摘要：有效的電力負(fù)荷預(yù)測對提升電網(wǎng)穩(wěn)定性至關(guān)重要。為提高負(fù)荷預(yù)測的準(zhǔn)確性和可靠性，提出一種結(jié)合變分模態(tài)分解（VMD）和雙向長短期記憶網(wǎng)絡(luò)（BiLSTM）的短期電力負(fù)荷預(yù)測方法。首先，采用VMD對負(fù)荷數(shù)據(jù)進(jìn)行多尺度分解，將復(fù)雜的負(fù)荷序列分解為多個具有不同頻率特征的模態(tài)分量；其次，利用BiLSTM網(wǎng)絡(luò)對每個模態(tài)分量進(jìn)行預(yù)測，充分挖掘其歷史依賴關(guān)系和序列特征。最后，通過對各模態(tài)分量的預(yù)測結(jié)果進(jìn)行加權(quán)融合，獲得最終的電力負(fù)荷預(yù)測值。實驗結(jié)果表明，所提VMD-BiLSTM模型相較于LSTM和BiLSTM模型，MAE分別降低了23.19%和15.03%，MAPE分別減少了1.693%和1.024%，預(yù)測精度顯著提高，具有較好的應(yīng)用潛力。

關(guān)鍵詞：電力負(fù)荷預(yù)測；VMD；BiLSTM；短期預(yù)測

中圖分類號：TP391

文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2025）15-0107-04

0引言

隨著電力系統(tǒng)規(guī)模的擴大和智能電網(wǎng)的普及，電力負(fù)荷的精確預(yù)測已成為確保電力系統(tǒng)穩(wěn)定運行和高效能源管理的關(guān)鍵問題[1]。尤其在短期電力負(fù)荷預(yù)測中，準(zhǔn)確預(yù)測未來幾小時至幾天的負(fù)荷需求，對于電力系統(tǒng)調(diào)度、負(fù)荷平衡、資源配置和應(yīng)急響應(yīng)等方面具有重要意義[2]。例如，在電力市場中，準(zhǔn)確的負(fù)荷預(yù)測有助于優(yōu)化電力調(diào)度，減少備用容量；在可再生能源比例較高的系統(tǒng)中，預(yù)測誤差可能導(dǎo)致系統(tǒng)負(fù)荷平衡困難，因此提高預(yù)測精度是確保系統(tǒng)可靠性的核心任務(wù)。然而，電力負(fù)荷數(shù)據(jù)受氣象條件、季節(jié)變化、社會經(jīng)濟活動以及突發(fā)事件等因素的影響，表現(xiàn)出較強的波動性和復(fù)雜性，這使得傳統(tǒng)的負(fù)荷預(yù)測方法面臨較大挑戰(zhàn)[3]。

傳統(tǒng)的短期負(fù)荷預(yù)測方法多依賴于線性回歸、時間序列分析及統(tǒng)計模型，如自回歸滑動平均模型（ARMA）、指數(shù)平滑法（ETS）等[4-5]，這些方法在簡單的負(fù)荷模式下效果尚可。然而，隨著負(fù)荷數(shù)據(jù)復(fù)雜性增加，傳統(tǒng)方法在處理非線性、多尺度和高噪聲的負(fù)荷數(shù)據(jù)時，精度和魯棒性均受挑戰(zhàn)。近年來，深度學(xué)習(xí)方法，尤其是長短期記憶網(wǎng)絡(luò)（longshort-termmemory，LSTM）因其在捕捉時間序列數(shù)據(jù)中的長程依賴和非線性特性方面的優(yōu)勢，已成為負(fù)荷預(yù)測領(lǐng)域的研究熱點[6]。盡管LSTM能夠有效建模時序數(shù)據(jù)的內(nèi)在規(guī)律，但單一LSTM模型往往難以應(yīng)對電力負(fù)荷數(shù)據(jù)中存在的多尺度特性和不同頻率的波動，表現(xiàn)出一定的局限性。為此，大量學(xué)者對此進(jìn)行了改進(jìn)和創(chuàng)新。例如，周磊等[7]充分結(jié)合了CNN和LSTM的優(yōu)勢構(gòu)成混合模型，在單變量負(fù)荷預(yù)測上取得了較好的預(yù)測效果；趙小強等[8]通過結(jié)合時間卷積網(wǎng)絡(luò)、多頭注意力機制和BiLSTM算法，構(gòu)建了TCNMS-BiLSTM復(fù)合模型，大幅提高了電力負(fù)荷的預(yù)測精度；曾進(jìn)輝等[9]通過EMD分解負(fù)荷數(shù)據(jù)，并利用改進(jìn)麻雀搜索算法優(yōu)化LSTM超參數(shù)，顯著降低了負(fù)荷預(yù)測誤差。Li等[10]利用CEEMDAN算法對負(fù)荷數(shù)據(jù)進(jìn)行分解，引入樣本熵對分解分量進(jìn)行重構(gòu)，并結(jié)合LSTM模型構(gòu)建混合預(yù)測模型，有效提升了負(fù)荷預(yù)測的準(zhǔn)確性。

綜上所述，針對單一模型在負(fù)荷預(yù)測中存在的精度不足問題，本文提出了一種VMD-BiLSTM組合模型。模型充分結(jié)合了變分模態(tài)分解（variationalmodedecomposition，VMD）對電力負(fù)荷序列的多模態(tài)分解能力，并利用雙向長短期記憶網(wǎng)絡(luò)（bidirectionallongshort-termmemory，BiLSTM）對每個模態(tài)分量進(jìn)行精確的時序預(yù)測，通過對各模態(tài)分量的預(yù)測結(jié)果進(jìn)行重構(gòu)，實現(xiàn)了對短期電力負(fù)荷的準(zhǔn)確預(yù)測。實驗結(jié)果表明，所提模型的預(yù)測性能顯著優(yōu)于LSTM和BiLSTM模型，在處理具有復(fù)雜波動和非線性特征的電力負(fù)荷數(shù)據(jù)時表現(xiàn)出較強的適應(yīng)能力和預(yù)測精度。

1基本原理

1.1VMD算法

變分模態(tài)分解是一種自適應(yīng)信號分解方法[11]，主要用于處理非平穩(wěn)和非線性信號的分解問題。VMD的基本思想是將信號分解為若干個具有不同頻率的模態(tài)，每個模態(tài)包含特定頻率范圍的成分，這些模態(tài)之間互不干擾。與傳統(tǒng)的經(jīng)驗?zāi)B(tài)分解（EMD）相比，VMD基于變分模型進(jìn)行模態(tài)分解，能夠有效避免模態(tài)混疊，并提供更為精確的頻率分離。

每個模態(tài)具有局部的頻率和帶寬特性VMD通過優(yōu)化變分問題來分解信號中的各個模，能夠更好地適應(yīng)實際信號的非線性、非平穩(wěn)特性，其分解步驟如下所示。

在機器學(xué)習(xí)和深度學(xué)習(xí)網(wǎng)絡(luò)算法中，超參數(shù)的選取對網(wǎng)絡(luò)性能至關(guān)重要。文中通過多次實驗，確定LSTM和BiLSTM網(wǎng)絡(luò)的超參數(shù)為：優(yōu)化器為Adam算法，隱含層單元大小為50，批量大小為128，初始學(xué)習(xí)率為0.01，正則化參數(shù)為0.001，學(xué)習(xí)率下降因子為0.1，迭代次數(shù)為500。

3.2算例驗證

3.2.1VMD分解結(jié)果

采用VMD對電力負(fù)荷進(jìn)行分解，文中參數(shù)設(shè)置為：分解層數(shù)（K=8）、懲罰系數(shù)（α=2000）、直流分量（DC=0）、終止容差（τ=1e-7）。分解結(jié)果如圖3所示。由圖可見，從IMF1到IMF8，信號的頻率和幅度逐漸減小，高頻成分主要集中在較低序號的IMF中，而低頻成分則出現(xiàn)在序號較高的IMF中。

3.2.2預(yù)測結(jié)果對比分析

將預(yù)處理后的負(fù)荷數(shù)據(jù)進(jìn)行VMD分解后，對每個IMF分量采用BiLSTM進(jìn)行預(yù)測，隨后將各分量負(fù)荷累加重構(gòu)以得到最終的預(yù)測負(fù)荷。LSTM、BiLSTM和VMD-BiLSTM在測試集上的預(yù)測結(jié)果對比如圖4所示，對應(yīng)的評價指標(biāo)見表1。

結(jié)合表1和圖4可以看出，各算法均能較好地擬合實際負(fù)荷曲線。LSTM模型的MAE、RMSE和MAPE均相對較高，預(yù)測精度在對比模型中較差，主要原因是LSTM在處理負(fù)荷數(shù)據(jù)時未能充分捕捉其中的復(fù)雜模式。相比LSTM算法，BiLSTM的MAE和RMSE均有所下降，MAPE也降至6.198%，表明BiLSTM在捕捉時序特征方面性能有所提升。文中構(gòu)建的VMD-BiLSTM模型在三項指標(biāo)上均表現(xiàn)最佳，其中MAE和RMSE顯著降低，相較于LSTM和BiLSTM算法，MAE分別下降了23.19%和15.03%；RMSE分別下降了22.07%和14.06%；MAPE降低至5.174%，較LSTM和BiLSTM分別減少1.693%和1.024%。這表明VMD在信號分解及特征提取方面對提升BiLSTM預(yù)測精度起到了重要作用，同時該模型在捕捉時間序列雙向依賴關(guān)系上具有優(yōu)勢，性能得到明顯提升。由此驗證了文中所提算法的有效性與先進(jìn)性。

4結(jié)束語

本文提出了一種融合變分模態(tài)分解與雙向長短期記憶網(wǎng)絡(luò)（VMD-BiLSTM）的短期電力負(fù)荷預(yù)測模型。通過VMD分解提取負(fù)荷數(shù)據(jù)的多尺度特征，結(jié)合BiLSTM對各模態(tài)分量進(jìn)行預(yù)測，最終重構(gòu)得到準(zhǔn)確的負(fù)荷預(yù)測結(jié)果。結(jié)果表明，所提VMD-BiLSTM模型在預(yù)測精度上明顯優(yōu)于LSTM和BiLSTM模型，尤其在減少預(yù)測誤差方面具有顯著優(yōu)勢。同時，驗證了VMD-BiLSTM模型的有效性和魯棒性，彰顯了其在電力負(fù)荷預(yù)測中的應(yīng)用潛力。未來工作將進(jìn)一步優(yōu)化模型結(jié)構(gòu)，探索更多分解方法，以提升預(yù)測精度并拓展應(yīng)用場景。

參考文獻(xiàn)：

[1]ZHUJZ，DONGHJ，ZHENGWY，etal.Reviewandprospectofdata-driventechniquesforloadforecastinginintegrateden?ergysystems[J].AppliedEnergy，2022（321）：119269.

[2]ZHANGL，WENJ，LIYF，etal.Areviewofmachinelearninginbuildingloadprediction[J].AppliedEnergy，2021（285）：116452.

[3]NTIIK，TEIMEHM，NYARKO-BOATENGO，etal.Electricityloadforecasting：asystematicreview[J].JournalofElectricalSys?temsandInformationTechnology，2020，7（1）：13.

[4]HAMMADMA，JEREBB，ROSIB，etal.Methodsandmodelsforelectricloadforecasting：acomprehensivereview[J].Logisticsamp;SustainableTransport，2020，11（1）：51-76.

[5]朱莉，高靖凱，朱春強，鄧凡.基于分量感知動態(tài)圖Trans?former的短期電力負(fù)荷預(yù)測[J].計算機應(yīng)用研究，2025，42（2）：381-390.

[6]AHMADN，GHADIY，ADNANM，etal.Loadforecastingtech?niquesforpowersystem：researchchallengesandsurvey[J].IEEEAccess，2022，10：71054-71090.

[7]周磊，竺筱晶.基于MA-CNN-LSTM和自注意力機制的單變量短期電力負(fù)荷預(yù)測[J].科學(xué)技術(shù)與工程，2024，24（22）：9408-9416.

[8]趙小強，楊秦樂，王濤，等.基于TCNMS-BiLSTM的短期電力負(fù)荷預(yù)測[J].控制工程，2024，50（1）：1-11.

[9]曾進(jìn)輝，蘇旨音，肖鋒，等.基于經(jīng)驗?zāi)B(tài)分解和ISSA-LSTM的短期電力負(fù)荷預(yù)測[J].電子測量技術(shù)，2024，47（20）：92-100.

[10]LIK，HUANGW，HUGY，etal.Ultra-shorttermpowerloadforecastingbasedonCEEMDAN-SEandLSTMneuralnet?work[J].EnergyandBuildings，2023，279：112666.

[11]DRAGOMIRETSKIYK，ZOSSOD.Variationalmodedecompo?sition[J].IEEETransactionsonSignalProcessing，2014，62（3）：531-544.

[12]XUXD，TANGSJ，HANXB，etal.Fastcapacitypredictionoflithium-ionbatteriesusingagingmechanism-informedbidi?rectionallongshort-termmemorynetwork[J].ReliabilityEngi?neeringamp;SystemSafety，2023，234：109185.

【通聯(lián)編輯：唐一東】