基于VMD-CNN-BIGRU 的电力系统短期负荷预测

2022-11-05杨胡萍余阳汪超李向军胡奕涛饶楚楚

中国电力 2022年10期

杨胡萍，余阳，汪超，李向军，胡奕涛，饶楚楚

(1. 南昌大学信息工程学院，江西南昌 330031；2. 广东电网有限责任公司肇庆供电局，广东肇庆 526040；3. 南昌大学软件学院，江西南昌 330031)

0 引言

随着电力物联网高速发展，电力系统正朝着更加智能、灵活的交互式系统过渡。电力系统负荷预测在未来的电网规划、电力需求侧管理以及电力企业运营中扮演着举足轻重的角色。精确的短期负荷预测既能有效指导发电机组的组合调度，又能减少发电成本，增加经济效益，维持电力系统的安全与稳定运行，还能合理安排电力市场运营。与此同时，环境污染与能源危机问题愈演愈烈，使得中国电网亟须在调度和运行等方面做出革新，其中精准的短期负荷预测是电网调度优化的必要条件。

国内外学者通过对短期负荷预测方法不断研究和完善，推动了短期负荷预测领域发展。目前常用的短期负荷预测方法主要包括传统方法和智能方法。传统预测方法主要有时间序列法[1-2]、多元线性回归[3]等，具有计算速度快、模型简单的优点，但是传统方法的预测效果都是建立在原始数据很稳定的基础上，通常适用于影响因素较少的问题，其反映非线性因素的影响关系能力有限，鲁棒性较差。

在智能算法方面，文献[4-5]以反向传播（back propagation，BP）神经网络为模型进行预测。文献[6-9] 以支持向量机（support vector machine，SVM）为模型进行预测，但没有考虑时间序列且学习能力有限。文献[10]提出了一种基于长短时记忆（long short-term memory，LSTM）网络的短期负荷预测模型，克服了普通循环神经网络梯度消失的问题，但其收敛过慢。门控循环单元（gated recurrent unit，GRU）是在LSTM 的基础上进行改进优化的神经网络，其在保持LSTM 准确率的同时，拥有更快收敛速度[11-12]。从实际工程情况来看，电力负荷由历史影响因素与未来影响因素共同决定，GRU 欠缺对未来影响因素的考虑。

综上，本文使用具有记忆单元的双向门控循环网络作为短期负荷预测的基本模型，它能够弥补传统人工神经网络挖掘时间序列特征的局限性。然后结合历史负荷的内在规律和外部影响因素对短期负荷预测的影响，提出一种基于变分模态分解（variational modal decomposition，VMD）-卷积神经网络（convolutional neural networks，CNN）-双向门控循环单元（bi-directional gated recurrent unit，BIGRU）混合网络的短期负荷预测方法。该模型既能充分挖掘历史负荷的内部规律，又能考虑到外部影响因素，减小模型的计算复杂度，从而在整体性能、预测精度以及预测效果方面都有一定的提升。

1 混合模型理论基础

VMD 是一种新型非平稳信号自适应分解估计方法[13]。该方法可解决在分解原始信号过程中出现的模态混叠等问题。经验模态分解（empirical mode decomposition，EMD）和集成经验模态分解（ensemble empirical mode decomposition，EEMD）基于递归方法对信号进行分解[14-16]，但其在分解时难免出现模态混叠现象，从而影响预测效果。VMD基于非递归方法处理原信号，所得到的模态函数（intrinsic mode function，IMF）能够特征互异，从而避免了模态混叠和端点效应，分解效果更好，鲁棒性更高。本文进行变模态分解的表达式为

式中：vk(t)为时刻t的第k个分量信号；fk为信号经VMD 分解后的第k个中心频率；K为模态分解的个数； δ(t) 为狄拉克函数； ∗表示卷积运算；‖ ‖2为L2 范数；y(t)为时刻t的原始负荷序列。

为解决维度不匹配问题，采用一维卷积神经网络（one-dimensional convolutional neural network，1 DCNN）的方法对短期电力负荷进行预测[17-19]。其工作原理如图1 所示。本文采用1 DCNN 将较长的时间序列转换为高维特征组成的更短序列，然后再通过池化层运算输出至下一层网络训练。刻t反向传播的隐含信息；ct为时刻t的隐含信息；xt为时刻t的输入值；ht为时刻t的BIGRU输出值；→wt为时刻t前向传播的GRU 隐藏层输出权重；←wt为时刻t反向传播的GRU 隐藏层输出权重；bt为时刻t的隐藏层状态所对应的偏置量；G(*)为GRU 传播函数。

图1 1 DCNN 工作原理Fig. 1 Working principle of 1 DCNN

图2 BIGRU 网络结构模型Fig. 2 Network structure model of BIGRU

2 基于VMD-CNN-BIGRU 混合网络的电力系统短期负荷预测模型

本文采用自适应矩估计（adaptive moment estimation，Adam）优化算法进行计算。Adam 优化算法既结合了动量梯度与均方根传递优化算法的优点，运行速度更快，能更好地收敛到全局最优值，又能为不同参数设计相应的自适应学习率，适用于广泛的结构，且只需要少量的参数调整。

为了提升电力系统短期负荷预测的精度，本文提出了一种基于VMD-CNN-BIGRU 混合网络的电力系统短期负荷预测模型。具体流程如图3 所示。

图3 混合模型流程Fig. 3 Process of hybrid model

本文首先通过VMD 方法将历史负荷数据进行分解，并将分解后的各分量与气温、日期类型因素结合，然后输入到模型中进行训练。这样既能充分挖掘历史负荷的内在规律，又可以考虑到气温特征和日期类型特征等外部因素对电力负荷的影响，从而提高模型的预测精度和准确性。

为衡量预测模型输出的预测值与实际值拟合程度的优劣，本文建立如下指标进行评价，即

式中：EMAE为平均绝对误差；EMAPE为平均绝对百分比误差；ERMSE为均方根误差；R2为拟合优度；m为预测样本的个数；yˆk为第k个样本的预测负荷值；yk为第k个样本的真实负荷值；y¯为所有样本平均值。

3 实例分析

3.1 数据处理及参数设置

本文仿真采用的历史负荷数据来自新加坡国家电力市场。数据采集间隔为0.5 h。一天可分为48 个时间序列，数据采集范围为2018 年1 月8 日—2019 年12 月28 日，共计34 560 条数据。气温数据和星期特征分别通过美国国家海洋和大气管理局和日历获取。将数据按8∶1∶1 的比例划分为训练集、验证集和测试集。

负荷数据经VMD 分解如表1 所示。从表1 可知，当K=5 时，固有模态函数IMF3 和IMF4 的中心频率非常接近，此刻可以认为从K＞ 4 时，系统出现了模态混叠。综上，本文取K=4 为最适合的分解尺度，与此同时， α取默认值2 000， ε取1×10-6。

表1 VMD 分解Table 1 VMD decomposition Hz

根据ERMSE对模型预测排序，最优和最差参数组合实验结果如表2 所示。由表2 可知，当模型各层单元数分别为64、32、64、128、64 时预测效果最好。在各层参数选择中，随着卷积核的增加，提取数据间的高维特征就越多，模型的预测精度也会相应地提高。

表2 参数组合结果Table 2 Result of parameter combination

3.2 实验结果分析

为充分体现本文模型与其他模型的差异性，将该模型与多元线性回归（multiple linear regression，MLR）模型、SVR、LSTM 以及GRU 等模型在完全相同的条件下进行实验比对，负荷曲线及评价指标分析如图4 和图5 所示。

图5 模型评价指标分析Fig. 5 Model evaluation index analysis

由图4 可以看出，MLR 和SVR 模型在波峰和波谷阶段的预测误差较大，曲线拟合效果较差。LSTM 和GRU 在负荷变动较频繁的情况下不如本文模型稳定，表明LSTM 和GRU 模型不能充分挖掘历史负荷的高维动态特征。

图4 负荷曲线Fig. 4 Load curve

由图5 可以看出，本文模型的ERMSE相较于MLR、SVR、LSTM 以及GRU 模型分别减少了619.68 MW、538.96 MW、336.05 MW、198.53 MW，说明本文模型的预测误差较低。本文模型的EMAPE相比MLR、SVR、LSTM、GRU 模型分别下降了7.63%、6.45%、3.64%、2.03%，说明本文模型的整体预测结果较好。本文模型的拟合优度R2检验值达到了98.75%，说明所提方法的整体预测效果更好，更能够提高电力系统短期负荷预测精度。