1、70|2023年第42卷第4期方案设计|Engineering Design基于深度学习集成方法的日用电最大负荷预测杨敏，马燕如，朱刘柱，王宝（国网安徽省电力有限公司经济技术研究院，安徽 合肥 230022）摘要：电力负荷受气温等多重因素影响，具有短期波动性和非线性特征，给电力系统调度带来了极大不确定性和挑战。为提前做好电力生产计划和调度预案，开展短期电力日最大负荷预测具有重要的应用价值。基于深度学习集成（SDAE-B）方法的计算准确度和计算效率优势，对较大变化的外界因素具有高鲁棒性。选取某省级电网 20182020 年三年的日度电力数据和气温数据，利用 SDAE-B 方法对该地区 2020
2、年任意 15 天日最大负荷进行预测，并与运用 SDAE 方法和支持向量回归（Support Vector Regression，SVR）方法得到的测试结果进行比较。结果显示 SDAE-B 方法的预测误差最小，且该深度学习方法具有强大的特征提取能力，能在最大程度上减少数据典型特征的损失，且很好地跟踪电力日最大负荷的非线性特征。关键词：电力负荷；峰值预测；深度学习；SDAE-B 方法Daily electric peak load forecasting based on SDAE-BYANG Min,MA Yanru,ZHU Liuzhu,WANG Bao（Institute of Econom
3、ic and Technology,State Grid Anhui Electric Power Company,Hefei 230022,China)Abstract:The electric load in power market is of significant randomness and non-linearity,which brings great uncertainty and challenge to power system scheduling.In order to make power dispatching plan,the electric load pea
4、k forecast have a wide potential application in power areas.The Stacked Denoising Auto Encoder-Bagging(SDAE-B)method has the advantages of calculation accuracy and efficiency,and high robustness to large changes in external factors.In this paper,the daily power grid unified adjustment data and tempe
5、rature data of a Province in China from 2018 to 2020 are selected to predict the maximum load of any 15-days dispatching in 2020 in the Province using SDAE-B method,and the test results are compared with those obtained by SDAE method and SVR method.The results show that the deep learning integration
6、 method(SDAE-B)has the minimum error in the prediction,so the SDAE-B method is used to forecast the short-term power load peak with less error,and a relatively satisfactory result is achieved in the prediction accuracy.The empirical results show that the proposed deep learning method has strong feat
7、ure extraction ability and robustness,which can minimize the loss of typical features of data and track the nonlinear characteristics of electric daily peak load.Key words:electric loading;peak-demand forecastin;deep learning;SDAE-B method国家自然科学基金面上项目资助（72174052）2023年4月|71Engineering Design|方案设计基于深度
8、学习集成方法的日用电最大负荷预测0 引言提供稳定、优质和不间断的电能，以满足各类用户不断增长的用电需求，是我国电力系统的基础任务。随着国民经济增长和终端用户电气化水平的提高，电能占能源消费的比重越来越大，日最大负荷不断创新高。与此同时，在“碳达峰、碳中和”背景下，以风电、光电为代表的清洁电力消纳水平日益提高，而清洁电力的间歇性、非稳定性可能导致高峰负荷时的供需不平衡频繁出现，这对保障电力安全可靠供应和满足经济社会用电需求提出巨大挑战。因此，科学、准确地预测电网日最大负荷，能够为制定电力调度计划提供参考，保障电力系统的安全运行。通常，日最大负荷预测的研究方法有时间序列法、趋势外推法和回归分析法等
9、。但传统的负荷峰值预测方法在面对海量数据时难以有效挖掘大数据特征规律，也无法捕捉经济系统中复杂的非线性关系，导致预测准确度较差。针对传统预测方法存在的问题，近年来学者们开始采用一些新方法进行电力负荷预测，如基于序列运算理论的高峰负荷概率化预测法1、椭圆轨道模型2、基于保持电力系统高峰负荷前沿陡升信息的高峰负荷预报算法3、深度学习集成（SDAE-B）方法、交替条件期望的非参数模 型等。其中，机器学习是一种基于数据的科学模型，它在数据处理和运算中不断学习，并随着时间的推移逐渐提高其性能，在处理大量变化的数据时可显著提升预测准确度。SDAE-B方法凭借强大的表达能力和灵活的网络结构，是目前人工智能中
10、处理不确定性和推理问题最有效的理论模型之一。堆叠降噪自动编码器(Stacked Denoising Auto Encoder，SDAE)是最好的贪婪分层逐层无监督模型之一，用于解决训练深度网络的问 题4，已经广泛应用于图像分类、故障诊断、行为识别和预测（工程造价、电力负荷和城市街道功能）等领域5。文献6通过SDAE方法准确预测了短期电力负荷，研究表明，SDAE的计算准确度高于神经网络（Back Propagation，BP）和降噪自动编码器（Denoising Auto Encoder，DAE）。文献7将SDAE模型应用于变压器油中溶解气体浓度和输电线路温度的数据处理，结果表明，该方法可以有效
11、地识别和修复异常值和缺失信息，但是SDAE算法的性能没有在本文中进一步分析。文献8使用SDAE预测风力发电中的短期风速，研究结果表明，与BP等人工智能算法相比，SDAE具有更高的计算准确度和更快的计算效率。文献9通过SDAE方法提取了高光谱图像特征，与支持向量回归(Support Vector Regression，SVR）等常规方法相比，SDAE具有更好的计算能力。为了应对区域急剧发电量预测中的可变性和非线性相关性，文献10使用SDAE方法预测区域风力发电，与其他常用的风力发电预测方法相比，SDAE的预测真实性最高。但是SDAE方法由于权值的随机初始化过程具有不稳定性，为了利用这种不稳定性，
12、可以采取有放回的随机抽样，从而提高模型的预测准确度。常用的方法为自举汇算法，该方法能够有效地识别和修复异常值和缺失信息，在面对外界因素变化较大时，依然具有较高的准确度和模型的鲁棒性。本文的两个主要贡献如下：将SDAE-B用于日度最大负荷预测，较好地刻画日度电力负荷的复杂变化特征；通过与基于SDAE方法和SVR方法的测试结果进行比较，验证了SDAE-B对电力负荷预测的适用性，为电网制定生产管理计划提供决策依据。1 深度学习集成方法基 于 多 层 神 经 元 的 自 编 码 神 经 网 络 是 深度学习的主要方法之一，其中降噪自动编码器（DAE）是一种特殊的神经网络结构，通过 不 断 叠 加 D
13、A E s 构 建 堆 叠 降 噪 自 动 编 码 器（SDAE），即当前被广泛应用的深度神经网络模型。与层叠自编码（Stacked Auto Encoder,SAE）和深度神经网络等竞争机器学习模型相比，SDAE在分类处理上的预测准确度更高。为了解释SDAE-B方法的原理，下面依次介绍自72|2023年第42卷第4期方案设计|Engineering Design动编码器（AE）、降噪自动编码器（DAE）、堆叠降噪自动编码器（SDAE）和自举汇算法（Bagging）。1.1 自动编码器（AE）自动编码器（AE）是神经网络的一种。它是通过标签自动输入数据，不需要标记训练样本，因此是可以进行自监督
14、的算法11。一个自编码器接收输入，通过隐层，按输入向量的某种形式学习该数据的表示或对原始数据进行有效编码，将其转换成高效的内部表示，然后再解码，输出输入数据的类似物。典型的简单自动编码器通常包括三层：表示原始数据或者输入特征向量的输入层(Inputs)；表示特征转换的隐藏层；跟输入层匹配、用于信息重构的输出层（Outputs）。其中输入层和隐藏层将输入转换成内部表示，组成Encoder（也称为识别网络）部分；隐藏层继续和输出层组合成Decoder（也称为生成网络）部分，将内部表示转换成输出，其原理如图1所示。图 1AE 原理Fig.1 AE principle具体来讲，在自动编码器的Encod
15、er部分，首先通过确定性函数将输入向量x0,1d映射到内部表示（隐藏表示）x0,1d，即(1)式中，f(x)参数化是=W,b；W为一个dd的权重矩阵；b为一个偏差向量；f()为一种非线性激活函数。y在输入空间中映射回向量z0,1d表示为(2)式中，=W,b。因此，每个训练样本x(i)被映射到对应的y(i)和重构z(i)。AE的输入与输出不能被设计成完全相等，通常需要施加约束给自动编码器，使其只能近似地复制，并且输入数据只能复制到与训练数据相似。优化模型参数，最小化平均重建误差为 (3)式中，L为损失函数，能够是传统的二次方误差或重建交叉熵。自动编码器的运算过程概括为：原始Input（设为x）被
16、加权（W,b）、映射（Sigmoid）后得到y，再反向加权y映射回来成为z。通过两组反复迭代训练（W,b），目的是使输出信号与输入信号尽量相似。1.2 降噪自动编码器（DAE）实践中，AE存在过拟合问题。为了防止过拟合，通常对输入层的输入数据加入随机噪声，减轻训练数据与测试数据的代沟，增强模型的鲁棒性，该方法称为降噪自动编码器（DAE）。DAE算法的示意图如图2所示。其中x是原始的输入数据，x是含有噪声的输入数据。输入x0,1d 被部分破坏，导致输入被破坏：；x被映射为隐藏表示；从y重建z=g(y)。使交叉熵重构误差最小的训练参数LH(x,z)=H(BxBz)，其中Bx为参数x的多元伯努利分布。图 2DAE 原理Fig.2 DAE principle图2中加噪声的方法是舍弃了几个神经元，即神经元随机置，然后进行矩阵变换得到y，对y再进行矩阵变换得到z，损失函数就是原始信号2023年4月|73Engineering Design|方案设计基于深度学习集成方法的日用电最大负荷预测x和z之间的距离，这个距离越小越好，可以用二范数度量。1.3 堆叠降噪自动编码器（SDAE）通常只有在训练时才会
