首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 电机论文 > 基于改进GAN模型的图像化短期负荷预测方法研究

基于改进GAN模型的图像化短期负荷预测方法研究

2024-10-08 18 上传者：管理员

摘要：为解决短期负荷预测中长序列预测精度不足的问题，提出一种基于改进GAN（生成对抗网络）模型进行短期负荷预测的方法。该模型以图像修复算法GAN为基础，结合通道、空间注意力机制和多尺度卷积进行图像修复。该模型将一维负荷序列编码为RGB图像。将图像化负荷序列中需要预测的部分进行mask处理，将序列预测问题转换为图像缺失像素的修复问题。将修复图像恢复为负荷序列，通过XGBoost(极限梯度提升树)，结合气温、节假日、时刻等特征值进行修正。通过实际算例显示，所提出方法的MAPE为2.45%，与传统预测方法相比，在精度上为最优。

关键词：
图像修复
注意力机制
生成对抗网络
短期负荷预测
绿色低碳
加入收藏

随着我国电力需求的增长与能源绿色低碳转型，以及电力系统结构逐步改变，电力系统面临巨大挑战[1-2]。短期负荷预测是电网日常调度的重要依据，其预测精确度的需求也变得更高。目前，负荷预测的方法主要分为机器学习[3-5]和深度学习[6-9]。在进行负荷预测时，应有效地考虑负荷与过去的负荷值之间复杂的相关性[10]。以上算法均尝试将序列中的时间关系在一维序列中提取出来，由于一维序列相较于二维图像在信息量上具有局限性，因此，有部分研究人员试图从二维图像中进行负荷预测[11-13]。

基于此，该文提出一种基于改进GAN[14-15]模型的图像化短期负荷预测的方法。为了提高生成网络特征提取能力，引入了通道、空间注意力机制，而判别器使用多尺度CNN，从图像全局和局部来判断生成图像的真假。考虑到其他特征对短期预测精确度的影响，将修复后的图像恢复为负荷序列，与其他特征一起输入到XGBoost网络，得到最终的预测值。该文以GEFCOM2014数据集中的数据进行算例分析，将该文方法与其他非图像化方法进行比较。

1、GAN算法原理

基础的图像修复GAN网络结构如图1所示。GAN有生成器和判别器两个部分，生成器用于修复图像，判别器用于判断图像是否来自生成器。

图1 GAN网络结构

文中为了防止模型崩溃，先分别对生成器G和判别器D进行训练。对生成器进行训练时，对图像随机进行mask处理，然后通过生成器进行修复。设生成器的输出为G(xmask,MG)∈ℝh×w×d,G(xmask,MG)b∈ℝh×w表示输出图像的蓝色通道矩阵。原始图像表示为x∈ℝh×w×d,xb∈ℝh×w表示原始图像的蓝色通道矩阵。MG是一个与输入图像大小相同的mask矩阵。类似地，D(x,Md)表示判别器的输出，Md是随机生成的mask矩阵。则生成器的MSE损失函数定义为：

式中，⊙表示像素乘法，‖·‖表示欧几里得范数。

然后将真实图像与生成器修复的图像输入到判别器，对判别器进行训练。判别器的损失函数为：

最后，将两个部分一起训练。组合两个损失函数，第三阶段的目标函数为：

用θG表示表示生成器G中的网络参数，θD表示两个判别器中的网络参数。训练时，参数更新使用Adam梯度下降法，其中，梯度的计算公式为：

2、改进GAN模型及预测流程

改进的GAN模型主要分为负荷序列编码、生成器、判别器、图像译码以及多特征误差修正，预测流程具体结构如图2所示。

图2改进GAN模型预测流程

2.1时间序列编码

该文使用滑动窗口法进行图像数据集的构造，其中，窗口大小为Lw=(14+d+1)×m(m为负荷序列中一天的采样点数，d为图像的高度），滑动窗口的步长为1×m。考虑到需要尽可能利用图像修复算法的优势，设计宽度为2×m，高度为d，其中，d=2×m，不同通道间的同一个像素点时间相差一周。

在将负荷序列图像化时，首先要将负荷数据归一化处理，并记录数据的基本参数，包括起始日期、预测日期、采样点数、窗口宽度、归一化参数等，用于将后续图像解码为负荷序列。然后，通过式（5）进行图像转换。若x∈ℝh×w×d（ℝh×m×d代表一个多通道矩阵，其中，h和w代表图像高度和宽度，d代表通道数，文中图像均为RGB格式，因此d等价于3），则xp,q,r的表达式为：

式中，p∈{1,2,…,2m}，q∈{1,2,…,2m}，分别代表像素点的横坐标和纵坐标，r∈{0,1,2}代表像素所处的通道，Lw表示原始的负荷序列。

2.2生成网络

生成器G是一个全卷积网络，G的输入是带mask的图像以及mask矩阵，输出为标准的RGB图像，其中，mask矩阵用于定位缺失像素的位置。带mask图像输入后，先经过一层通道注意力（Channel Attention,CA）层，再经过一层空间注意力（Spatial Attention,SA）机制层。通过CA、SA机制，在训练过程中，模型可以获得通道和区域的重要性程度。在生成器G中，引入了三层空洞卷积层（Dilated Convolutional Layers），它可以在不改变层数、增加模型参数的情况下，使每个输出像素感受野增大[16-17]。

2.3判别网络

判别器用于判别输入图像是真实图像还是经生成器G修复的图像。文中使用多尺度CNN网络作为判别器，一个判别器初始输入大小为输入图像大小，称为全局判别器GD(Global and local context Discriminators），另一个大小为输入图像的一半，称为局部判别器LD(Local Discriminators）。

GD输入是像素为48×48的整体图像，由四个卷积层和一个全连接层组成，输出为192维的向量，表示图片的全局特征。LD输入为修复区域24×24的局部图像，由三个卷积层和一个全连接层组成，同样输出192维的向量。最后将两个GD、LD输出的向量串联为一个384维的向量，经过一个全连接层输出判别结果。

2.4多特征误差修正

将负荷序列图像化后，对于气象、时刻等信息，不能充分利用，因此，该文引入XGBoost，将修复图像反变换为一维负荷序列后，结合其他特征对预测结果进行修正。

设恢复的负荷序列为yG，其对应的外部特征为{f1,f2,…,fn}（如温度、湿度、节假日等）。将每一个时刻的负荷值与对应的特征重新组成一个特征向量xinput，分别输入到XGBoost预测模型中，得到最终的预测结果为：

3、算例分析

实验以GEFCOM2014数据集中2012年1月1日至2014年12月31日的电力负荷及气象数据为实验数据，数据的采样间隔时间为1 h。以2012年1月1日至2014年11月30日的数据为训练数据，其中，80%为训练集，20%为验证集。将2014年12月1日至2014年12月31日的负荷数据作为测试数据，用于评判模型效果。

实验平台为AMD R7 CPU、NVIDIA RTX 3060GPU以及CUDA 12.0；软件平台采用Python3.10环境，使用Pytorch和Tensorflow进行深度学习网络搭建。

3.1数据预处理

初始数据集只包括日期、时刻、历史负荷、温度四个维度的特征。因此，该文结合日期特征及当地假日信息，将日期信息分为季节、月度、工作日和节假日四个特征。并将过去一周同一时刻负荷值L1、过去两周同一时刻负荷值L2和过去三周同一时刻负荷值L3作为三个特征。最后选择的特征如表1所示。

表1输入特征

电力负荷的真实值较大，若直接作为模型输入，会增加训练时间，影响训练精度，使用归一化数据，可以加快模型的收敛速度。数据归一化的公式如下：

式中，为归一化后的负荷值；x为原始的负荷值；xmin和xmax分别为原始负荷序列中的最小值和最大值。

3.2对比模型

将SVR、LSTM、LSTM-CNN-Att以及Informer作为对比模型。机器学习模型SVR是基于ScikitLearning实现的，它的核函数为rbf（径向基函数），惩罚系数为1，输入序列长度为168，输出维度为24;LSTM、LSTM-CNN-Att则是基于Keras、TensorFlow实现的，它们的输入时间步长均为168，输出时间步长为1，通过滑动窗口法，将预测的结果作为输入值，输出接下来24个点的预测值；Informer是基于Pytorch平台实现的，输入编码器序列长度为96，输入解码器序列长度为48，输出长度24，共有一层编码器和两层解码器。

3.3评价指标

该文选取平均绝对值百分比误差（Mean Absolute Percentage Error,MAPE）作为各个模型预测准确度的主要评价指标，并选择归一化平均绝对值误差(normalization Mean Absulute Error,nMAE)作为辅助评价指标。MAPE和nMAE的计算分别如下所示：

式中，yi为归一化后的实际电力负荷数据；为归一化后的预测电力负荷数据，n为电力负荷数据数量。

3.4结果分析

使用数据集中2014年12月某时段的预测结果绘制预测负荷曲线，各个模型的预测结果与真实值的比较结果如图3所示。观察图3可知，LSTM误差最为明显，体现了滑动窗口法进行长序列预测时出现误差累积效应；LSTM-CNN-Att相较于LSTM有一定的改善；Informer能在负荷变化趋势稳定时很好地拟合真实负荷曲线，但在第二个峰谷有较大误差；该文模型最为接近真实值，在峰值和谷值也能表现出负荷变化的规律，但在数值上存在误差，还具有提升空间。

表2为各模型准确率的对比情况，其结果为数据集2014年12月共31天的平均值，评价指标使用MAPE与nMAE。实验结果表明，该文模型较其他模型有更高的准确率，主要评价指标MAPE比其他四个模型分别下降2.37%、2.36%、1.74%和0.44%。

表3为各模型训练及预测所消耗时间的对比情况，分析比较可得，该文模型在训练时间上，超过其他模型，这表明图像化的负荷预测方法，虽然利于提取时序信息，提升了预测精确度，但是同时也增大了计算的复杂度，使模型训练时间提升。但在使用已训练模型进行预测时，并不会消耗大量时间。

图3各模型预测结果对比

表2各模型MAPE和nMAE对比

表3各模型消耗时间对比

4、结论

该文针对一维负荷序列特征表达的局限，以及短期长序列负荷预测精度不足的问题，提出基于改进GAN模型的图像化预测方法。将改进GAN模型与SVR、LSTM、LSTM-CNN-Att和Informer模型进行实验对比，在预测精度上取得了最优的效果。实验表明，将一维序列转换为图像，将图像处理的方法应用于短期负荷预测，具有可行性。

该文对气象、日期等重要影响因素的处理方法是将其作为特征向量输入到XGBoost中，进行误差修正，实验证明，图像有更丰富的表达能力，因此，后续工作可以尝试将重要影响因素进行图像化，作为图像修复的依据。其次，缺失像素处于图像边缘，并不能使模型效果最优，使用更优的图像编码方式，可取得更好的效果。

参考文献:

[1]单葆国,刘青,张莉莉,等.新形势下“十四五”后三年中国电力需求形势研判[J].中国电力,2023,56(3):1-11.

[2]钱育树,孔钰婷,黄聪.电力负荷预测研究综述[J].四川电力技术,2023,46(4):37-43,58.

[5]谢中元.基于GBDT算法的电力专项规划负荷预测研究[J].电气应用,2021,40(10):58-61.

[6]胡聪,徐敏,洪德华,等.基于集成LSTM模型的数据驱动需求预测[J].电力工程技术,2022,41(6):193-200.

[7]陆继翔,张琪培,杨志宏,等.基于CNN-LSTM混合神经网络模型的短期负荷预测方法[J].电力系统自动化,2019,43(8):131-137.

[8]魏健,赵红涛,刘敦楠,等.基于注意力机制的CNN-LSTM短期电力负荷预测方法[J].华北电力大学学报(自然科学版),2021,48(1):42-47.

基金资助:国家自然科学基金资助项目(62371253);

文章来源:张鑫翔,张玲华.基于改进GAN模型的图像化短期负荷预测方法研究[J].电子设计工程,2024,32(20):16-20.