姚浩然，李成鑫，鄭秀娟，楊 平

集成自適應(yīng)啁啾模態(tài)分解和BiLSTM的短期負(fù)荷組合預(yù)測(cè)模型

姚浩然，李成鑫，鄭秀娟，楊 平

(四川大學(xué)電氣工程學(xué)院，四川 成都 610065)

為提高用戶側(cè)短期負(fù)荷預(yù)測(cè)的精度，提出了一種基于自適應(yīng)啁啾模態(tài)分解(adaptive chirp mode decomposition, ACMD)和麻雀搜索算法(sparrow search algorithm, SSA)優(yōu)化雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(bi-directional long short-term memory, BiLSTM)的短期負(fù)荷組合預(yù)測(cè)方法。針對(duì)短期電力負(fù)荷存在波動(dòng)性強(qiáng)和非平穩(wěn)性的問(wèn)題，采用ACMD將短期負(fù)荷時(shí)間序列分解為多個(gè)相對(duì)簡(jiǎn)單的子分量，使用BiLSTM分別對(duì)各子分量進(jìn)行預(yù)測(cè)。同時(shí)，為克服BiLSTM參數(shù)取值不同導(dǎo)致預(yù)測(cè)結(jié)果不穩(wěn)定的問(wèn)題，使用SSA優(yōu)化BiLSTM模型的超參數(shù)。最后將各子分量預(yù)測(cè)結(jié)果疊加得到最終預(yù)測(cè)結(jié)果。通過(guò)具體算例，分別與單一預(yù)測(cè)模型和多種組合預(yù)測(cè)模型進(jìn)行比較，實(shí)驗(yàn)結(jié)果表明該方法具有更高的預(yù)測(cè)精度。

負(fù)荷預(yù)測(cè)；雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)；自適應(yīng)啁啾模態(tài)分解；麻雀搜索算法；時(shí)序分解

0 引言

負(fù)荷預(yù)測(cè)是電網(wǎng)安全經(jīng)濟(jì)運(yùn)行的前提，也是制定電力供應(yīng)計(jì)劃和電力調(diào)度的重要依據(jù)[1]。隨著用戶側(cè)分布式電源發(fā)展和高比例新能源的并網(wǎng)，負(fù)荷的波動(dòng)性和隨機(jī)性大大增強(qiáng)，這給負(fù)荷預(yù)測(cè)工作帶來(lái)很大挑戰(zhàn)[2-3]。當(dāng)前無(wú)論是發(fā)電側(cè)還是售電側(cè)都對(duì)負(fù)荷預(yù)測(cè)的準(zhǔn)確度提出了更高的要求，預(yù)測(cè)誤差的減少能顯著提升電網(wǎng)運(yùn)行的經(jīng)濟(jì)效益和社會(huì)效益[4]。相較于區(qū)域級(jí)負(fù)荷預(yù)測(cè)對(duì)于發(fā)電部門(mén)和電力調(diào)度部門(mén)的參考和指導(dǎo)作用而言，企業(yè)級(jí)負(fù)荷預(yù)測(cè)的側(cè)重點(diǎn)在于幫助企業(yè)級(jí)用戶和電力供應(yīng)部門(mén)實(shí)現(xiàn)無(wú)縫對(duì)接和雙向溝通[5-6]。對(duì)企業(yè)級(jí)用戶而言，可以通過(guò)負(fù)荷預(yù)測(cè)了解自身用電習(xí)慣并為制定合理的購(gòu)電計(jì)劃提供依據(jù)[7]；對(duì)供電公司而言，可以幫助供電公司實(shí)現(xiàn)對(duì)企業(yè)用戶的用電監(jiān)控；對(duì)于售電公司而言，當(dāng)前客戶多為企業(yè)級(jí)客戶，售電公司需要對(duì)其所代理用戶的負(fù)荷進(jìn)行準(zhǔn)確預(yù)測(cè)，負(fù)荷預(yù)測(cè)的結(jié)果是售電公司制定購(gòu)售電計(jì)劃的重要依據(jù)[8-9]。因此，在電力市場(chǎng)化進(jìn)程不斷加快的背景下，提高用戶側(cè)負(fù)荷預(yù)測(cè)的精度非常必要。

目前，有關(guān)負(fù)荷預(yù)測(cè)的方法可分為三類(lèi)。第一類(lèi)是以線性回歸[10]、ARIMA[11]和指數(shù)平滑[12-13]為代表的傳統(tǒng)預(yù)測(cè)方法。傳統(tǒng)方法雖然結(jié)構(gòu)簡(jiǎn)單易于實(shí)施，但在非線性時(shí)序預(yù)測(cè)問(wèn)題方面表現(xiàn)很差。第二類(lèi)是以機(jī)器學(xué)習(xí)和深度學(xué)習(xí)為代表的人工智能方法，此類(lèi)方法提高了對(duì)非線性問(wèn)題的處理能力。近幾年隨著計(jì)算機(jī)計(jì)算能力的提升，以神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)模型[14]廣泛應(yīng)用于負(fù)荷預(yù)測(cè)領(lǐng)域。已有學(xué)者使用人工神經(jīng)網(wǎng)絡(luò)[15]、深度置信網(wǎng)絡(luò)[16]和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(long short term memory, LSTM)[17-19]進(jìn)行負(fù)荷預(yù)測(cè)，均取得了不錯(cuò)的效果，其中LSTM在時(shí)序預(yù)測(cè)中的應(yīng)用最為廣泛。然而此類(lèi)方法也存在收斂慢、參數(shù)調(diào)節(jié)繁瑣和穩(wěn)定性不佳等問(wèn)題。第三類(lèi)是組合預(yù)測(cè)法，組合預(yù)測(cè)法被設(shè)計(jì)為集成多個(gè)模型，可充分利用各模型的優(yōu)勢(shì)來(lái)克服單一預(yù)測(cè)方法的局限性。

組合預(yù)測(cè)法的常見(jiàn)思路分為兩種。第一種思路是將啟發(fā)式優(yōu)化算法與單個(gè)預(yù)測(cè)模型進(jìn)行組合，對(duì)模型的超參數(shù)取值進(jìn)行選擇和設(shè)置[20]。文獻(xiàn)[21]使用粒子群算法對(duì)深度置信網(wǎng)絡(luò)模型進(jìn)行優(yōu)化；文獻(xiàn)[22]提出了基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型；較單一模型而言，均提高了預(yù)測(cè)的精度。第二種思路是結(jié)合信息領(lǐng)域的信號(hào)分解技術(shù)，對(duì)時(shí)序數(shù)據(jù)進(jìn)行預(yù)處理來(lái)降低數(shù)據(jù)的復(fù)雜度，再進(jìn)行預(yù)測(cè)。文獻(xiàn)[23]提出了一種基于經(jīng)驗(yàn)?zāi)Ｊ椒纸?empirical mode decomposition, EMD)和LSTM組合的短期負(fù)荷預(yù)測(cè)模型，與單一LSTM模型相比，預(yù)測(cè)精度更高。文獻(xiàn)[24-25]將變分模態(tài)分解(variational mode decomposition, VMD)和LSTM相結(jié)合，降低了預(yù)測(cè)誤差。然而，EMD存在模態(tài)混疊問(wèn)題，會(huì)影響預(yù)測(cè)的精度；VMD要提前設(shè)置分解后模態(tài)個(gè)數(shù)，在實(shí)際工程應(yīng)用中需反復(fù)試驗(yàn)，非常不便。文獻(xiàn)[26]提出了一種新的非平穩(wěn)信號(hào)分解算法——自適應(yīng)啁啾模態(tài)分解(adaptive chirp mode decomposition, ACMD)，與其他方法相比，ACMD抗噪性強(qiáng)且無(wú)需預(yù)置分解模式的數(shù)量，在處理具有強(qiáng)時(shí)變特性的多模信號(hào)時(shí)具有明顯優(yōu)勢(shì)。

鑒于此，本文將ACMD用于負(fù)荷預(yù)測(cè)領(lǐng)域，提出了一種基于ACMD和雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)[27](bi-directional long short-term memory, BiLSTM)的短期負(fù)荷組合預(yù)測(cè)方法。使用ACMD將時(shí)序負(fù)荷序列分解成多個(gè)相對(duì)簡(jiǎn)單的子序列，對(duì)每個(gè)子序列分別建立BiLSTM預(yù)測(cè)模型，并使用一種新型啟發(fā)式算法——麻雀搜索算法[28](sparrow search algorithm, SSA)對(duì)BiLSTM的超參數(shù)進(jìn)行尋優(yōu)，將各子序列預(yù)測(cè)結(jié)果疊加得到最終預(yù)測(cè)結(jié)果。通過(guò)實(shí)際算例，與EMD進(jìn)行對(duì)比分析，驗(yàn)證了本文所提組合預(yù)測(cè)方法能有效提高預(yù)測(cè)精度。

1 短期電力負(fù)荷組合預(yù)測(cè)模型

基于ACMD和SSA-BiLSTM的短期電力負(fù)荷組合預(yù)測(cè)模型架構(gòu)如圖1所示，主要步驟如下。

圖1 基于ACMD-SSA-BiLSTM的短期負(fù)荷組合預(yù)測(cè)模型

1) 使用ACMD方法對(duì)歷史負(fù)荷序列數(shù)據(jù)進(jìn)行分解，得出個(gè)子序列。

2) 結(jié)合相關(guān)特征，對(duì)分解后得到的個(gè)子序列分別構(gòu)建BiLSTM預(yù)測(cè)模型。

3) 對(duì)構(gòu)建的個(gè)BiLSTM模型超參數(shù)采用SSA優(yōu)化，根據(jù)優(yōu)化后的超參數(shù)值構(gòu)建最優(yōu)預(yù)測(cè)模型。

4) 將各子序列預(yù)測(cè)結(jié)果進(jìn)行疊加組合得到最終的預(yù)測(cè)結(jié)果，并對(duì)比其他預(yù)測(cè)方法，通過(guò)相關(guān)評(píng)價(jià)指標(biāo)對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)估，分析模型的預(yù)測(cè)效果。

2 基于ACMD的負(fù)荷時(shí)間序列分解

電力負(fù)荷受生產(chǎn)生活、氣象、經(jīng)濟(jì)等因素的影響，呈現(xiàn)出一定的波動(dòng)性和非平穩(wěn)性特點(diǎn)。但由于電力用戶的電力消費(fèi)習(xí)慣有一定的規(guī)律性，因此，電力負(fù)荷也具有明顯的周期波動(dòng)趨勢(shì)。若算法能較好地捕捉到負(fù)荷的周期性規(guī)律，將有助于有效提升負(fù)荷預(yù)測(cè)的精準(zhǔn)度。本文通過(guò)ACMD算法對(duì)原始非平穩(wěn)序列進(jìn)行分解，ACMD是一種自適應(yīng)信號(hào)分解算法，采用遞歸算法的框架匹配追蹤，可以有效處理具有強(qiáng)時(shí)變特性的多模信號(hào)[26]。

使用ACMD處理負(fù)荷預(yù)測(cè)所需的歷史功率信號(hào)，可表示為

通過(guò)交替更新解調(diào)信號(hào)和頻率函數(shù)來(lái)求解此優(yōu)化問(wèn)題，實(shí)現(xiàn)對(duì)原始信號(hào)的逐個(gè)分解，在得到第1個(gè)信號(hào)分量之后，將其從原始信號(hào)中減去，然后將剩余分量作為新的初始信號(hào)繼續(xù)分解得到第2個(gè)信號(hào)分量，反復(fù)循環(huán)更新，直到獲取全部信號(hào)分量。

3 SSA-BiLSTM

3.1 BiLSTM原理

LSTM基于循環(huán)神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)而成，作為一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，LSTM增加了門(mén)控機(jī)制，可以有效抑制訓(xùn)練過(guò)程出現(xiàn)的梯度消失問(wèn)題，被廣泛應(yīng)用于預(yù)測(cè)問(wèn)題中，尤其適用于時(shí)序數(shù)據(jù)的預(yù)測(cè)。其具體結(jié)構(gòu)如圖2所示。

圖2 LSTM結(jié)構(gòu)圖

LSTM只能編碼時(shí)間序列從前到后的信息，無(wú)法對(duì)從后到前的信息進(jìn)行編碼。本文選用BiLSTM進(jìn)行預(yù)測(cè)，其結(jié)構(gòu)如圖3所示。BiLSTM采用兩層LSTM組合而成，同時(shí)考慮前向和反向兩個(gè)方向的序列[27]。其中前向?qū)佑糜诓蹲疆?dāng)前時(shí)間節(jié)點(diǎn)之前的特征序列，反向?qū)佑糜诓蹲轿磥?lái)時(shí)刻到當(dāng)前時(shí)間節(jié)點(diǎn)的特征序列。通過(guò)前后兩層的組合，其預(yù)測(cè)結(jié)果通常優(yōu)于LSTM。

圖3 BiLSTM結(jié)構(gòu)圖

3.2 SSA原理

SSA啟發(fā)于麻雀的覓食行為[28]，與粒子群和遺傳算法相比，具有速度快、精度高和參數(shù)少等優(yōu)點(diǎn)，有很強(qiáng)的工程應(yīng)用潛力[29]。麻雀群在覓食的過(guò)程中分工明確，有尋找優(yōu)質(zhì)食物的發(fā)現(xiàn)者和尾隨其后的加入者。與傳統(tǒng)的發(fā)現(xiàn)-跟隨者模型不同的是，麻雀算法增加了偵察預(yù)警機(jī)制，選取種群中一定比例的麻雀作為報(bào)警者，警惕攻擊和奪食行為，發(fā)現(xiàn)危險(xiǎn)則放棄當(dāng)前食物。通過(guò)在維解空間內(nèi)不斷更新各類(lèi)麻雀的位置，比較適應(yīng)度值來(lái)尋求更好的位置，即求解目標(biāo)函數(shù)的最優(yōu)解。

其中發(fā)現(xiàn)者的位置更新如式(7)。

每代種群都會(huì)抽取一定比例的個(gè)體為報(bào)警者，報(bào)警者更新描述為

3.3 SSA-BiLSTM負(fù)荷預(yù)測(cè)模型

BiLSTM算法存在一些超參數(shù)，在使用BiLSTM對(duì)電力負(fù)荷進(jìn)行預(yù)測(cè)時(shí)，超參數(shù)的取值不同會(huì)對(duì)模型的預(yù)測(cè)精度產(chǎn)生很大影響。根據(jù)經(jīng)驗(yàn)手動(dòng)調(diào)整參數(shù)費(fèi)時(shí)費(fèi)力，且不確定性強(qiáng)。因此為了提升預(yù)測(cè)的精度，使用SSA強(qiáng)大的尋優(yōu)能力對(duì)BiLSTM各超參數(shù)的取值進(jìn)行快速精準(zhǔn)的確定。本文選取對(duì)BiLSTM影響較大的3個(gè)超參數(shù)為優(yōu)化對(duì)象，分別為學(xué)習(xí)率(learning_rate)、第一層隱藏層單元數(shù)(numHiddenUnits1)和第二層隱藏層單元數(shù)(numHiddenUnits2)。使用均方誤差函數(shù)(mean square error, MSE)作為適應(yīng)度函數(shù)。SSA的目標(biāo)是找到使得BiLSTM訓(xùn)練樣本MSE最小的一組超參數(shù)組合。MSE表示預(yù)測(cè)功率與實(shí)際功率的差異程度，可表示為

圖4為SSA-BiLSTM預(yù)測(cè)模型流程，其主要步驟如下。

1) 設(shè)置SSA的麻雀種群數(shù)目、不同任務(wù)分工麻雀所占比例以及最大迭代次數(shù)；

2) 在解空間里初始化待優(yōu)化參數(shù)；

3) 使用對(duì)應(yīng)的參數(shù)值構(gòu)建BiLSTM模型對(duì)樣本進(jìn)行訓(xùn)練，并計(jì)算適應(yīng)度值；

4) 根據(jù)BiLSTM傳出的適應(yīng)度值更新麻雀種群位置，得到新的解，將對(duì)應(yīng)解(參數(shù)取值)傳給BiLSTM進(jìn)行訓(xùn)練；

5) 重復(fù)步驟2)和步驟3)，直至迭代完成；

6) 輸出最優(yōu)參數(shù)值組合，建立最優(yōu)BiLSTM預(yù)測(cè)模型。

圖4 SSA優(yōu)化BiLSTM流程圖

4 算例分析

實(shí)驗(yàn)所用計(jì)算機(jī)處理器為Intel Core i5-7500 CPU@3.40 GHz，運(yùn)行內(nèi)存為12 GB，GPU為GeForce GT710。基于Matlab2020a及Deep Learning Toolbox環(huán)境進(jìn)行編程。實(shí)驗(yàn)采用廣東省某企業(yè)2017年7月1日至8月20日的負(fù)荷數(shù)據(jù)，采樣間隔為15 min。原始數(shù)據(jù)劃分為80%的訓(xùn)練數(shù)據(jù)和20%的測(cè)試數(shù)據(jù)。

4.1 評(píng)價(jià)指標(biāo)

4.2 ACMD-BiLSTM有效性驗(yàn)證

為驗(yàn)證ACMD的有效性，對(duì)原始負(fù)荷訓(xùn)練數(shù)據(jù)分別采?。?1) 不作分解直接預(yù)測(cè)；(2) 使用EMD分解后再預(yù)測(cè)；(3) 使用ACMD分解后再預(yù)測(cè)。對(duì)分解后的每一組子序列分別使用BiLSTM模型進(jìn)行預(yù)測(cè)，將各序列預(yù)測(cè)結(jié)果進(jìn)行疊加，得到三種方法的最終負(fù)荷預(yù)測(cè)結(jié)果。

4.2.1 ACMD和EMD分解效果對(duì)比

為比較ACMD和EMD的分解效果，在訓(xùn)練數(shù)據(jù)中選取1500個(gè)樣本點(diǎn)，分別使用EMD和ACMD進(jìn)行分解，分解結(jié)果分別如圖5和圖6所示。其中縱坐標(biāo)表示各采集樣點(diǎn)的原始負(fù)荷分解后各子序列的負(fù)荷，單位為kW。

從圖5和圖6可以看出，原始負(fù)荷序列具有較強(qiáng)的波動(dòng)性和非平穩(wěn)性。從分解后子序列數(shù)量上來(lái)看，EMD分解后產(chǎn)生了9個(gè)子序列，而ACMD分解后的子序列只有6個(gè)，可以有效地減少后續(xù)對(duì)各子序列分別建立預(yù)測(cè)模型的計(jì)算量。比較兩種方法分解結(jié)果的高頻部分可以發(fā)現(xiàn)，EMD高頻分量較為雜亂，規(guī)律性差，而ACMD高頻分量規(guī)律性較強(qiáng)，存在一定的周期性。對(duì)比低頻分量可以發(fā)現(xiàn)，二者低頻分量都有較大的幅值，趨勢(shì)平緩，但ACMD低頻趨勢(shì)與原序列更接近。綜合分析可知，ACMD分解后的各子序列更有利于后續(xù)預(yù)測(cè)建模。

圖5 EMD算法分解結(jié)果

圖6 ACMD算法分解結(jié)果

4.2.2 ACMD-BiLSTM預(yù)測(cè)結(jié)果

對(duì)不作分解、采用EMD分解以及采用ACMD分解的數(shù)據(jù)都采取BiLSTM進(jìn)行預(yù)測(cè)建模，各方法的預(yù)測(cè)誤差如圖7所示，評(píng)價(jià)指標(biāo)如表1所示。

圖7 使用不同分解方法的預(yù)測(cè)誤差分布圖

表1 使用不同分解方法的評(píng)價(jià)指標(biāo)

從圖7和表1可以得出以下結(jié)論。

1) 相比于不作分解直接使用原數(shù)據(jù)進(jìn)行預(yù)測(cè)的BiLSTM模型，EMD-BiLSTM和ACMD-BiLSTM預(yù)測(cè)誤差更小且誤差分布更集中，RMSE分別減少了132.33 kW和232.49 kW，MAE分別減少了56.85%和136.47%，MAPE分別降低了0.55%和1.86%?？梢园l(fā)現(xiàn)，通過(guò)分解再預(yù)測(cè)的方法，可以提升模型的預(yù)測(cè)效果。

2) 與EMD-BiLSTM模型相比，ACMD-BiLSTM預(yù)測(cè)誤差分布集中于原點(diǎn)附近，預(yù)測(cè)誤差更小，各評(píng)價(jià)指標(biāo)值也更優(yōu)。表明ACMD分解后的子序列趨勢(shì)性更強(qiáng)，更有利于預(yù)測(cè)精度的提升。

4.3 SSA有效性驗(yàn)證

為驗(yàn)證SSA-BiLSTM模型的有效性，對(duì)原始數(shù)據(jù)分別采用：(1) BiLSTM模型直接進(jìn)行預(yù)測(cè)；(2) SSA優(yōu)化BiLSTM模型進(jìn)行預(yù)測(cè)。BiLSTM最大訓(xùn)練次數(shù)(Epochs)設(shè)置為100次，選用Adam優(yōu)化器。SSA參數(shù)設(shè)置如下：種群麻雀總數(shù)為30，種群中發(fā)現(xiàn)、加入、警戒者的比例為7:2:1，最大迭代次數(shù)為30次。BiLSTM中3個(gè)待優(yōu)化參數(shù)的優(yōu)化區(qū)間：learning_rate為[0.001, 0.1]；numHiddenUnits1和numHiddenUnits2為[1, 100]。

SSA優(yōu)化過(guò)程中適應(yīng)度變化曲線如圖8所示。適應(yīng)度值為實(shí)際功率與預(yù)測(cè)功率的差值，單位為kW?？梢园l(fā)現(xiàn)，經(jīng)過(guò)12次迭代后，SSA趨于收斂。最終得到優(yōu)化后的參數(shù)取值：learning_rate為0.0069，numHiddenUnits1為48，numHiddenUnits2為37。

圖8 SSA適應(yīng)度曲線

BiLSTM和SSA-BiLSTM的預(yù)測(cè)結(jié)果和評(píng)價(jià)指標(biāo)分別如圖9和表2所示。由圖9和表2可以得出：

1) SSA-BiLSTM模型各項(xiàng)評(píng)價(jià)指標(biāo)均優(yōu)于BiLSTM模型，說(shuō)明其預(yù)測(cè)效果更好。

2) 與BiLSTM模型的預(yù)測(cè)曲線相比，SSA- BiLSTM模型的預(yù)測(cè)曲線與真實(shí)負(fù)荷曲線更接近，尤其是在負(fù)荷波峰和波谷處，驗(yàn)證了SSA的有效性。

圖9 SSA優(yōu)化前后預(yù)測(cè)曲線對(duì)比

表2 SSA優(yōu)化前后模型性能對(duì)比

4.4 ACMD-SSA-BiLSTM預(yù)測(cè)結(jié)果分析

上文分別驗(yàn)證了ACMD和SSA的有效性。本節(jié)繼續(xù)驗(yàn)證ACMD、SSA、BiLSTM三者組合的預(yù)測(cè)效果，建立ACMD-SSA-BiLSTM組合預(yù)測(cè)模型。同時(shí)設(shè)置對(duì)比實(shí)驗(yàn)，預(yù)測(cè)模型分別采用：(1) LSTM；(2) BiLSTM；(3) EMD-BiLSTM；(4) ACMD-BiLSTM；(5) SSA-BiLSTM；(6) ACMD-SSA-BiLSTM。各方法的部分預(yù)測(cè)曲線和評(píng)價(jià)指標(biāo)分別如圖10和表3所示。

圖10 各模型預(yù)測(cè)曲線對(duì)比

表3 各模型評(píng)價(jià)指標(biāo)對(duì)比

通過(guò)對(duì)比表3和圖10可以得出：

1) BiLSTM作為L(zhǎng)STM的改進(jìn)模型，同時(shí)考慮負(fù)荷序列前向和反向兩個(gè)方向，能夠有效挖掘負(fù)荷序列前向和反向上的時(shí)序規(guī)律，BiLSTM相較于LSTM，RMSE、MAE分別降低了166.24 kW和48.22 kW，MAPE降低了0.699%，表現(xiàn)出了更強(qiáng)的時(shí)序?qū)W習(xí)能力。

2) 本文所提ACMD-SSA-BiLSTM組合預(yù)測(cè)模型相較于其他模型，預(yù)測(cè)曲線與真實(shí)負(fù)荷曲線貼近度最高，預(yù)測(cè)效果最好。相較于單一預(yù)測(cè)模型LSTM和BiLSTM，其RMSE分別下降了505.44 kW和339.2 kW，MAE分別下降了272.94 kW和224.72 kW，MAPE分別降低了3.644%和2.945%。相較于兩兩組合的預(yù)測(cè)模型EMD-BiLSTM、ACMD-BiLSTM和SSA-BiLSTM，RMSE分別降低了206.87 kW、106.71 kW和64.28 kW，MAE分別降低了167.87 kW、88.25 kW和55.43 kW，MAPE分別降低了2.839%、1.085%和0.33%。驗(yàn)證了ACMD-SSA- BiLSTM負(fù)荷預(yù)測(cè)模型的有效性。

5 結(jié)論

精準(zhǔn)的企業(yè)級(jí)負(fù)荷預(yù)測(cè)是提高電力市場(chǎng)的交易效率和各方經(jīng)濟(jì)收益的重要保證。在智能算法快速發(fā)展和負(fù)荷預(yù)測(cè)精度要求不斷提高的背景下，本文提出了一種基于ACMD-SSA-BiLSTM的短期負(fù)荷組合預(yù)測(cè)方法，得出以下結(jié)論。

1) 相比于傳統(tǒng)EMD方法，ACMD方法對(duì)非線性信號(hào)分解效果更好，能夠?qū)⒃钾?fù)荷序列分解為一系列更為平穩(wěn)、規(guī)律性更強(qiáng)的子序列，且分解后的子序列數(shù)量更少，減少預(yù)測(cè)工作量的同時(shí)提高了預(yù)測(cè)的準(zhǔn)確率。

2)在BiLSTM預(yù)測(cè)過(guò)程中，引入SSA對(duì)BiLSTM的超參數(shù)進(jìn)行尋優(yōu)，克服了人工調(diào)節(jié)參數(shù)帶來(lái)的高不確定性和效果不佳的缺點(diǎn)。

3) ACMD-SSA-BiLSTM組合預(yù)測(cè)模型，通過(guò)對(duì)原始序列分解而成的簡(jiǎn)單子序列分別預(yù)測(cè)并尋優(yōu)，再將預(yù)測(cè)結(jié)果疊加得到最終結(jié)果。與單一模型及其他組合模型相比，預(yù)測(cè)效果更好、精度更高，具有一定的應(yīng)用優(yōu)勢(shì)。

后續(xù)將結(jié)合注意力機(jī)制、殘差網(wǎng)絡(luò)等技術(shù)，充分挖掘更多可表征的預(yù)測(cè)特征，提高模型的特征提取能力。

[1] 王凌云, 林躍涵, 童華敏, 等. 基于改進(jìn)Apriori關(guān)聯(lián)分析及MFOLSTM算法的短期負(fù)荷預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(20): 74-81.

WANG Lingyun, LIN Yuehan, TONG Huamin, et al. Short-term load forecasting based on improved Apriori correlation analysis and an MFOLSTM algorithm[J]. Power System Protection and Control, 2021, 49(20): 74-81.

[2] 劉友波, 吳浩, 劉挺堅(jiān), 等. 集成經(jīng)驗(yàn)?zāi)B(tài)分解與深度學(xué)習(xí)的用戶側(cè)凈負(fù)荷預(yù)測(cè)算法[J]. 電力系統(tǒng)自動(dòng)化, 2021, 45(24): 57-64.

LIU Youbo, WU Hao, LIU Tingjian, et al. User-side net load forecasting method integrating empirical mode decomposition and deep learning[J]. Automation of Electric Power Systems, 2021, 45(24): 57-64.

[3] BOZORG M, BRACALE A, CARAMIA P, et al. Bayesian bootstrap quantile regression for probabilistic photovoltaic power forecasting[J]. Protection and Control of Modern Power Systems, 2020, 5(3): 218-229.

[4] üRGE-VORSATZ D, CABEZA L F, SERRANO S, et al. Heating and cooling energy trends and drivers in buildings[J]. Renewable and Sustainable Energy Reviews, 2015, 41: 85-98.

[5] WANG Y, KONG Y, TANG X, et al. Short-term industrial load forecasting based on ensemble hidden Markov model[J]. IEEE Access, 2020, 8: 160858-160870.

[6] KHURSHEED A, MUSAED A, KUMAIL J, et al. A pyramid-CNN based deep learning model for power load forecasting of similar-profile energy customers based on clustering[J]. IEEE Access, 2021, 9: 14992-15003.

[7] 楊德州, 劉嘉明, 宋汶秦, 等. 基于改進(jìn)型自適應(yīng)白噪聲完備集成經(jīng)驗(yàn)?zāi)B(tài)分解的工業(yè)用戶負(fù)荷預(yù)測(cè)方法[J].電力系統(tǒng)保護(hù)與控制, 2022, 50(4): 36-43.

YANG Dezhou, LIU Jiaming, SONG Wenqin, et al. A load forecasting method for industrial customers based on the ICEEMDAN algorithm[J]. Power System Protection and Control, 2022, 50(4): 36-43.

[8] 彭文, 王金睿, 尹山青. 電力市場(chǎng)中基于Attention- LSTM的短期負(fù)荷預(yù)測(cè)模型[J]. 電網(wǎng)技術(shù), 2019, 43(5): 1745-1751.

PENG Wen, WANG Jinrui, YIN Shanqing. Short-term load forecasting model based on Attention- LSTM in electricity market[J]. Power System Technology, 2019, 43(5): 1745-1751.

[9] 楊斌, 楊世海, 曹曉冬, 等. 基于EMD-QRF的用戶負(fù)荷概率密度預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2019, 47(16): 1-7.

YANG Bin, YANG Shihai, CAO Xiaodong, et al. Short-term consumer load probability density forecasting based on EMD-QRF[J]. Power System Protection and Control, 2019, 47(16): 1-7.

[10] AMRAL N, OZVEREN C S, KING D. Short term load forecasting using multiple linear regression[C] // 2007 42nd International Universities Power Engineering Conference, September 4-6, 2007, Brighton, UK: 1192-1198.

[11] WANG Y, WANG J, ZHAO G, et al. Application of residual modification approach in seasonal ARIMA for electricity demand forecasting: a case study of China[J]. Energy Policy, 2012, 48: 284-294.

[12] TAYLOR J W. Short-term electricity demand forecasting using double seasonal exponential smoothing[J]. Journal of the Operational Research Society, 2003, 54(8): 799-805.

[13] CHRISTIAANSE W R. Short-term load forecasting using general exponential smoothing[J]. IEEE Transactions on Power Apparatus and Systems, 1971, 90(2): 900-911.

[14] TONG C, LI J, LANG C, et al. An efficient deep model for day-ahead electricity load forecasting with stacked denoising auto-encoders[J]. Journal of Parallel and Distributed Computing, 2018, 117: 267-273.

[15] HERNáNDEZ L, BALADRóN C, AGUIAR J M, et al. Artificial neural network for short-term load forecasting in distribution systems[J]. Energies, 2014, 7(3): 1576-1598.

[16] 楊智宇, 劉俊勇, 劉友波, 等. 基于自適應(yīng)深度信念網(wǎng)絡(luò)的變電站負(fù)荷預(yù)測(cè)[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2019, 39(14): 4049-4061.

YANG Zhiyu, LIU Junyong, LIU Youbo, et al. Transformer load forecasting based on adaptive deep belief network[J]. Proceedings of the CSEE, 2019, 39(14): 4049-4061.

[17] 陳振宇, 劉金波, 李晨, 等. 基于LSTM與XGBoost組合模型的超短期電力負(fù)荷預(yù)測(cè)[J]. 電網(wǎng)技術(shù), 2020, 44(2): 614-620.

CHEN Zhenyu, LIU Jinbo, LI Chen, et al. Ultra short-term power load forecasting based on combined LSTM-XGBoost model[J]. Power System Technology, 2020, 44(2): 614-620.

[18] WANG Y, GAN D, SUN M, et al. Probabilistic individual load forecasting using pinball loss guided LSTM[J]. Applied Energy, 2019, 235: 10-20.

[19] CIECHULSKI T, OSOWSKI S. High precision LSTM model for short-time load forecasting in power systems[J]. Energies, 2021, 14(11): 1-15.

[20] BENTO P M R, POMBO J A N, CALADO M R A, et al. Optimization of neural network with wavelet transform and improved data selection using bat algorithm for short-term load forecasting[J]. Neurocomputing, 2019, 358: 53-71.

[21] 梁智, 孫國(guó)強(qiáng), 李虎成, 等. 基于VMD與PSO優(yōu)化深度信念網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)[J]. 電網(wǎng)技術(shù), 2018, 42(2): 598-606.

LIANG Zhi, SUN Guoqiang, LI Hucheng, et al. Short-term load forecasting based on VMD and PSO optimized deep belief network[J]. Power System Technology, 2018, 42(2): 598-606.

[22] YU F, XU X. A short-term load forecasting model of natural gas based on optimized genetic algorithm and improved BP neural network[J]. Applied Energy, 2014, 134: 102-113.

[23] 劉建華, 李錦程, 楊龍?jiān)? 等. 基于EMD-SLSTM的家庭短期負(fù)荷預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2019, 47(6): 40-47.

LIU Jianhua, LI Jincheng, YANG Longyue, et al. Short-term household load forecasting based on EMD-SLSTM[J]. Power System Protection and Control, 2019, 47(6): 40-47.

[24] 王俊, 李霞, 周昔東, 等. 基于VMD和LSTM的超短期風(fēng)速預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(11): 45-52.

WANG Jun, LI Xia, ZHOU Xidong, et al. Ultra-short- term wind speed prediction based on VMD-LSTM[J]. Power System Protection and Control, 2020, 48(11): 45-52.

[25] 史加榮, 趙丹夢(mèng), 王琳華, 等. 基于RR-VMD-LSTM的短期風(fēng)電功率預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(21): 63-70.

SHI Jiarong, ZHAO Danmeng, WANG Linhua, et al. Short-term wind power prediction based on RR-VMD- LSTM[J]. Power System Protection and Control, 2021, 49(21): 63-70.

[26] CHEN S, DONG X, PENG Z, et al. Nonlinear chirp mode decomposition: a variational method[J]. IEEE Transactions on Signal Processing, 2017, 65(22): 6024-6037.

[27] CHEN B, WANG Y. Short-term electric load forecasting of integrated energy system considering nonlinear synergy between different loads[J]. IEEE Access, 2021, 9: 43562-43573.

[28] XUE J, SHEN B. A novel swarm intelligence optimization approach: sparrow search algorithm[J]. Systems Science & Control Engineering, 2020, 8(1): 22-34.

[29] ZHU Y, YOUSEFI N. Optimal parameter identification of PEMFC stacks using adaptive sparrow search algorithm[J]. International Journal of Hydrogen Energy, 2021, 46(14): 9541-9552.

Short-term load combination forecasting model integrating ACMD and BiLSTM

YAO Haoran, LI Chengxin, ZHENG Xiujuan, YANG Ping

(College of Electrical Engineering, Sichuan University, Chengdu 610065, China)

To improve the accuracy of short-term load forecasting on the user side, a short-term load combination prediction method based on adaptive chirp mode decomposition (ACMD) and sparrow search algorithm (SSA) optimized bi-directional long short-term memory network (BiLSTM) is proposed. Given the problem of strong fluctuation and non-stationarity of short-term power load, ACMD is used to decompose the short-term load time series into several relatively simple sub-components, and BiLSTM is used to predict each sub-component. At the same time, in order to overcome the problem of unstable prediction results caused by different parameter values of BiLSTM, SSA is used to optimize the hyperparameters of the BiLSTM model. The prediction results of each sub-component are superimposed to obtain the final prediction results.Compared with single prediction model and multiple combination prediction models, the experimental results show that this method has higher prediction accuracy.

load forecasting; BiLSTM; ACMD; sparrow search algorithm; temporal decomposition

10.19783/j.cnki.pspc.211719

國(guó)家自然科學(xué)基金項(xiàng)目資助(52077146)

This work is supported by the National Science Foundation of China (No. 52077146).

2021-12-16；

2022-03-14

姚浩然(1995—)，男，碩士研究生，研究方向?yàn)樨?fù)荷預(yù)測(cè)；E-mail: 1041819162@qq.com

李成鑫(1976—)，男，通信作者，博士，副教授，碩士生導(dǎo)師，研究方向?yàn)殡娏ο到y(tǒng)自動(dòng)化及電力大數(shù)據(jù)分析；E-mail: lcx36@126.com

鄭秀娟(1982—)，女，博士，副教授，博士生導(dǎo)師，研究方向?yàn)槟Ｊ阶R(shí)別與信號(hào)處理。E-mail: xiujuanzheng@ scu.edu.cn

(編輯 許 威)