摘要：电力网络的终端负荷预测自适应感知能力相对较差，所以在执行的过程中极易出现误差或者问题，造成大规模或者关联性的预测问题。因此，对基于深度学习的电力网络终端负荷预测方法进行设计与分析。确定终端负荷预测自编码单元，关联单元进行深度SAE-NN预测模型的设计，在此基础之上，创建DNN深度预测训练结构，利用SLF法实现电力网络终端负荷的预测。最终的测试结果表明：在相同的测试环境之下，对比于传统的聚类分解负荷预测组，本文所设计的深度学习的负荷预测组最终得出的预测百分比误差相对较低，表明此种方法的预测效果更佳，具有一定的实际应用意义。
关键词：深度学习 电力网络 终端负荷 预测方法 执行指令 深度神经网络
Abstract： The adaptive sensing perception ability of terminal load forecasting of power network is relatively poor， so errors or problems are prone to occur in the process of execution， causing large-scale or relevance forecasting problems. Therefore， design and analysis of the power network terminal load forecasting method based on deep learning. The self coding unit of terminal load forecasting is determined， and the correlation unit designs the deep SAE-NN forecasting model. On this basis， the DNN deep forecasting training structure is created， and the SLF method is used to realize the terminal load forecasting of power network. The final test results show that under the same test environment， compared with the traditional cluster decomposition load forecasting group， the final prediction percentage error of the deep learning load forecasting group designed in this paper is relatively low， indicating that this method has better forecasting effect and has certain practical significance.
Key Words： Deep learning; Power network; Terminal load; Forecasting method; Execution instruction; Deep neural network
中圖分类号： TP399 文献标识码：A
电力网络的负荷预测实际上是对网络的运行情况进行检测的一种重要的监督形式，同样也是电力资源以及能量管理过程中重要且关键的一个工作环节。通常情况下，终端负荷预测的结果直接影响最终电力的调配以及供应结果，而在这个过程中出现的预测误差也会造成电网后续日常执行以及安全校核的最后处理结果，所以电力网络终端负荷的预测具有十分重要的意义，可以更好地提升电网动态估计的状态，同时调节电力配网的负荷程度，以此来减少发电、配电的实际成本，有利于电力网络的进一步创新与发展[1]。但是对于电力网络终端的负荷预测在实际应用的过程中也存在一定的问题和缺陷，这些因素也为预测带来了较多的不确定因素，致使最终的预测结果并不具备准确性以及可靠性[2]。由于电力负荷本身是处于时刻变化的，固定的电力负荷特性十分有限，并且适应能力较弱，所以，在应用的过程中一般会选择非固定的电荷[3]。
传统的预测方法主要是依据数据的测量以及预测指令的编制来实现的，虽然可以达到预期的效果，但是由于应用过程中外部因素或者内部电力供应的异常，极有可能会发生误差预测现象，再加上浅层预测的模式，最终致使结果不具有可信度[4]。所以，面对这样的状况，需要创建更加灵活且稳定的预测方法，不同于传统预测方法的是，本文所设计的方法是结合深度学习技术来实现的，实际的预测范围精准且具体，同时对于电力网络负荷的异常数据也可以快速汇总整合，形成对应的层级特征，为预测的效果增加可信度和准确性。因此，对基于深度学习的电力网络终端负荷预测方法进行设计与分析。在深度学习的背景之下，基于传统的预测方法，结合多层级的预测结构，降低预测模型的泛化性限制，从而确保预测实际效果，增强整体的预测质量。
1方法设计
1.1 终端负荷预测自编码单元确定
自编码单元是一种无线恒等的数据处理程序，同时也是构建SAE的基本单元[5]。所以，在无线的负荷范围之内，进行预测自编输出比值的确定，完成计算之后，将其设定在深度学习下的三层神经网络预测结构之中，依据得出的数据信息，可以将对应的自编码单元处理结构划分为以下几部分，即可视预测层、隐藏预测层以及重构预测层，每一个层级均具有其特有的功能，同时也是相互独立的存在[6]。但是在应用的过程中，每一个层级单元结构也存在不同程度电力网络的输入和输出，并对预测数据进行同构，形成自编码单元的同构结构，具体如图1所示。
根据图1中的数据信息，最终可以了解到自编码单元的同构结构的创建，单个反向传播结构同时也与自编单元的恢复输入值相一致，这样可以尽快以最小的逼近条件来实现自编单元范围的确定。并在这个范围之内进行自编单元误差代价函数的计算，具体的如公式（1）所示：
1.2 深度SAE-NN预测模型设计
本研究利用神经网络的预测处理指令进行电力网络日常数据信息的获取与汇总。依据其设立对应的电力网络SAE-NN模型，但是需要注意的是，初始的预测模型之中还包含SAE模型以及LR模型两部分，SAE模型为底层的初始模型，主要被用于电力网络数据的汇总以及分析，而LR模型的应用预测程度和范围相对较高，应用的区域以及层级也处于变化的状态。
在两个模型中，利用多个稀疏自编码单元构建因隐藏层级，再添加对应的终端负荷预测输入值，为了避免外部因素对最终的模型构建产生直接干扰，还需要在此基础之上，设计对应的深度SAE-NN预测条件，分为限制条件和预测条件，但是需要注意的是，条件的创建需要考虑深度学习的电力网络负荷变化程度，通常情况下，负荷变化呈现出负相关，再结合深度SAE-NN的执行执行指令，最终完成深度SAE-NN预测模型的设计。
1.3 DNN深度预测训练结构创建
在电力网络负荷预测模型之中输入范围矩阵，计算出实际的预测范围，将其作为GRU网络的实际执行预测训练结构，在矩阵结构之中结合深度DNN深度预测训练条件，实现两个矩阵的关联处理，但是在这个过程中，DNN作为实际的预测的输入指令，在设计的预测模型之中，实现全连接预测关联效果。在此基础之上，结合预测训练的整体环境，进行深度学习下损失函数的计算。在深度训练的过程中，Adam优化训练法具有一定的优化作用，是一种可替代的进阶优化预测模式，通过不断地迭代更新，可以对电力网络终端的负荷数据进行采集，并且利用预测模型来进行权重以及负荷预测偏差的计算，集合损失函数的预设范围，计算DNN深度预测训练结构的均方误差，具体如公式（3）所示：
1.4 SLF法实现电力网络终端负荷预测
通过深度模糊处理技术，进行电力网络模糊执行规则的创建，依据上述的预测条件，形成更加完整、全面的预测规则。随后，将粗糙集引入SLF电力处理程序之中。根据电力网络终端负荷独有的冗余属性，进行循環聚类中心值的识别分辨。在预测数据库中，结合终端的实际聚类属聚类，对负荷预测的连续值实现多目标、多层级的设定，并以此来确定对应的模糊值，实现模糊聚类预测数据的转换，从而了解到对应的预测情况。数据发生离散化之后，在预测的过程中存在一定的不确定性，在深度学习的泛化背景之下，结合SLF法进行归一负荷预测比的计算：
2方法测试
本次测试主要是对深度学习的电力网络终端负荷预测效果进行验证。测试共分为两组，一组为传统的聚分解负荷预测方法，另一种为本文方法。
2.1测试准备
测试环境如下：执行程序为IntelXeon E5，预测的框架为B/S结构下的GTX1080TI 11G框架。设计深度学习的预测工具，将B/S结构与Tensorflow框架关联。
2.2测试过程及结果分析
根据表1中的数据信息，最终可以得出实际的测试结论：在相同的测试环境之下，对比于传统的聚类分解负荷预测组，本文所设计的深度学习的负荷预测组最终得出的预测百分比误差相对较低，表明此种方法的预测效果更佳，具有一定的实际应用价值。
3结语
电力网络数据的海量化处理给传统的预测模式增加了较多的预测压力，在深度学习的背景之下，可以建立较为真实且具体的预测方法，能够提升电力网络的整体泛化性能，预测精准度也得到了明显的提高，有利于未来实现更加高效的预测效果。
参考文献
[1]肖启志，何葵东，肖杨.夏季城市用电短期负荷预测方法研究[J].山西电力，2021（5）：1-4.
[2]雷鸣，唐李洋，叶振宇等.一种基于深度学习的居民家庭短期用电预测方法[J].电脑知识与技术，2019，15（21）：240-242，254.
[3]朱尤成，王金荣，徐坚.基于深度学习的中长期风电发电量预测方法[J].广东电力，2021，34（6）：72-78.
[4]李正浩，李孟凡.基于深度学习的智能型负荷预测方法的研究[J].智慧电力，2020，48（10）：78-85，112.
[5]王晓霞，徐晓钟，张彤，等.基于集成深度学习算法的燃气负荷预测方法[J].计算机系统应用，2019，28（12）：47-54.
[6]熊图，赵宏伟，陈明辉，等.基于特征排序与深度学习的母线负荷预测方法[J].可再生能源，2019，37（10）：1511-1517.
作者简介：陈佳鹏（1987—），男，硕士，工程师，研究方向为供电技术。
3970500589292
