藍(lán)俊歡，宋 倩

（1.廣西電網(wǎng)有限責(zé)任公司河池供電局，廣西 河池 546300；2.河池學(xué)院大數(shù)據(jù)與計(jì)算機(jī)學(xué)院，廣西 河池 546300）

電力負(fù)荷預(yù)測(cè)是電力系統(tǒng)供需形勢(shì)分析的根本，高效且精準(zhǔn)預(yù)測(cè)電力負(fù)荷既有助于電力能源的合理分配，又能實(shí)時(shí)監(jiān)控電力供需平衡，從而保障電力系統(tǒng)安全穩(wěn)定運(yùn)行[1]。短期電力負(fù)荷預(yù)測(cè)是電力負(fù)荷預(yù)測(cè)的重要組成部分，它是對(duì)未來某一時(shí)間段內(nèi)各個(gè)時(shí)刻的用電負(fù)荷值的預(yù)測(cè)[2]。而今，學(xué)者們對(duì)電力負(fù)荷預(yù)測(cè)做了大量研究，又將CNN 與BiLSTM 組合構(gòu)建了CNN-BiLSTM預(yù)測(cè)模型[3]；BiLSTM 模型是對(duì)單向LSTM 網(wǎng)絡(luò)的擴(kuò)展，具備雙向時(shí)序特征，與LSTM 和CNN-LSTM 相比，CNN-BiLSTM提升預(yù)測(cè)的精度更優(yōu)[4]。另外，將LSTM 與XGBoost 模型組合進(jìn)行預(yù)測(cè)，預(yù)測(cè)精度均高于單一預(yù)測(cè)模型[5]。鑒于BiLSTM 的優(yōu)勢(shì)，結(jié)合已有研究成果，本文提出一種基于WOA-BiLSTM 的電力負(fù)荷預(yù)測(cè)方法。首先，WOA 算法對(duì)BiLSTM 模型進(jìn)行優(yōu)化，找到最優(yōu)網(wǎng)絡(luò)參數(shù)。然后傳參給BiLSTM 模型進(jìn)行預(yù)測(cè)。最后，通過廣西某地區(qū)的電力實(shí)測(cè)值進(jìn)行實(shí)驗(yàn)，檢驗(yàn)所提方法的有效性。

1 預(yù)測(cè)模型的基本原理

1.1 BiLSTM 原理

BiLSTM 采用正向LSTM 層和反向LSTM 層相連接，同時(shí)提取過去和未來的隱藏層信息來實(shí)現(xiàn)對(duì)當(dāng)前時(shí)刻的預(yù)測(cè)，從而提升模型的預(yù)測(cè)精度。電力負(fù)荷數(shù)據(jù)在單向LSTM 網(wǎng)絡(luò)中訓(xùn)練按從前往后進(jìn)行，訓(xùn)練方式對(duì)數(shù)據(jù)利用率低，難以充分挖掘數(shù)據(jù)內(nèi)在特征。而BiLSTM雙向網(wǎng)絡(luò)對(duì)過去和未來的隱藏層狀態(tài)進(jìn)行遞歸傳播，使信息提取更充分，因而BiLSTM 模型預(yù)測(cè)精度更精準(zhǔn)。其網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。

圖1 BiLSTM 網(wǎng)絡(luò)結(jié)構(gòu)圖

1.2 WOA 算法原理

WOA 是一種模擬座頭鯨圍捕獵物行為的群體智能優(yōu)化算法[6]，主要包含包圍獵物、氣泡網(wǎng)攻擊和搜索獵物三大過程。

1.包圍獵物：鯨魚先確定目標(biāo)獵物范圍，即局部最優(yōu)的捕食方向，設(shè)置好最優(yōu)獵物位置進(jìn)行包圍，位置更新如公式（1）、（2）：

式中，X 為鯨魚位置向量；X*為當(dāng)前最優(yōu)獵物的位置向量；t 為當(dāng)前迭代輪數(shù)；A·D1為鯨魚到獵物的距離。其中，A 和C 為系數(shù)向量，作用是控制鯨魚的移動(dòng)方式，可通過公式（3）-（5）計(jì)算得出。

式中，a 為從2 線性減少到0 的收斂因子；r 為[0,1]之間的隨機(jī)數(shù)；tmax為當(dāng)前迭代的最大值。

2.起泡網(wǎng)攻擊：鯨魚在攻擊時(shí)有收縮包圍機(jī)制和螺旋更新位置機(jī)制兩種[7]。本文假設(shè)兩種機(jī)制各占0.5的概率，鯨魚更新位置如公式（6）、（7）：

3.搜索獵物：當(dāng)|A|＜1 時(shí)，鯨魚開始攻擊包圍獵物；當(dāng)|A|＞1 時(shí)，鯨魚隨機(jī)探索新位置，然后選擇新的獵物，隨機(jī)尋優(yōu)如公式（8）、（9）：

2 WOA-BiLSTM 組合預(yù)測(cè)模型

2.1 WOA 優(yōu)化BiLSTM 算法流程

首先，對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，BiLSTM 模型讀取數(shù)據(jù)集中的數(shù)據(jù)。其次，WOA 初始化種群參數(shù)，設(shè)置鯨魚總?cè)何恢蒙舷陆纭⒎N群數(shù)量和鯨魚個(gè)體空間維度。然后傳參給BiLSTM 模型，輸入訓(xùn)練集進(jìn)行訓(xùn)練，在測(cè)試集中預(yù)測(cè)，得出真實(shí)值和預(yù)測(cè)值間的誤差。最后，WOA 算法不斷迭代，參數(shù)繼續(xù)傳參給BiLSTM 模型進(jìn)行再訓(xùn)練，直到找到最優(yōu)網(wǎng)絡(luò)超參數(shù)和最優(yōu)解傳遞給模型。算法流程如圖2 所示。

圖2 WOA-BiLSTM 算法流程圖

2.2 數(shù)據(jù)預(yù)處理及誤差指標(biāo)

2.2.1 數(shù)據(jù)歸一化

本文選用廣西某地區(qū)的實(shí)際電力2014年1月1日—2015 年1 月10 日共1 年10 天的負(fù)荷數(shù)據(jù)，一天采集96 個(gè)樣本點(diǎn)，時(shí)間間隔為15min。采用最小—最大標(biāo)準(zhǔn)化將數(shù)據(jù)歸一化到[0,1]，計(jì)算如公式（10）所示。

式中，Xi是第i 個(gè)時(shí)間點(diǎn)的負(fù)荷數(shù)據(jù)；是Xi歸一化后的值；Xmax和Xmin分別為實(shí)測(cè)數(shù)據(jù)中的最大值和最小值。當(dāng)歸一化后，利用公式（11）對(duì)其進(jìn)行反歸一化。

2.2.2 誤差評(píng)價(jià)指標(biāo)

本文采用mape、rmse、mae 來評(píng)價(jià)預(yù)測(cè)模型的性能。mape、rmse 及mae 的值越小，代表負(fù)荷預(yù)測(cè)越準(zhǔn)確，指標(biāo)計(jì)算如公式（12）-（14）所示。

式中，y(t)為t 時(shí)刻真實(shí)負(fù)荷值；y*(t)為t 時(shí)刻預(yù)測(cè)負(fù)荷值；n 為負(fù)荷數(shù)據(jù)總數(shù)。

3 WOA-BiLSTM 模型預(yù)測(cè)結(jié)果分析

3.1 各個(gè)神經(jīng)網(wǎng)絡(luò)模型對(duì)比

將選取的數(shù)據(jù)分別輸入BP、LSTM、BiLSTM 模型中，依次對(duì)1 月9 日和1 月10 日的負(fù)荷進(jìn)行預(yù)測(cè)，BiLSTM較BP 在mape、rmse、mae 降低了0.6097%、30.64MW、0.2370%，較LSTM 在mape、rmse、mae 也降低了0.0267%、1.22MW、0.0098%，BiLSTM 模型較BP、LSTM 模型有更好的預(yù)測(cè)性能。如表1 所示。

表1 各個(gè)神經(jīng)網(wǎng)絡(luò)模型的評(píng)價(jià)指標(biāo)

3.2 WOA 優(yōu)化BiLSTM 前后對(duì)比

利用WOA對(duì)模型參數(shù)進(jìn)行優(yōu)化后，mape降低了0.0541%，rmse 減少了30.9MW，表明WOA 算法能為BiLSTM 尋到較優(yōu)的參數(shù)，模型預(yù)測(cè)效果更好。如表2 所示。

表2 WOA 優(yōu)化前后誤差對(duì)比

4 結(jié)論

本文構(gòu)建WOA-BiLSTM 的短期電力負(fù)荷預(yù)測(cè)模型，其優(yōu)勢(shì)在于：既考慮了溫度、濕度、降雨量等多維因素對(duì)負(fù)荷預(yù)測(cè)的影響，從而提升了待測(cè)日的預(yù)測(cè)精度，又應(yīng)用WOA 算法優(yōu)化BiLSTM 模型找到一組網(wǎng)絡(luò)超參數(shù)，實(shí)現(xiàn)了超參數(shù)的優(yōu)化選擇，使預(yù)測(cè)精度更優(yōu)。