。与此同时, 由于时间卷积网络基于卷积神经网络的特性, 使其能够实现大规模的并行计算, 训练上相比传统LSTM、GRU等网络更具优势。
-
[1] ZHANG D, HAN X, DENG C. Review on the research and practice of deep learning and reinforcement learning in smart grids. 中国电机工程学会电力与能源系统学报2018, 004(003), 362-370. [2] HANG ZL, TONG H. ZHANG YH, LI XY, WANG JW, HANG S, LIU JM, SHI QZ, XIE HB, LI B. Fast image recognition of transmission tower based on big data. Protection and Control of Modern Power Systems 2018, 3(1), 15-17.
[3] KIM N. KIM M. CHOI J. K. In LSTM Based Short-term Electricity Consumption Forecast with Daily Load Profile Sequences, 2018 IEEE 7th Global Conference on Consumer Electronics(GCCE), 2018.
[4] 陈卓, 孙龙祥. 基于深度学习LSTM网络的短期电力负荷预测方法. 电子技术2018, 047(001), 39-41. [5] 梁智, 孙国强, 李虎成, 等. 基于VMD与PSO优化深度信念网络的短期负荷预测. 电网技术2018. [6] 于惠鸣, 张智晟, 龚文杰, 段晓燕. 基于深度递归神经网络的电力系统短期负荷预测模型. 电力系统及其自动化学报2019, 031(001), 112-116. [7] BAI S, KOLTER J Z, KOLTUN V. An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling. arXiv preprint arXiv: 1803.01271. 2018.
下载:
计量
- 文章访问数: 0
- HTML全文浏览量: 0
- PDF下载量: 0
