云南電力科學(xué)研究院 覃日升 姜 訸 段銳敏 何 鑫

負(fù)荷預(yù)測在電力系統(tǒng)安全經(jīng)濟運行和穩(wěn)定發(fā)展中起著關(guān)鍵性作用，它與電網(wǎng)發(fā)展規(guī)劃、電力市場運行和電力調(diào)度密切相關(guān)[1]。電力系統(tǒng)負(fù)荷預(yù)測按預(yù)測時間長短可分為超短期、短期、中期和長期預(yù)測[2]。短期負(fù)荷預(yù)測是能源管理系統(tǒng)和日常電力調(diào)度工作中不可或缺的一部分。短期負(fù)荷預(yù)測的準(zhǔn)確性直接影響到電力設(shè)備的利用率、能耗、供需平衡性[3]。

電力系統(tǒng)負(fù)荷預(yù)測研究方法大致可分為兩種，一種是基于數(shù)學(xué)預(yù)測模型的傳統(tǒng)預(yù)測方法，包括時間序列方法和多元線性回歸方法；另一種是機器學(xué)習(xí)算法，包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長短時記憶神經(jīng)網(wǎng)絡(luò)（LSTM）深度學(xué)習(xí)等。目前在負(fù)荷預(yù)測領(lǐng)域中較為熱點的問題是應(yīng)用機器學(xué)習(xí)算法的研究[4]。

但是單一的CNN 網(wǎng)絡(luò)與LSTM 網(wǎng)絡(luò)在長時間序列或多維輸入數(shù)據(jù)面前，仍然存在序列特征信息丟失，數(shù)據(jù)間結(jié)構(gòu)信息紊亂，多維特征挖掘不夠充分的問題。組合預(yù)測模型通過將多種模型和方法組合起來對短期電力負(fù)荷進行預(yù)測，通過結(jié)合不同模型特點與優(yōu)勢更好的滿足短期電力負(fù)荷預(yù)測的實際需要，一般情況下，相較于單一模型預(yù)測組合模型預(yù)測具有更高的精準(zhǔn)度，基于此本文提出一種CEEMDAN 與BiLSTM 組合預(yù)測模型。通過云南某地區(qū)電力負(fù)荷數(shù)據(jù)進行驗證，本文所提模型具有較高準(zhǔn)確性。1 基于CEEMDAN 與BiLSTM 組合的預(yù)測模型

1.1 CEEMDAN 原理

CEEMDAN 通過加入自適應(yīng)白噪聲和計算唯一信號殘差來獲得IMF，克服了EMD 的缺點，使重構(gòu)信號與原始信號幾乎相同[5]。CEEMDAN 方法不僅克服了現(xiàn)有的EMD 模式混合現(xiàn)象，而且通過增加分解次數(shù)減少了重構(gòu)誤差。其算法步驟如下：

定義x(t)為原始信號，第i 次加入的標(biāo)準(zhǔn)正態(tài)分布的高斯白噪聲ni(t)，則在m 個過程中，加入白噪聲的序列表示為：

然后對該信號進行m 的EMD 分解，得到第一個固有模態(tài)函數(shù)IMF1，其為m 個IM Fi1(t)取平均值所得，即為：

第一項余量計算：

對第一余量添加自適應(yīng)白噪音E1ni(t)，再由EM D分解信號R1(t)+ε1E1ni(t)，i=1,2,…,m，第二個分量為：

對第k 個IM F更新：

重復(fù)上一步驟，直到最后一個模態(tài)變量無法分解為止，故原始信號分解為：

1.2 BiLSTM 原理

前向LSTM 與后向LSTM 結(jié)合構(gòu)成雙向長短期 記 憶 網(wǎng) 絡(luò)（Bidirectional LSTM，BiLSTM）。LSTM 是由t 時刻的輸入詞Xt，細(xì)胞狀態(tài)Ct，臨時細(xì)胞狀態(tài)，隱層狀態(tài)ht，遺忘門ft，記憶門it，輸出門ot組成[6]。LSTM 的計算流程為：把細(xì)胞狀態(tài)Ct中的新舊信息進行記憶和遺忘，保留傳遞對后續(xù)計算有用的信息，并丟棄無用的信息；隱層狀態(tài)ht會在每個時間步中被輸出；利用上個時刻的隱層狀態(tài)ht-1和當(dāng)前輸入Xt計算出來的遺忘門ft，記憶門it，輸出門ot來控制遺忘、記憶與輸出。LSTM 網(wǎng)絡(luò)計算過程如下式所示：

計算遺忘門：

計算記憶門：

計算當(dāng)前時刻細(xì)胞狀態(tài)：

計算輸出門和當(dāng)前時刻隱層狀態(tài)：

其中，Wf、Wi、WC、Wo為各自權(quán)重，bf、bi、bC、bo為偏移量。LSTM 網(wǎng)絡(luò)架構(gòu)如圖1所示。

圖1 LSTM 網(wǎng)絡(luò)架構(gòu)

為更好提取前后時間序列特征，將BiLSTM 用于短期負(fù)荷預(yù)測，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。這類網(wǎng)絡(luò)在正向傳遞信息的同時還會進行逆向傳遞，正向傳播層單元學(xué)習(xí)當(dāng)前時間序列之前的信息，反向傳播層學(xué)習(xí)當(dāng)前時間序列之后的信息，然后拼接兩個方向?qū)W習(xí)到的特征，進而結(jié)合前后向時間序列信息。BiLSTM 有效解決了LSTM 只能保存前面信息這一問題，更有利于時間序列分類。

圖2 BiLSTM 網(wǎng)絡(luò)架構(gòu)

基于CEEMDAN-BiLSTM 模型預(yù)測電力負(fù)荷流程圖如圖3所示。

數(shù)據(jù)預(yù)處理可采用拉格朗日插值法對圖3數(shù)據(jù)缺失點進行插值[7]。

圖3 電力負(fù)荷序列預(yù)測模型流 程圖

2 預(yù)測模型驗證分析

采用云南某地區(qū)2019年1月1日至2020年1月1日之間的負(fù)荷數(shù)據(jù)，采樣間隔15分鐘，采樣點共35040個，訓(xùn)練樣本選取前11個月的數(shù)據(jù)，后面1個月的數(shù)據(jù)作為測試樣本。為方便對比插值前后的數(shù)據(jù)以及CEEMDAN 分解效果，僅以2019年1月1日至2019年1月7日一周負(fù)荷數(shù)據(jù)為例。

2.1 數(shù)據(jù)預(yù)處理結(jié)果

首先對原始電力負(fù)荷序列進行采用拉格朗日插值法插值處理。插值前后的對比圖如圖4所示。

圖4 電力負(fù)荷序列牛頓插值 前后對比

2.2 CEEMDAN 分解結(jié)果

對預(yù)處理后的電力負(fù)荷序列進行CEEMDAN分解，噪聲標(biāo)準(zhǔn)差為10%，分解效果如圖5所示。

圖5 CEEMDAN 分解電力負(fù)荷序列

利用EMD 對負(fù)荷序列進行分解，結(jié)果如圖6所示。

圖6 EMD 分解電力負(fù)荷序列

EEMD 對負(fù)荷序列進行分解，結(jié)果如圖7所示。

圖7 EEMD 分解電力負(fù)荷序列

對比圖6、圖7、圖8可以看出，CEEMDAN 較于EMD、EEMD 可以分解出更多的IMF 分量，分解信號重構(gòu)后更加完備。

2.3 CEEMDAN-BiLSTM 預(yù)測

對CEEMDAN 分解后的電力負(fù)荷序列分別利用BiLSTM 進行預(yù)測，最后進行疊加，最終得到CEEMDAN-BiLSTM 模型預(yù)測結(jié)果。令前11個月的數(shù)據(jù)做為訓(xùn)練樣本，最后一個月的數(shù)據(jù)做為測試樣本，預(yù)測結(jié)果與測試樣本比較如圖8所示。

圖8 測試集與預(yù)測集對比及誤差對比圖

總體預(yù)測結(jié)果如圖9所示。

圖9 訓(xùn)練樣本、測試樣本與 總樣本對比圖

EMD-BiLSTM 與CEEMDAN-BiLSTM 預(yù) 測結(jié)果誤差如圖10所示。

圖10 CEEMDAN-BiLSTM 與EMD-BiLSTM 誤差對比圖

由圖10可知，EMD-BiLSTM 的RMSE 為20.19，CEEMDAN-BiLSTM 的RMSE 為16.42，可 見 本文所提CEEMDAN-BiLSTM 預(yù)測算法較于EMD -BiLSTM 更加準(zhǔn)確。

3 結(jié)語

電力負(fù)荷預(yù)測對于調(diào)度安排開停機計劃、機組最優(yōu)組合、經(jīng)濟調(diào)度、最優(yōu)潮流、電力市場交易有著重要的意義。時間序列信號中都會摻雜著噪聲和間斷信號，針對EMD 因為局部極值在很短的時間間隔內(nèi)發(fā)生多次跳變導(dǎo)致出現(xiàn)模態(tài)混疊問題以及LSTM 計算量過大造成計算時間長、序列特征信息丟失、數(shù)據(jù)結(jié)構(gòu)信息紊亂的問題，本文提出CEEMDAN-BiLSTM預(yù)測模型，通過對云南某地區(qū)實際電力負(fù)荷數(shù)據(jù)進行預(yù)測，驗證了本文所提方法更具準(zhǔn)確性。