云南電力科學研究院 覃日升 姜 訸 段銳敏 何 鑫

負荷預測在電力系統(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)負荷預測按預測時間長短可分為超短期、短期、中期和長期預測[2]。短期負荷預測是能源管理系統(tǒng)和日常電力調(diào)度工作中不可或缺的一部分。短期負荷預測的準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)負荷預測研究方法大致可分為兩種，一種是基于數(shù)學預測模型的傳統(tǒng)預測方法，包括時間序列方法和多元線性回歸方法；另一種是機器學習算法，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）深度學習等。目前在負荷預測領(lǐng)域中較為熱點的問題是應用機器學習算法的研究[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。組合預測模型通過將多種模型和方法組合起來對短期電力負荷進行預測，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荷預測的實際需要，一般情況下，相較于單一模型預測組合模型預測具有更高的精準度，基于此本文提出一種CEEMDAN 與BiLSTM 組合預測模型。通過云南某地區(qū)電力負荷數(shù)據(jù)進行驗證，本文所提模型具有較高準確性。1 基于CEEMDAN 與BiLSTM 組合的預測模型

1.1 CEEMDAN 原理

CEEMDAN 通過加入自適應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 次加入的標準正態(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，細胞狀態(tài)Ct，臨時細胞狀態(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：

計算當前時刻細胞狀態(tài)：

計算輸出門和當前時刻隱層狀態(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 用于短期負荷預測，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，正向傳播層單元學習當前時間序列之前的信息，反向傳播層學習當前時間序列之后的信息，然后拼接兩個方向?qū)W習到的特征，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 模型預測電力負荷流程圖如圖3所示。

數(shù)據(jù)預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 電力負荷序列預測模型流 程圖

2 預測模型驗證分析

采用云南某地區(qū)2019年1月1日至2020年1月1日之間的負荷數(shù)據(jù)，采樣間隔15分鐘，采樣點共35040個，訓練樣本選取前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日一周負荷數(shù)據(jù)為例。

2.1 數(shù)據(jù)預處理結(jié)果

首先對原始電力負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 電力負荷序列牛頓插值 前后對比

2.2 CEEMDAN 分解結(jié)果

對預處理后的電力負荷序列進行CEEMDAN分解，噪聲標準差為10%，分解效果如圖5所示。

圖5 CEEMDAN 分解電力負荷序列

利用EMD 對負荷序列進行分解，結(jié)果如圖6所示。

圖6 EMD 分解電力負荷序列

EEMD 對負荷序列進行分解，結(jié)果如圖7所示。

圖7 EEMD 分解電力負荷序列

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 預測

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

圖8 測試集與預測集對比及誤差對比圖

總體預測結(jié)果如圖9所示。

圖9 訓練樣本、測試樣本與 總樣本對比圖

EMD-BiLSTM 與CEEMDAN-BiLSTM 預 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 預測算法較于EMD -BiLSTM 更加準確。

3 結(jié)語

電力負荷預測對于調(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預測模型，通過對云南某地區(qū)實際電力負荷數(shù)據(jù)進行預測，驗證了本文所提方法更具準確性。