第41卷第6期
2021年6月电力自动化设备
Electric Power Automation Equipment Vol.41No.6 Jun.2021
彭道刚1，2，朱琪1，2，车权3，赵慧荣1，2
（1.上海电力大学自动化工程学院，上海200090；2.上海发电过程智能管控工程技术研究中心，上海200090；
3.国网重庆市电力公司，重庆400014）
摘要：采用传统的回归拟合进行发电厂存煤量单变量单步预测已无法满足电网优化调度的需求，针对该问题，提出卷积神经网络（CNN）与长短期记忆（LSTM）神经网络相结合的CNN-LSTM神经网络预测模型，利用CNN良好的特征提取能力以及LSTM神经网络特殊的记忆预测功能实现对未来电厂存煤量的 精准预测。为了使预测结果更符合实际存煤量，在已有预测结果的基础上进行进一步优化。实例验证结果表明，相较于传统差分自回归移动平均（ARIMA）模型和单一LSTM神经网络模型，所提模型取得的效果更好，且经过优化后的预测精度得到了进一步提高。
关键词：短期预测；电厂存煤；深度学习；模型优化；电网调度
中图分类号：TM73文献标志码：A DOI：10.16081/j.epae.202102025
0引言
血管内皮抑素
近年来，随着国家产业结构的转型优化，经济发展也逐渐步入了新常态。为了积极响应“十三五”规划所提出的煤电清洁高效发展，我国的能源发电部门不断探索节能减排与高效并存的生产模式［1］。电网调度部门作为各发电企业统一的经济调度中心，对实现电厂机组负荷间的优化经济配置、使电网达到电力电量平衡均有重要作用。对目前占我国发电装机容量和发电份额最大的火力发电而言［2］，各电厂的煤炭库存量是判别其发电能力的重要标准之一，过多或过少的燃煤库存都不利于电厂经济稳定运行。因此，若能对电厂未来的燃煤库存量进行准确预测，则电网调度部门就可以根据各电厂未来的存煤情况对燃煤发电资源进行合理分配，从而保证各电厂的发电需求和电网的安全有序运行。
电厂电煤库存量是一组随时间不断变化的序列，按照年、月、日电煤库存量的不同，可分为长期、中期、短期预测，本文主要研究日存煤量的短期变化。文献［3］使用一种偏最小二乘回归模型，有效解决了样本数量少和变量多重相关性的问题，适合于研究中长期存煤量变化；文献［4］搭建差分自回归移动平均ARIMA（AutoRegressive Integrated Moving Average）模型，虽然可以进行存煤量的多步预测，但
由于误差不断累积，对实际存煤量的预测效果并不理想；文献［5］使用BP神经网络预测的方法，虽然该方法在一定程度上考虑了单一历史存煤的有效信息，但没有考虑对于存煤的其他影响因素，因此预测精度还有待提高。
近年来，随着机器学习的不断发展，越来越多的新模型应用于时间序列的预测中。例如：随机森林法［6］是一种基于决策树的集成学习算法，具有很高的预测准确率，目前在医学等领域应用广泛；支持向量机［7］是一种用内积核函数代替高维空间的非线性映射模型，具有较好的鲁棒性，目前已应用于人脸识别、负荷预测等领域；深度学习是机器学习发展最热门的分支，其中卷积神经网络CNN（Convolutional Neural Networks）［8］能有效处理空间信息，目前在机器视觉中应用广泛，长短期记忆LSTM（Long Short-Term Memory）神经网络［9］能更好地处理时序信息，已应用于语言模型、机器翻译、语音识别等领域。
综合以上分析，本文在电网调度区域内各燃煤发电厂历史存煤量的基础上，考虑历史进煤量以及耗煤量对电厂未来存煤量的影响，利用CNN良好的特征提取功能，出电厂历史数据中的潜在关系，进而将其整合为有效的特征向量，再将该特征向量输入LSTM神经网络，利用LSTM神经网络特殊的记忆功能预测电厂未来的存煤量。
1电厂存煤量影响因素
电厂的电煤库存是电网调度部门需要监测的重要数据之一。首先从季节性的角度分析，选取某地
收稿日期：2020-04-21；修回日期：2020-12-25
基金项目：国家自然科学基金资助项目（52006131）；上海市
“科技创新行动计划”高新技术领域项目（19511101600）；上
海市青年科技英才扬帆计划资助项目（20YF1414900）；国网
重庆市电力公司科技项目（2019渝电科技15#）
Project supported by the National Natural Science Founda⁃
tion of China（52006131），the High-tech Field Program of
Shanghai“Science and Technology Innovation Action Plan”
（19511101600），Shanghai Sailing Program（20YF1414900）and
the Science and Technology Project of State Grid Chong-
qing Electric Power Company（2019Yudian Technology15#）
电力自动化设备第41卷
区电网调度中心下3座典型电厂2015—2018年每
月的存煤量，如附录A图A1所示。电厂1属于大型
火力发电厂，电厂2与电厂3属于中型火力发电厂。
由图中可以看出，无论是大型还是中型发电厂，在夏
季与冬季期间存煤量的变化均为最剧烈的，即每年
的7—9月以及12月和第二年的1、2月，这是因为这
黑河学院美术系
段时间是用电的高峰期，因此各电厂经常会在度夏
度冬前期提高电煤库存量以备中后期保证电能的稳
定供应。由于该段时间内存煤量的不确定性更多，
因此本文将该段时间内存煤量的预测作为判定预测模型准确性的重要标准之一。
对电厂每日存煤量的变化进行分析可知，电厂的电煤库存量与电厂原有的电煤库存量以及电厂日进煤、耗煤量都有密切的关系［10］，可表示为：
C m keep=C m-1keep+C m in-C m out（1）其中，C m keep、C m-1keep分别为电厂第m、m-1天的存煤量；
C m in为电厂第m天的进煤量；C m out为电厂第m天的耗煤量。
由式（1）可知，电厂现有的存煤量直接影响未来的存煤量，而电厂的进煤量与耗煤量则决定着存煤量的变化趋势，因此本文模型的输入由电厂进煤量、耗煤量和存煤量组成。
2CNN-LSTM神经网络电厂存煤预测模型2.1CNN模型
CNN模型是近年来深度学习领域中应用广泛的模型之一，其基本结构如附录B图B1所示。基本的CNN模型采用局部连接和共享权值的方式，直接将原始数据通过卷积层和池化层的交替使用来获取有效的表征，自动提取数据的局部特征，并建立稠密、完毕的特征向量［11-12］。电厂的存煤数据量较多而且有较强的非线性，原始数据的特征无法很好地反映存煤量的变化，需要提取原始特征中的有效信息，本文采用CNN进行提取。
2.2LSTM神经网络模型
LSTM神经网络是一种改进的循环神经网络，相较于传统的循环神经网络，其有效地解决了训练过程中出现的梯度爆炸和梯度消失的问题［13-15］，其网络基本单元如图1所示。
LSTM神经网络的基本单元包括输入门、遗忘门和输出门。本文通过将提取出的特征向量x t、状态记忆单元c t-1以及中间输出h t-1结合输入遗忘门，从而决定状态记忆单元中需要遗忘的部分；输入门中的x t分别经过sigmoid和tanh激活函数后共同决定状态记忆单元中需要保留的向量；中间输出h t由更新后的状态记忆单元c t以及输出门o t共同决定。具体计算公式如式（2）—（7）所示。
i t=σ(x t W xi+h t-1W hi+b i)（2）
f t=σ(x t W xf+h t-1W hf+b f)（3）
o t=σ(x t W xo+h t-1W ho+b o)（4）
c t=tanh(x t W xc+h t-1W hc+b c)（5）
c t=f t⊙c t-1+i t⊙c t（6）
h t=o t⊙tanh c t（7）其中，i t、f t、c t分别为时间步t时的输入门、遗忘门、候选状态记忆单元；W xi、W hi、b i分别为输入门的权重和偏差；W xf、W hf、b f分别为遗忘门的权重和偏差；W xo、W ho、b o分别为输出门的权重和偏差；W xc、W hc、b c 分别为候选状态记忆单元的权重和偏差；σ（·）表示sigmoid激活函数；⊙表示按元素相乘。
2.3CNN-LSTM混合网络模型
根据对火电厂存煤量影响因素的分析，本文所提CNN-LSTM模型的输入选取历史日进煤量F(1)、耗煤量F(2)和存煤量F(3)。由此可知，CNN-LSTM神经网络模型的输入由3种不同的特征组合而成，因此本文将模型的输入通道数设为3。根据对某地区电网调度中心下10座电厂历史数据的多次实验发现，采用历史49d的数据进行预测时效果最好，因此，本文分别选取进煤量F(1)、耗煤量F(2)以及存煤量F(3)历史49d的值，为了更好地把握各个特征每周的变化对存煤量的影响，以7d为一个周期，对各个特征
进行重新组合拼接，进而得到7×7×3的特征向量作为模型的输入，其中3对应于模型的通道数。
电网调度中心每日会对各电厂的数据进行更新，充分利用更新的数据将有助于提高预测结果的准确性。例如用2018年1月1日至2月18日的数据预测2018年2月19日至2月25日的结果后，再用2018年1月2日至2月19日的数据预测2018年2月20日至2月26日的结果，则第二次预测的2018年2月20日后的结果将会比第一次预测的结果更加准确，
这样每日的预测结果随着调度中心每日数据的更新而不断更新，更新后的预测结果也更加精准。因此，为了方便后续网络的计算，也为了更好地模拟调度中心每日将电厂数据更新的情况，本文使用滑动窗口的方式分别对3种特征依次产生每次所需要
图1LSTM神经网络基本单元
Fig.1Basic unit of LSTM neural network
第6期彭道刚，等：基于CNN-LSTM神经网络的电网调度火电厂短期存煤预测
的特征向量，滑动窗口宽度设为49，步长设为1。模型的输出是根据预测天数而定的，本文预测的是火电厂未来一周的存煤量，因此预测天数设为7d。
本文提出的CNN-LSTM神经网络基本框架如图2所示。CNN-LSTM神经网络混合模型主要由两部分构成：CNN模块的主要作用是对各电厂历史进煤量、耗煤量、存煤量的数据进行特征提取并整合；LSTM神经网络模块是将整合出的特征进行记忆与筛选，并进行拟合预测，最后通过全连接层输出预测结果。为了使各电厂的预测值更符合未来电厂存煤的实际情况，本文对预测结果进行优化处理。CNN 设计有3层卷积层，卷积核数依次为16、32、64。CNN可根据内核的大小从3组输入数据中提取出更多的有用特征，即内核的大小反映了时间序列的宽窄［16］。考虑到每座电厂的数据每日才会更
新一次，为了充分利用现有的电厂数据，本文将卷积核的大小设为2×2，池化层中的池大小为2，经过连续3次卷积与池化操作，得到64×1×1的三维向量矩阵，其中64为通道数，然后通过扁平操作将三维向量压成长度为64的一维向量数组作为提取出的全局特征向量。
在LSTM神经网络部分，经过实验发现，增加LSTM神经网络单元的数量对于增强模型的预测能力有一定益处，因此本文模型最终有两层的LSTM 神经网络层，神经元数分别为16、32，最后通过全连接层输出预测结果，全连接层的神经元数为7，即代表未来一周的存煤量。
电网调度下的电厂数量很多，而且每座电厂存煤量的变化具有很强的不确定性，因此很容易出现离点的现象，这对于模型的训练是非常不利的。为了增强对离散点的鲁棒性，本文选用Huber Loss 函数作为模型的损失函数，当预测偏差小于等于δ（δ为大于0的超参数，本文设为1）时采用平方误差，当预测偏差大于δ时采用线性误差，具体表示为：
L(y，y)=
ì
í
î
ïï
ïï2007女足世界杯
δ|
|y-y-δ22|
|y-y>δ
1
2|
|y-y2|
|y-y≤δ
（8）
其中，y为真实值；y为预测值。
单一的CNN模型虽然可以每次提取出当前输入的有效信息，但无法保留历史输入中的有效部分，而单一的LSTM神经网络模型虽然可以记忆历史信息，但原始数据特征与存煤量的相关性明显不足，因此采用CNN-LSTM神经网络混合模型可以很好地弥补单一模型的不足，达到更好的效果。
3电厂存煤预测模型的优化
3.1训练过程优化
本文提出的CNN-LSTM神经网络混合预测模型针对每座电厂所需训练的参数较多，若采用传统的随机梯度下降SGD（Stochastic Gradient Descent）法，不仅会增加训练模型所需要的时间，还会由于训练后期学习率过大的问题而无法得到最优的模型参数，因此本文采用自适应矩估计Adam（Adaptive mo⁃ment estimation）优化算法［17-20］，通过计算梯度的一阶、二阶矩估计，为梯度设定相应的学习率，这样既能提高运算率，又能占用较少的内存，Adam算法具体流程如下。
（1）设定初始学习率α，给定［0，1）范围内的超参数β1、β2以及最大迭代次数t max；初始化网络权重参数θ0、一阶矩估计v0和二阶矩估计s0。
（2）计算目标函数的梯度g t：
g
赵铭胸围
t=∇θP t(θt-1)（9）其中，P t为时间步t时的目标函数；θt-1为时间步t-1时的网络权重；∇θ表示对目标函数求导。
（3）计算一阶矩估计v t和二阶矩估计s t：
v
t=β1v t-1+(1-β1)g t（10）
s
t=β2s t-1+(1-β2)g2t（11）其中，v t-1、s t-1分别为时间步t-1时一阶矩估计与二阶矩估计。
（4）计算偏差修正后的一阶据估计v t和二阶矩估计s t：
v
t=
v
t
1-βt1（12）
s
t=
s
t
1-βt2（13）（5）更新学习率αt和参数θt，重复以上步骤直至达到最大迭代次数t max。
α
t
1（14）
图2CNN-LSTM预测模型基本框架图
Fig.2Basic framework of CNN-LSTM forecasting model
电力自动化设备第41卷
θ
t=θt-1-α
t
v
t
s
t+ε
（15）
其中，ε为维持数值稳定的常数。
一般而言，学习率越大，模型所需的训练步数越少，对于Adam算法的初始学习率α不宜选择得过大或过小，这是由于过大的学习率很容易在训练过程中越过模型的最优解，从而无法得出理想模型，而过小的学习率又会导致训练步数的增多，这样不仅会增加训练所需的时间，而且在训练步数不足时，最终的模型效果也很不理想，因此需要根据数据的具体情况选取合适的学习率。针对电厂存煤量数据的特点，以电厂1的数据为例，分别选取初始学习率α为10-5、10-6、10-7进行对比，结果如表1所示。本文最终选定初始学习率α=10-6，最大迭代次数为500，一
阶矩估计的指数衰减率β1以及二阶矩估计的指数衰减率β2分别为0.9与0.999，维持数值稳定的常数ε=10-8。
采用Adam优化算法训练本文CNN-LSTM神经网络模型的优点在于可以在较短的时间内取得最优的结果。采用电厂1的数据，分别采用SGD法、自适应梯度法AdaGrad（Adaptive Gradient algorithm）、均方根比例RMSProp（Root Mean Square Prop）法以及Adam算法这4种不同的方法进行训练，学习率设为10-6，最大迭代次数为500，具体结果如表2所示。
3.2预测结果优化
根据实际情况，每座电厂的存煤能力都在一定范围内，即在最小存煤量K min与最大存煤量K max之间，假设预测结果为Y i(i=1，2，⋯，7)，则：
K min≤Y i≤K max i=1，2，⋯，7（16）通过比较多座电厂的存煤量可以发现，在一段时间内，电厂存煤量的变化范围是保持不变的。由式（1）可知，火电厂存煤量的变化是由每日的进煤量与耗煤量所决定的，若当日的进煤量比耗煤量多，则存煤量会增加，反之减少，只有当电厂所有机组都在检修或出现故障停机，没有耗煤，并且当日由于天气因素等影响进煤无法到达时，电厂的存煤量才不会变化，但实际中一般很少会出现这种情况。本文经过多次实验发现，取历史49d中进煤量与耗煤量的最值作为未来存煤变化约束是合理且有效的。具体约束如式（17）所示。
I min-C max≤ΔY i≤I max-C min（17）其中，ΔY i为预测结果每天的存煤变化量；I max、I min分别为每49d内进煤量的最大值和最小值；C max、C min 分别为每49d内耗煤量的最大值和最小值。正常情况下，电厂49d内的存煤量会有上升和下降的变化，这就意味着最小进煤量一定比最大耗煤量小，而最大进煤量一定比最小耗煤量大，即I min-C max必然小于0，而I max-C min必然大于0，这样就可以保证不管预测的存煤量是增多还是减少，都不会超过它所能变化的极限。
为了防止历史进煤量与耗煤量的数据中出现异常值，以及对存煤量的变化范围进行进一步约束，本文将每49d的存煤量直接两两相减，得出的最大值ΔK max以及最小值ΔK min即是未来7d存煤量的变化范围，具体可表示为：
ΔK min≤Y i≤ΔK max（18）通过上述约束条件，最终输出的预测结果将更加符合实际，预测精度也将会在一定程度上有所提升。
4实例验证
本文采用某地区电网调度中心下10座电厂2013年1月1日至2018年12月30日的每日实际进煤量、耗煤量和存煤量作为实验数据，每组特征共计2191条数据，构建的基本模型如图2所示。本文将预测结果与传统的ARIMA模型、单一的LSTM神经网络模型以及优化前的CNN-LSTM神经网络模型进行比较。
4.1数据处理与实验设置
由于原始进煤量、耗煤量和存煤量三者间的数值特征相差较大，不利于模型的训练，因此，为了使数据能更好地适应模型，在将各特征输入模型前进行Z-score标准化处理，具体处理过程为：
X(j)
i=
F(j)
i-μ(j)
σ(j)
j=1，2，⋯，k；i=1，2，⋯，N（19）其中，X(j)i为第j个特征标准化后的结果；F(j)i为原始第j个特征数据；μ(j)、σ(j)分别为原始第j个特征的均值与标准差；N为特征数据总数；k为总特征数。
本文以2013—2017年的电厂数据作为训练集，以2018年的数据作为测试集。实验使用GPU版的MXNet实现所搭建的模型，并使用AMD R53600X
表1学习率的选择
Table1Selection of learning rate
电厂1
学习率
10-5
10-6
10-7
训练步数
500
500
500
模型损失
0.00258
0.00219
0.00237表2不同训练方法时间
Table2Time of different training methods
图书馆学会电厂1
训练
方法
SGD
AdaGrad
RMSProp
Adam
学习率
10-6
10-6
10-6
10-6
训练
步数
500
500
500
500
模型
损失
0.04683
0.04639
0.00487
0.00219
训练
时间／s
54.67
95.59
52.62
50.27
第6期彭道刚，等：基于CNN -LSTM 神经网络的电网调度火电厂短期存煤预测
处理器搭配两块GTX 1660super OC 8GB 显卡运行
所有的实验。MXNet 框架提供了多个语言接口，可以跨平台使用，因此灵活性非常高，并且其提供的模型层可以自由组合，相互叠加，很大程度上减少了代码实现过程中的重复工作，这对于理解和实现神经网络的架构非常有利。
为了更好地检验模型精度，需采用一定的评判标准，本文采用平均绝对百分比误差（MAPE ）和均方
根误差（RMSE ）作为实验的性能指标，具体计算公式分别如附录C 式（C1）与式（C2）所示。4.2实验结果分析
根据对电厂存煤量影响因素的分析可知，在迎峰度夏或迎峰度冬时电厂存煤量的变化比平时更剧烈，对于这些时期内存煤量的预测更能检测出模型的优良程度。本文以电厂1为例，选取度冬期间2018年1月14日至1月20日的数据以及度夏期间2018年7月2日至7月8日的数据，分别采用ARIMA 模型、LSTM 神经网络模型、优化前的CNN -LSTM 神经网络模型以及优化后的CNN -LSTM 神经网络模型进行预测，预测效果分别如图3所示。观察图3可见：在度冬中后期，电厂的存煤大幅下降，在度夏初期，电厂存煤量大幅提升，ARIMA 和LSTM 神经网络模型的预测结果无法跟上存煤量的大幅改变，而优化前的CNN -LSTM 神经网络模型的预测精度得到了一定程度的提升，经过进一步优化后，预测结果更加接近真实值；度夏初期的预测结果均明显低于实际存煤，度冬中后期的预测结果均明显高于实际存煤，这是由于在度夏初期，为了保证电厂能够发出足够多的电能，电厂的进煤速率会大幅提升，因此预测结果会低于实际存煤，而在度冬中后期，为了将电厂的
存煤量保持在合理的范围，电厂会大量消耗前期积
攒的电煤，因而预测结果会高于实际存煤。
由于模型的输入会随着电厂每日数据的更新而改变，因此，为了更好地评判各模型对存煤预测的效果，
本文以周为单位，每次输出7次预测结果，对各模型的MAPE 和RMSE 进行比较，具体结果如附录C 表C1所示。预测时间选取度冬期的1、2月以及度夏期的7、8月，对于电厂存煤量而言，这些时期的预测结果最具有代表性。
通过比较4个模型的MAPE 可以发现，优化后的CNN -LSTM 神经网络模型的误差最小，这说明其效果是最好的。比较各模型的RMSE 可以发现，优化后的CNN -LSTM 神经网络模型的预测结果最稳定，即预测结果更符合实际存煤的变化情况。为了检验优化后的CNN -LSTM 神经网络模型是否具有普适性，本文分别用这4个模型对10座电厂2018年的存煤量进行预测，结果如附录C 表C2所示，验证了优化后的CNN -LSTM 神经网络模型的普适性。
综合以上实验结果可知，相较于ARIMA 、LSTM 神经网络以及优化前的CNN -LSTM 神经网络模型，优化后的CNN -LSTM 神经网络模型对电厂存煤量的预测精度有明显提升。
5结论
本文从电网调度的角度出发，综合考虑各电厂历史进煤量、耗煤量、存煤量对电厂未来存煤量的影响，建立一种优化的CNN -LSTM 神经网络预测模型对电厂短期存煤量进行预测，结论如下。
（1）本文模型利用CNN 对于多种特征良好的提取整合能力，以及LSTM 神经网络独特的记忆拟合功能，并利用已有的信息对预测结果进行约束优化，在一定程度上提升了电厂存煤量预测的精度。
（2）在模型训练的过程中，采用Adam 优化算法，不仅缩短了模型训练的时间，同时进一步优化了网络权重参数，使预测结果更加精准。
（3）本文模型对电厂未来一周存煤量的预测效果良好。下一步可调整预测步长预测未来两周的存煤量，此外中长期预测也可以灰模型为基础，借鉴短期预测中门控循环的思想对灰模型进行优化，从而为电网调度制定火电机组调度计划以及确保电量平衡奠定基础。
附录见本刊网络版（http ：∥www.epae ）。参考文献：
［1］杨倩鹏，林伟杰，王月明，等.火力发电产业发展与前沿技术路
线［J ］.中国电机工程学报，2017，37（13）：3787-3794.
YANG Qianpeng ，LIN Weijie ，WANG Yueming ，et al.Industry
development and frontier technology roadmap of thermal
power电力自动化设备
图3电厂1存煤预测
Fig.3
Coal storage forecasting for Power Plant 1
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议