摘要：短期電力負荷精準預測對發電容量與輸電方式的合理調度、確保電力系統安全、穩定運行起著至關重要的作用。本文針對負荷數據基數大、難提取、負荷預測影響因素多等問題，運用Mysql數據庫和Python爬蟲技術構建了短期負荷曲線預測基礎數據平臺，提高了數據的存取效率；針對電力負荷的隨機波動性，運用 Pandas、關聯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性分析；為提高預測精度，探索使用了融合卷積神經網絡、長短期記憶網格和注意力機制的多元混合神經網絡模型。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據與預測結果。

0   引言

隨著我國經濟社會的高速發展，各行業對電力的依賴增強，對供電可靠性及電能質量的要求日益提高。短期電力負荷精準預測是建設智能配電網和提高分布式電源消納能力的一個關鍵指標，對確保電力系統穩定調度、保證其經濟、安全、可靠的運行起著至關重要的作用^[1]。

短期電力負荷預測通常是指在考慮一些重要的系統運行特性、增容決策和自然條件的情況下，利用現有的歷史數據及相關的外圍數據建立預測模型，對未來較短時間（幾小時、幾天到幾周）內的電力需求量（功率）、未來用電量( 能量) 以及負荷曲線的預測^[2]。由于電力系統負荷本身具有的不可控性，再加上各種經濟、環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度中心安排日調度計劃，包括確定機組啟停、水庫調度和設備檢修等^[3]。

本文介紹的“基于深度學習的智能電網短期日負荷曲線預測系統設計與實現”，以用電基數大，總體規律相對穩定的公共變壓器為研究對象；采用Python 爬蟲技術+Mysql 數據庫構建短期負荷曲線預測基礎數據平臺，實現歷史負荷數據一鍵入庫、影響因素數據爬蟲解析入庫功能，有效提高負荷預測數據的存取效率；應用NumPy、Pandas、關聯分析算法進行缺失數據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性；針對現有淺層神經網絡電力負荷預測方法難于對負荷數據特征進行充分提取，限制了短期負荷預測精度的問題，使用了融合CNN+LSTM+Attention 的多元混合神經網絡模型，提高了預測精度；為了讓用戶更加直觀便捷地觀察負荷數據和預測結果，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。系統架構如圖1 所示：

圖1 系統架構圖

1   短期日負荷曲線預測基礎數據平臺

負荷預測的前提是基礎數據，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據采集，并進行必要的數據預處理與分析，為構建最終用于建模的輸入數據做好數據準備。由于歷史時點負荷數據體量大，難提取、影響因素多等問題，本系統構建了短期負荷曲線預測基礎數據平臺，實現數據的系統化管理，為預測模型提供較好的數據支持。

1.1 數據采集

公共變壓器短期日負荷曲線預測需要的數據主要有歷史時點負荷、天氣、工作日類型、節假日、社會大事件等負荷預測影響因素數據。其中歷史時點負荷數據源自某省電網調度中心，獲取到的往往是大容量的文本文件，存在數據體量大、難提取、不易管理等問題，本系統根據采集到的歷史負荷數據結構與類型，選用MySQL 數據庫，應用Python 編程語言，實現了歷史負荷數據一鍵解析入庫，提高了數據的存取效率。負荷預測影響因素，諸如天氣、工作日類型、節假日等數據考慮其實效性，應用Python 爬蟲Beautiful Soup 庫從國家氣象局、TkinkAPI 等公用網絡接口自動提取，并解析入庫。

1.2 數據庫結構設計

根據短期日負荷曲線預測業務邏輯需求和采集到的原始數據結構及各種數據類型之間的關系，搭建了MySQL 數據庫平臺。其中表1~3 為部分數據表的字段定義和說明。

2   數據處理與分析

2.1 數據預處理

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

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果產生影響。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據和影響因素之間的關聯性，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性分析十分必要。

本文應用APRIORI，SPUFP( 一種改進的關聯規則增量更新算法) 等關聯算法，通過計算兩兩指標的相關系數，分析得知工作日類型、節假日影響因素與短期負荷存在較強的相關性；區域最高氣溫、最低氣溫和平均氣溫都與短期負荷呈現顯著的負相關，相關系數絕對值均在0.4 以上。在天氣類影響因素中，相對濕度與短期負荷呈現極弱的負相關，對負荷預測影響較小?；谝陨戏治?，根據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

智能電網短期日負荷曲線預測系統最核心的問題是利用現有歷史數據及相關外圍數據建立預測模型。通過文獻調研發現，目前已有的負荷預測模型大多是淺層神經網絡預測模型，而基于淺層神經網絡的電力負荷預測方法難以對原始負荷數據特征進行充分提取，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，國內外研究人員開始嘗試將卷積神經網絡(CNN)、長短期記憶網絡(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，本系統借鑒文獻[6]融合使用了CNN 卷積神經網絡、LSTM 長短期記憶網格和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 對數據進行分類與特征處理，利用LSTM對特征更為明顯的數據進行記憶，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重，提高數據識別能力，最后經過Softmax 分類分析，輸出預測結果)，通過將預測結果和真實數據進行繪圖比較，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   預測結果呈現

為了讓用戶更加直觀的觀測負荷數據與預測結果，本系統基于BS 架構，應用Flask+VUE 框架、Echarts組件構建了數據交互與可視化展示平臺，該平臺可實現用戶信息可視化管理、歷史負荷數據可視化呈現、短期日負荷曲線預測結果展示等功能。本文選擇某公共變壓器2019-05-01—2020 年-09-01 的數據作為訓練集，使用2020 年10 月數據作為測試數據，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   結束語

智能電網短期日負荷曲線精準預測對地區電網科學調度與合理規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短期日負荷曲線預測系統”, 通過構建短期負荷曲線預測基礎數據平臺，實現了數據的高效能管理；應用CNN+LSTM+Attention 的多元混合神經網絡模型，提高了負荷曲線的預測精度；基于Flask+VUE+Echarts構建的數據交互與可視化展示界面，提供了便捷的人機交互方式，實現了預測結果及影響因素的精準展示。

參考文獻：

[1] 遲作為,辛鵬,李振新.基于數據挖掘技術的地區電網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:數據分析與算法實戰[M].北京:電子工業出版社,2020.

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

[4] 魏騰飛.基于機器學習的微電網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.基于多層融合神經網絡模型的短期電力負荷預測方法[J].計算機與現代化,2021(10):94-106.

（本文來源于《電子產品世界》雜志2023年2月期）