基于LSTM的电网区域线损预测方法研究_谢辉.pdf

Electrical Automation电力系统及其自动化Power System Automation电气自动化 2023 年第 45 卷 第 1 期基于 LSTM 的电网区域线损预测方法研究谢辉，江雄，王武(南方电网数字电网研究院有限公司，广东广州 510520)摘要:针对现有电网线损预测方法存在的准确率差和效率低等问题，提出了一种用于电网线损预测的长短期记忆网络模型。通过长短期记忆模型提取并存储线损长时间序列的特征，与传统预测方法进行对比试验，验证了预测方法的有效性。结果表明，相比于传统预测方法，所提预测方法预测值与实际值最为接近，可为电网线损分析提供可靠依据。关键词:电力系统;线损预测;长短期记忆网络模型;记忆能力;时间序列DOI:10 3969/j issn 1000 3886 2023 01 013 中图分类号 TM732 文献标志码 A 文章编号 1000 3886(2023)01 0047 03esearch on LSTM-based egional Line Loss Prediction Method of Power GridXie Hui，Jiang Xiong，Wang Wu(China Southern Power Grid Digital Grid esearch Institute，Guangzhou Guangdong 510520，China)Abstract:Aiming at the problems of poor accuracy and low efficiency of existing power grid line loss prediction methods，a long short-termmemory(LSTM)network model for power grid line loss prediction was proposed Extract and store the characteristics of the long-termseries of line loss through the long and short-term memory model，and then compare them with traditional prediction methods to verifythe effectiveness of the prediction method The research results show that，compared with the traditional forecasting method，thepredicted value of the proposed forecasting method is closest to the actual value，which can provide a reliable basis for power grid lineloss analysisKeywords:power system;line loss prediction;long short-term memory network model;memory ability;time series定稿日期:2021 10 200引言线损管理是供电企业降低线损的重要措施，也是政府推进节能减排的重要途径。线损异常分析和准确预测对电网发展规划和降损措施具有指导作用1。线损预测有助于电力企业提高经济效益，同时也可以根据结果制定相应的管理措施。因此，对线损预测方法的研究具有一定的实际意义2。根据文献 3可知，传统的线损计算模型大多数是简化的电路等效模型，计算精度较低。近年来，随着机器学习技术的迅速发展，为线损预测提供了一条新的途径。在此基础上，提出了一种用于电网线损预测的长短期记忆(long short-term memory，LSTM)网络模型。通过 LSTM模型的强记忆能力，提取线损长时间序列的特征，有效捕捉线损曲线的变化。通过仿真验证了该方法的优越性。1线损概述线损可以有效地评估电力企业的运营和技术管理水平，通常表示为损失电量与相应供电总量的比值。线损率的具体计算如式(1)所示4。线损率=(供电量 售电量)供电量 100%(1)根据线损的类型和不同的影响因素，大致分为环境变化损、负荷变化和管理等因素三部分。2建立预测模型递归神经网络(recurrent neural network，NN)神经元的连接与普通神经网络不同，但也存在梯度消失和爆炸等问题5。LSTM 是一种特殊的 NN，解决了梯度消失和爆炸问题。结构如图 1 所示。图 1LSTM 结构LSTM 可以在长时记忆的基础上进行后续推理。通过增加门来解决输入和输出问题，并通过学习神经网络来控制这些门。机器学习可以很容易地实现何时记忆和丢弃某些信息。该算法的正向计算如式(2)式(6)所示6。I(t)=g Wxix(t)+Whih(t 1)+Wcic(t 1)+bi(2)f(t)=g Wxfx(t)+Whfh(t 1)+Wcfc(t 1)+bf(3)c(t)=ftc(t 1)+Ittanh Wxcx(t)+Whch(t 1)+bc(4)o(t)=g Wxox(t)+Whoh(t 1)+Wcoc(t 1)+bo(5)h(t)=o(t 1)tanh c(t)(6)式中:I(t)、f(t)、o(t)为 LSTM 结构的输入门、遗忘门和输出门;c(t)为 cell 单元;h(t)为时步 t 时网络输出;c0和 h0初始值为 0;W 为权重系数矩阵;b 为函数的阈值;t 为时步长;g和 Tanh 分别为74Electrical Automation电气自动化 2023 年第 45 卷 第 1 期电力系统及其自动化Power System AutomationSigmoid 和双曲正切激活函数。为了准确预测线损，考虑节假日等因素，首先对大量相关数据进行预处理，然后初始化 LSTM 网络7。为了减小试验误差，对数据进行分组，训练 LSTM 网络模型，然后将预测值与实际值进行比较，分析误差产生的原因8。步骤如下。步骤 1:确定 LSTM 线损预测模型的输入和输出变量，对历史数据集进行预处理，并对数据进行拆分。训练集占总数据集的90%，测试集占总数据集的 10%9。模型的输出变量 Y 是要预测的线损值。本文采用的方法是将 m 个点的时间点进行叠加，如式(7)所示10。X=x1x13x25x2x14x26xmxm+12xm+24(7)式中:m 为特征长度，纵向是特征。特征向量之间的间隔表示每组输入数据中对应元素之间的时间间隔。它可以根据数据类型和测试性能进行调整。本文选择 12 作为特征向量之间的间距。本文采用完整的数据集，预处理只对数据进行标准化。本文的数据预处理方法如等式(8)所示1。xnorm=x xminxmax xmin(8)式中:xnorm为预处理后数据;x、xmin、xmax分别为时间序列的原始值、最小值和最大值。步骤 2:建立基于 LSTM 网络的电力系统线损预测模型，通过训练集实现模型训练，通过测试集评估预测结果的准确性。图 2 为 LSTM 线损预测模型的预测流程图。图 2模型预测流程图3结果与分析3 1算例参数本文使用的线损数据基于一家电力公司 2019 年 1 月 1 日至2020 年 12 月 31 日记录的线损数据(1 h 间隔)。为了证明所提出的方法在处理长系列、多周期和多波动性线损序列方面的优势，在测试期间建立了节假日和普通日两个数据集2。预测结果与标准 NN 模型进行了比较，以反映 LSTM 模型的预测优势。使用 LSTM 模型预测上述区域的线损，并以平均绝对百分比误差(mean absolute percentage error，MAPE)作为误差标准，与 NN 结果进行比较。MAPE 的定义如式(9)所示3。MAPE=1nnt=1Pi YiPi 100%(9)式中:Pi、Yi分别为预测模型的实际值和预测值;n 为预测的观测点，其值为 24(24 h/d)。测试了该方法的性能。设备为联想 PC，操作系统为 windows1 064 位，Intel i52450m CPU，频率为表 1模型参数设置参数数值初始学习率0 01衰减系数0 15隐藏单元数/个256隐藏层数/层1迭代次数/次 10，20评价指标/(%)MAPE训练优化算法Adam序列长度28特征长度282 5 GHz，内存为 8 GB。LSTM 模型的参数如表 1 所示。3 2算例分析为了 验 证 本 文 提 出 的 基 于LSTM 的线损预测模型的有效性，选取 MAPE 作为评价指标，预测一天 24 h 的数据，然后对各模型的预测结果进行比较分析。为了保证预测结果的准确性，本文所有的结果都是经过 5 次测试后的平均值。不同模型在不同节假日和不同迭代次数的平均绝对百分比误差结果如表 2 所示。表 2试验结果类别LSTM(MAPE)/(%)NN(MAPE)/(%)节假日(迭代 10 次)2 22484节假日(迭代 20 次)2 13461普通日(迭代 10 次)1 99378普通日(迭代 20 次)2 05465迭代次数设置为10，预测点24 个(24 h/d)，比较节假日实际线损值和预测线损数据(LSTM 和 NN)。图 3 为节假日线损预测曲线 1。图 3节假日线损预测曲线 184Electrical Automation电力系统及其自动化Power System Automation电气自动化 2023 年第 45 卷 第 1 期从表 2 和图 3 可以看出，节假日的 LSTM 模型预测曲线与实际曲线拟合最好，MAPE 值为 2 22%。NN 模型的预测曲线拟合较差，MAPE 值为 4 84%。与预测曲线相比，标准 NN 模型的预测曲线大多高于实际曲线。经过分析，这可能是因为测试日是11 月的最后一个星期六，即 11 月下旬。11 月下旬线损值大于 11月上旬，影响 NN 预测精度。LSTM 模型可以泛化和存储多个循环的长序列，突出了它在处理此类问题时的独特优势。迭代次数设置为20，预测点24 个(24 h/d)，比较节假日实际线损值和预测线损数据(LSTM 和 NN)。图 4 为节假日线损预测曲线 2。图 4节假日线损预测曲线 2从表 2 可以看出，节假日的 LSTM 和 NN 的预测 MAPE 分别为2 13%和4 61%。从图4 可知，随着迭代次数的增加，LSTM和 NN 的 MAPE 分别同比增加 0 09%和 0 23%。迭代次数的增加将导致训练时间的激增，而增加的 MAPE 值是有限的。因此，选择迭代次数 10。迭代次数设置为10，预测点24 个(24 h/d)，比较普通日实际线损值和预测线损数据(LSTM 和 NN)。图 5 为普通日线损预测曲线 1。图 5普通日线损预测曲线 1从图 5 可以看出，普通日 LSTM 模型的预测曲线与实际曲线拟合最好，从表 2 可知，MAPE 值为 1 99%。与节假日相比，NN模型预测曲线拟合度也有一定的提高，MAPE 值为 3 78%。这是因为测试日期是 11 月的最后一个星期三。换句话说，这一天不是多个时段相交的时间节点，因此总体变化趋势是标准的，可以实现更高的精度。但 LSTM 模型预测误差小，预测精度好，略优于 NN 模型。迭代次数设置为20，预测点24 个(24 h/d)，比较普通日实际线损值和预测线损数据(LSTM 和 NN)。图 6 为普通日线损预测曲线 2。从表 2 可以看出，普通日 LSTM 和 NN 的预测 MAPE 分别为 2 05%和 4 65%。从图6 可知，随着迭代次数的增加，LSTM 和图 6普通日线损预测曲线 2NN 的 MAPE 有所降低，迭代次数的增加也导致训练时间激增。因此，迭代次数 10 较为合适。4结束语本文提出了一种用于电网线损预测的长短期记忆网络模型。通过长短期记忆模型的强大记忆能