李彬，胡純瑾*，王婧

（1.華北電力大學(xué)電氣與電子工程學(xué)院，北京 102206；2.國網(wǎng)綜合能源服務(wù)集團(tuán)有限公司，北京 100052）

0 引言

“雙碳”目標(biāo)下，加快構(gòu)建以新能源為主體的新型電力系統(tǒng)成為必然，為有效提升電網(wǎng)調(diào)節(jié)能力，源荷互動電網(wǎng)調(diào)控模式必將替代傳統(tǒng)的“源隨荷動”。2022 年，國家發(fā)展改革委、國家能源局發(fā)布《關(guān)于完善能源綠色低碳轉(zhuǎn)型體制機(jī)制和政策措施的意見》（發(fā)改能源〔2022〕206 號）［1］，提出積極推動電力需求響應(yīng)市場化建設(shè)，將需求側(cè)可調(diào)節(jié)資源納入電力電量平衡，發(fā)揮需求側(cè)資源削峰填谷、促進(jìn)電力供需平衡和適應(yīng)新能源電力運(yùn)行的作用?？烧{(diào)節(jié)負(fù)荷作為新興電網(wǎng)調(diào)節(jié)資源，能有效改善電網(wǎng)調(diào)節(jié)資源的局限性，實(shí)現(xiàn)“雙碳”目標(biāo)。通過市場機(jī)制創(chuàng)新，可調(diào)節(jié)負(fù)荷可參與電力中長期、現(xiàn)貨、調(diào)峰、調(diào)頻、備用市場等?？烧{(diào)節(jié)負(fù)荷參與市場涉及電網(wǎng)企業(yè)、用戶、發(fā)電企業(yè)等的切身利益［2］，不同負(fù)荷側(cè)調(diào)節(jié)資源間及其與傳統(tǒng)電源側(cè)調(diào)節(jié)資源間、與調(diào)度機(jī)構(gòu)間存在市場準(zhǔn)入、調(diào)節(jié)量計(jì)算等協(xié)調(diào)需要。

文獻(xiàn)［3］闡述了電力負(fù)荷預(yù)測中常用的幾類深度學(xué)習(xí)算法，對比分析驗(yàn)證得出長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)算法具有較好的預(yù)測性能。文獻(xiàn)［4］以卷積神經(jīng)網(wǎng)絡(luò)（CNN）與LSTM 神經(jīng)網(wǎng)絡(luò)對時(shí)間序列的較強(qiáng)處理能力，提出CNN-LSTM 混合神經(jīng)網(wǎng)絡(luò)模型算法，對時(shí)序性短期負(fù)荷進(jìn)行預(yù)測。文獻(xiàn)［5］在LSTM 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上引入注意力機(jī)制，以突出對負(fù)荷預(yù)測起到關(guān)鍵作用的輸入特征，提出基于Attention-LSTM 網(wǎng)絡(luò)的短期負(fù)荷預(yù)測模型。文獻(xiàn)［6］在已有的LSTM 神經(jīng)網(wǎng)絡(luò)模型和寬度&深度模型的基礎(chǔ)上，建立Wide&Deep-LSTM 深度學(xué)習(xí)短期負(fù)荷預(yù)測模型，有效解決臺區(qū)電力負(fù)荷預(yù)測的多特征維度及時(shí)序性特征問題。文獻(xiàn)［7］提出一種經(jīng)驗(yàn)?zāi)B(tài)分解- 堆棧式長短期記憶（Empirical Mode Decomposition-Spatial Long Short Term Memory，EMDSLSTM）組合的短期負(fù)荷預(yù)測算法，分別對分量負(fù)荷和原始負(fù)荷數(shù)據(jù)進(jìn)行預(yù)測建模及其重構(gòu)，結(jié)果表明經(jīng)驗(yàn)?zāi)B(tài)分解算法雖然能有效提高模型的預(yù)測性能，但容易出現(xiàn)模態(tài)混疊現(xiàn)象，預(yù)測模型無法達(dá)到更優(yōu)的準(zhǔn)確度。文獻(xiàn)［8］通過構(gòu)建集合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）及門控循環(huán)單元（GRU）神經(jīng)網(wǎng)絡(luò)和多元線性回歸（MLR）組合而成的EEMD-GRU-MLR（EGM）預(yù)測方法，有效提高了電力負(fù)荷短期預(yù)測精度，但由于可調(diào)節(jié)負(fù)荷具有時(shí)間相關(guān)性，EGM 方法并不適用于可調(diào)節(jié)負(fù)荷預(yù)測。

為解決EMD 的模態(tài)混疊現(xiàn)象，同時(shí)獲取負(fù)荷序列良好的時(shí)間感知能力，本文提出一種集合經(jīng)驗(yàn)?zāi)B(tài)分解-雙向長短期記憶（Ensemble Empirical Mode Decomposition-Bidirectional Long Short Term Memory，EEMD-BiLSTM）組合的可調(diào)節(jié)負(fù)荷預(yù)測方法，利用EEMD 將非平穩(wěn)、非線性負(fù)荷分解為更具平穩(wěn)的分量負(fù)荷，分別對分量負(fù)荷和原始負(fù)荷數(shù)據(jù)進(jìn)行預(yù)測模型及重構(gòu)，再結(jié)合BiLSTM 及其參數(shù)，利用雙向循環(huán)網(wǎng)絡(luò)使用順序和倒序2個(gè)方向?qū)σ阎蛄羞M(jìn)行學(xué)習(xí)，輸出結(jié)果包含二者信息，對EEMD算法獲得的分量負(fù)荷進(jìn)行訓(xùn)練，對各分量結(jié)果進(jìn)行線性疊加，得出最終值。試驗(yàn)結(jié)果表明，EEMD 算法能極大提高模型的預(yù)測性能，BiLSTM模型能有效提升模型的時(shí)間感知能力。

1 可調(diào)節(jié)負(fù)荷預(yù)測方法現(xiàn)狀

可調(diào)節(jié)負(fù)荷序列是非線性且非平穩(wěn)的，對于這類信號，基于小波的去噪方法已經(jīng)取得過一定的效果，但這些方法必須要預(yù)先設(shè)定基函數(shù)。文獻(xiàn)［9］提出的EMD 雖能快速應(yīng)用于信號去噪，但當(dāng)信號出現(xiàn)異常事件時(shí)，將影響極值點(diǎn)的選取，篩選出的本征模態(tài)函數(shù)（Intrinsic Mode Function，IMF）分量包含了信號的固有模式和異常事件或相鄰特征時(shí)間尺度的固有模式，從而產(chǎn)生模態(tài)混疊現(xiàn)象。隨后文獻(xiàn)［10］對EMD 進(jìn)行了改進(jìn)，提出EEMD，有效抑制模態(tài)混合。

可調(diào)節(jié)負(fù)荷預(yù)測有助于提高發(fā)電和配電的效率，具有實(shí)時(shí)調(diào)度、提高電力系統(tǒng)可靠性、降低運(yùn)行成本、影響市場收入等作用。目前國內(nèi)外對提高負(fù)荷預(yù)測準(zhǔn)確性的研究主要包括基于時(shí)間序列的各種方法：自回歸移動平均（Auto Regressive Moving Average，ARMA）模型、回歸模型、支持向量機(jī)（Support Vactor Regression，SVR）、模糊理論以及混合模型。傳統(tǒng)的預(yù)測算法由于提前假設(shè)了相關(guān)時(shí)間序列的線性關(guān)系，無法處理噪聲大、波動大、趨勢不規(guī)則、非線性的數(shù)據(jù)等問題。在實(shí)際應(yīng)用中，如果原始數(shù)據(jù)收到突然變化的社會或環(huán)境因素的影響，這些預(yù)測方法的誤差都會顯著增加。

淺層學(xué)習(xí)模型更適用于適應(yīng)強(qiáng)的非線性學(xué)習(xí)和快速計(jì)算。深度學(xué)習(xí)模型可以通過增加隱藏層的數(shù)量從可調(diào)節(jié)負(fù)荷中提取深度信息。最常用的技術(shù)包括遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）、CNN 和LSTM。文獻(xiàn)［11］提出了一種具有LSTM 的循環(huán)神經(jīng)網(wǎng)絡(luò)。LSTM 克服了RNNs 的長期以來性問題，LSTM 使用單元狀態(tài)、輸入門、遺忘門、輸出門4 部分在序列中保持長期和短期的依賴關(guān)系。然而，傳統(tǒng)的LSTM 只提供以前的數(shù)據(jù)，它通過隱藏狀態(tài)以forward 方式接受輸入。為解決這個(gè)問題，提出了BiLSTM。在BiLSTM網(wǎng)絡(luò)中，輸入可以同時(shí)在2 個(gè)方向上進(jìn)行處理，通過擬合2 個(gè)LSTM 的輸出得到最終結(jié)果。與LSTM 相比，對于相同的輸入序列，BiLSTM的預(yù)測精度更高。

1.1 EEMD方法

EMD 在分析非平穩(wěn)、非線性的時(shí)間序列數(shù)據(jù)時(shí)具有自適應(yīng)且高效分解的特點(diǎn)。根據(jù)原始數(shù)據(jù)信號的局部特征，通過EMD 技術(shù)從任何復(fù)雜信號中逐級提取不同尺度的波形或趨勢，將原始序列分解為相對穩(wěn)定的IMF和殘差分量。各IMF必須滿足以下2個(gè)條件。

（1）整個(gè)信號區(qū)間中的極值點(diǎn)數(shù)等于零點(diǎn)或差值為1。

（2）信號的平均極值為0。

EMD分解流程如圖1所示。首先計(jì)算原始信號上下極值點(diǎn)，畫出基于極值點(diǎn)的上下包絡(luò)線，根據(jù)上下線畫出均值包絡(luò)線，將原始信號減去均值包絡(luò)線，檢查得到中間信號是否滿足IMF條件，若滿足則選中為IMF分量，若不滿足則迭代上述步驟，經(jīng)過多次迭代得到滿足IMF條件的分量和1個(gè)殘差值。

圖1 EMD分解流程Fig.1 EMD decomposition

循環(huán)神經(jīng)網(wǎng)絡(luò)中輸出對張量Wxh，Whh和偏置b均可導(dǎo)，利用自動梯度算法來求解網(wǎng)絡(luò)的梯度，其中誤差L為最終輸出值ot與真實(shí)值之間的差距。

式中：x(t)為原始信號；IMFn(t)為IMF 分量；r(t)為殘差分量。

對于2個(gè)局部最小值或最大值點(diǎn)，c(t)作為平均值為零的振蕩函數(shù)，取值為零。信號分解過程的理論基礎(chǔ)表達(dá)式為

式中：x(t)為非平穩(wěn)振蕩信號；c(t)為振蕩分量；r(t)為殘差分量，r0表示過程的初始剩余。

EEMD 本質(zhì)上是用給定的試驗(yàn)次數(shù)對原始負(fù)荷序列反復(fù)應(yīng)用EMD，然后對所有分解結(jié)果取平均值。與EMD 不同，在每次EEMD 嘗試中，將頻率范圍均勻分布的高斯白噪聲加入到原序列中，使得具有噪聲輔助的原始負(fù)荷序列不僅具有均勻分布特性，還具有平滑等特性。

EEMD［12］的簡要步驟如下。

（1）給原始負(fù)荷序列添加1 個(gè)給定振幅的白噪聲。

（2）對加入白噪聲的負(fù)荷序列進(jìn)行EMD 處理，得到IMF分量和剩余分量。

（3）按照給定試驗(yàn)次數(shù)重復(fù)步驟（1）和步驟（2），在每次試驗(yàn)中，IMF數(shù)量為常數(shù)。

誤差的最終標(biāo)準(zhǔn)偏差為輸入信號和相應(yīng)IMF之間的差值，計(jì)算公式為

式中：N為IMF 分量數(shù)；A為附加噪聲的振幅；ε為誤差的最終標(biāo)準(zhǔn)偏差。EEMD分解流程如圖2所示。

圖2 EEMD分解流程Fig.2 EEMD decomposition

1.2 BiLSTM 方法

在LSTM 模型中，c為LSTM 模型的狀態(tài)向量，h為LSTM 網(wǎng)絡(luò)的輸出向量，利用門控值向量σ(g)表示閥門開關(guān)程度。輸入門和遺忘門的典型行為見表1。

表1 輸入門和遺忘門的典型行為Table 1 Typical behavior of input and forget gates

LSTM記憶細(xì)胞的運(yùn)算過程為

LSTM 模型雖然可以捕捉到較長距離的依賴關(guān)系，但LSTM 模型中一般將過去的信息作為輸入和隱藏層，而忽略了未來信息。

BiLSTM 在LSTM 基礎(chǔ)上，采用2 個(gè)獨(dú)立的隱藏層對序列數(shù)據(jù)進(jìn)行正向和反向處理，將2 個(gè)連接層連接到同一輸出層，將之前的信息和之后的信息作為時(shí)間序列數(shù)據(jù)的當(dāng)前時(shí)間基礎(chǔ)。使用BiLSTM 網(wǎng)絡(luò)進(jìn)行預(yù)測，其對于連續(xù)時(shí)間序列有很好的表達(dá)能力，權(quán)重參數(shù)復(fù)用使得其對數(shù)據(jù)的要求更低。BiLSTM模型如圖3所示［13］。

圖3 BiLSTM 模型Fig.3 BiLSTM model

因此，在數(shù)據(jù)預(yù)處理階段，針對可調(diào)節(jié)負(fù)荷序列，采用EEMD能有效解決電力負(fù)荷數(shù)據(jù)的非線性、非平穩(wěn)問題，通過將具有頻率范圍內(nèi)均勻分布的統(tǒng)計(jì)特性的白噪聲添加到負(fù)荷序列中，使得負(fù)荷序列具有均勻的分解尺度和平滑性。在負(fù)荷預(yù)測階段，將扁平化的數(shù)據(jù)輸入BiLSTM，改善負(fù)荷序列提取時(shí)相互依存的問題。BiLSTM模型中，前向?qū)訌呢?fù)荷序列的起點(diǎn)開始輸入，反向?qū)佑蓴?shù)列的末端開始輸入，通過多次迭代最終將2層的輸出結(jié)果進(jìn)行擬合，有效提高預(yù)測精度。

2 EEMD-BiLSTM可調(diào)節(jié)潛力分析改進(jìn)方法

2.1 負(fù)荷序列分解流程

步驟1：添加正態(tài)分布高斯白噪聲εs到原始負(fù)荷序列Y，然后輸入新的負(fù)荷序列

基于高斯分布的統(tǒng)計(jì)特性，EEMD 方法可以有效抑制EMD 分解過程中由于IMF 的間歇性而引起的模態(tài)混合問題。由于電力負(fù)荷序列具有非線性、非平穩(wěn)特性，電力負(fù)荷序列更適用于EEMD 分解處理，使用獲得的子序列進(jìn)行訓(xùn)練，得到各個(gè)訓(xùn)練后的結(jié)果，線性疊加后就是最終值［15］。

2.2 可調(diào)節(jié)負(fù)荷預(yù)測流程

在BiLSTM 模型中，前向?qū)雍秃笙驅(qū)庸餐B接著輸出層，其中包含了6個(gè)共享權(quán)值w1～w6。在前向?qū)訌臅r(shí)刻1～t正向計(jì)算一遍，得到并保存每個(gè)時(shí)刻向前隱含層的輸出。在后向?qū)友刂鴷r(shí)刻t～1 反向計(jì)算一遍，得到并保存每個(gè)時(shí)刻向后隱含層的輸出。最后在每個(gè)時(shí)刻結(jié)合前向?qū)雍秃笙驅(qū)酉鄳?yīng)時(shí)刻輸出的結(jié)果得到最終的輸出［16］。

數(shù)學(xué)表達(dá)式為

式中：x1為t時(shí)刻的輸入量；ht和h′t為t時(shí)刻的前向?qū)优c后向?qū)拥妮敵隽浚籵t為t時(shí)刻輸出層的輸出；f為前向?qū)优c后向?qū)拥募せ詈瘮?shù)；g為輸出層的激活函數(shù)；w1為輸入層映射到前向?qū)拥臋?quán)重矩陣；w3為輸入層映射到前向?qū)拥臋?quán)重矩陣；w2為前向?qū)忧耙粫r(shí)刻輸出映射到當(dāng)前計(jì)算時(shí)刻的權(quán)重矩陣；w5為后向?qū)忧耙粫r(shí)刻輸出映射到當(dāng)前計(jì)算時(shí)刻的權(quán)重矩陣；w4為前向?qū)拥妮敵鲇成涞捷敵鰧拥臋?quán)重矩陣；w6為后向?qū)拥妮敵鲇成涞捷敵鰧拥臋?quán)重矩陣。

結(jié)合各方法的優(yōu)勢，構(gòu)建EEMD-BiLSTM 可調(diào)節(jié)負(fù)荷預(yù)測模型，流程如圖4所示。

圖4 基于EEMD-BiLSTM 可調(diào)節(jié)負(fù)荷預(yù)測模型流程Fig.4 Adjustable load prediction model based on EEMD-BiLSTM

選取可調(diào)節(jié)負(fù)荷數(shù)據(jù)，分析數(shù)據(jù)集是否存在異常值或缺失值等情況，針對異常值利用函數(shù)進(jìn)行修補(bǔ)或剔除，針對異常值一般采用刪除或補(bǔ)全法，完成可調(diào)節(jié)負(fù)荷數(shù)據(jù)的清洗。對清洗后的可調(diào)節(jié)負(fù)荷序列進(jìn)行EEMD分解，將分解后的序列作為輸入，建立BiLSTM 模型，初始化參數(shù)，通過模型訓(xùn)練尋找最優(yōu)Epoch和Adam 優(yōu)化器，設(shè)置提前停止機(jī)制防止模型過擬合，選擇合適的誤差函數(shù)對比驗(yàn)證預(yù)測模型結(jié)果，確認(rèn)模型預(yù)測精度。

3 仿真驗(yàn)證

數(shù)據(jù)選取國內(nèi)某地區(qū)連續(xù)5年涵蓋日需求負(fù)荷的真實(shí)運(yùn)行數(shù)據(jù)作為原始負(fù)荷數(shù)據(jù)集，日平均負(fù)荷曲線如圖5所示，縱坐標(biāo)為日平均負(fù)荷量。

圖5 2009—2014年日平均負(fù)荷曲線Fig.5 Average daily load from 2009 to 2014

觀察原始負(fù)荷曲線圖，發(fā)現(xiàn)部分日平均負(fù)荷出現(xiàn)極低的情況，可能是由于大停電等特殊情況或電表監(jiān)測失誤所形成。每年2月出現(xiàn)集中日平均負(fù)荷極低的情況，分析可能是2月春節(jié)放假期間，辦公地區(qū)及工廠等工作區(qū)域用電量驟降。

2014年4月前后該地區(qū)的日平均負(fù)荷與其他月份相比較低，考慮到溫度影響，認(rèn)為4月基本沒有溫度敏感性負(fù)荷。

從5月開始，隨著溫度升高，日平均負(fù)荷曲線開始逐漸升高，溫度敏感性負(fù)荷開始大量使用。至10月溫度再次回歸適宜，但與4月相比，日平均負(fù)荷稍有增加，考慮是由于公共區(qū)域人流量較上半年有所增加，用電負(fù)荷相應(yīng)有所增長。進(jìn)入冬季后，地區(qū)溫度下降，溫度敏感性負(fù)荷再次增長，用電量再次升高。將溫度設(shè)定為23 ℃，觀察溫度歷史數(shù)據(jù)集，發(fā)現(xiàn)4 月13 日溫度恰好適宜，選取當(dāng)日平均負(fù)荷作為基本正常負(fù)荷，將溫度上升后5—9月扣除基本正常負(fù)荷，獲得剩余日總負(fù)荷視作可調(diào)節(jié)負(fù)荷，如圖6所示。

圖6 2014年可調(diào)節(jié)負(fù)荷曲線Fig.6 Adjustable load curve in 2014

針對提取的可調(diào)節(jié)負(fù)荷序列，采用EEMD 方法分解得到5 個(gè)IMF 分量，將每個(gè)分量數(shù)歸一化到［0，1］內(nèi)，將歸一化的數(shù)據(jù)作為輸入，在BiLSTM 模型中進(jìn)行預(yù)測，選取2009—2012年可調(diào)節(jié)負(fù)荷序列作為訓(xùn)練集，2013 年可調(diào)節(jié)負(fù)荷序列作為驗(yàn)證集，2014年可調(diào)節(jié)負(fù)荷數(shù)據(jù)作為預(yù)測集。

將預(yù)測結(jié)果反歸一化后，各分量預(yù)測結(jié)果線性疊加得出預(yù)測結(jié)果，將預(yù)測結(jié)果與原始負(fù)荷數(shù)據(jù)進(jìn)行對比，對比預(yù)測結(jié)果與原始負(fù)荷數(shù)據(jù)，計(jì)算參數(shù)優(yōu)化的EEMD-BiLSTM 模型預(yù)測精度。

在BiLSTM 模型訓(xùn)練階段，通過多次迭代得出權(quán)重的最優(yōu)值，而Epoch 參數(shù)的大小與預(yù)測結(jié)果息息相關(guān)。Epoch 參數(shù)過大時(shí)，網(wǎng)絡(luò)分類復(fù)雜，模型不僅學(xué)習(xí)到正確信息，也會從一些錯(cuò)誤信息中學(xué)習(xí)，會造成訓(xùn)練結(jié)果出現(xiàn)過擬合現(xiàn)象，而Epoch 參數(shù)較小時(shí)，網(wǎng)絡(luò)分類過于簡單，模型無法學(xué)習(xí)到正確信息，會造成訓(xùn)練結(jié)果出現(xiàn)欠擬合現(xiàn)象。選用Tensorflow-keras 庫中的EarlyStoping 函數(shù)，提前停止機(jī)制防止過擬合現(xiàn)象［17］。

當(dāng)網(wǎng)絡(luò)模型層數(shù)較深時(shí)，Sigmoid 函數(shù)容易出現(xiàn)梯度彌散現(xiàn)象，導(dǎo)致預(yù)測精度下降，而ReLU 函數(shù)在x＜0 時(shí)梯度值恒為0，容易出現(xiàn)梯度彌散現(xiàn)象，因此針對可調(diào)節(jié)負(fù)荷序列，選取tanh 函數(shù)作為激活函數(shù)，Adam 作為模型優(yōu)化器搭建訓(xùn)練環(huán)境。將參數(shù)優(yōu)化后的EEMD-BiLSTM 模型與LSTM 模型、EEMD-LSTM 模型和BiLSTM 模型選用誤差函數(shù)平均絕對誤差（MAE）、均方根誤差（RMSE）對預(yù)測結(jié)果進(jìn)行評估?？烧{(diào)節(jié)預(yù)測負(fù)荷曲線對比情況如圖7所示。

圖7 可調(diào)節(jié)預(yù)測負(fù)荷曲線對比Fig.7 Comparison of adjustable load prediction curve

各模型評價(jià)指標(biāo)對比見表2。觀察曲線圖及其誤差函數(shù)可知，加入高斯白噪聲后，運(yùn)用EEMD分解方法對原始可調(diào)節(jié)負(fù)荷序列進(jìn)行分解，EEMDLSTM 模型預(yù)測精度高于LSTM 模型，EEMDBiLSTM模型預(yù)測精度高于BiLSTM模型。

表2 各模型預(yù)測情況對比Table 2 Comparison of prediction made by different model

此外，觀察對比圖7 可知，BiLSTM 模型預(yù)測精度高于LSTM 模型，EEMD-BiLSTM 模型預(yù)測精度高于BiLSTM 模型，BiLSTM 模型具有更優(yōu)秀的時(shí)間序列感知力，能夠從訓(xùn)練集中提取更多的有效信息進(jìn)而提高預(yù)測精度，與BiLSTM 模型相比，LSTM 模型稍有滯后效應(yīng)。EEMD-BiLSTM 模型不僅具有良好的時(shí)間序列感知力，可以從較長訓(xùn)練集中提取更多有效信息以提高預(yù)測精度，在面對較長訓(xùn)練集時(shí)，EEMD 有效降低了尺度混合對分解的影響，提高了模型的預(yù)測精度。

4 結(jié)論

本文分析了EEMD和BiLSTM算法的原理，提出了EEMD-BiLSTM 模型應(yīng)用到可調(diào)節(jié)負(fù)荷預(yù)測中。對預(yù)處理后的可調(diào)負(fù)荷進(jìn)行EEMD 分解，試驗(yàn)設(shè)計(jì)了BiLSTM 架構(gòu)及其參數(shù)，分別對分量負(fù)荷和原始負(fù)荷進(jìn)行訓(xùn)練和重構(gòu)預(yù)測。試驗(yàn)結(jié)果表明，EEMD分解算法能有效規(guī)避EMD 分解算法中的模態(tài)混疊問題，有效提高模型的預(yù)測性能。同時(shí)，基于BiLSTM 的學(xué)習(xí)方法可以將過去和未來的數(shù)據(jù)序列統(tǒng)一為輸入值，考慮數(shù)據(jù)的反向關(guān)系，有效預(yù)測可調(diào)節(jié)負(fù)荷序列的動態(tài)趨勢。由于在LSTM 的基礎(chǔ)上增加了反向結(jié)構(gòu)，BiLSTM模型明顯延長了模型的訓(xùn)練時(shí)間，降低了運(yùn)算速度。因此在選擇預(yù)測模型時(shí)，應(yīng)權(quán)衡模型的訓(xùn)練效率和預(yù)測精度，選擇更適合的訓(xùn)練模型。