基于VMD-LSTM模型的短期电力负荷预测研究

季 阳

（安徽理工大学电气与信息工程学院，安徽 淮南 232000）

0 引言

电力负荷预测能对电网后续的工作安排和资源保护起到很好的作用。传统的电力负荷预测方法有时间序列法、趋势外推法、回归分析法等。

时间序列法运算速率快，主要应用于历史负荷数据，对其周期性波动、持续性波动等进行预测，而遇到复杂的受影响较大的负荷序列，往往预测结果不好。

趋势外推法主要对一些电力负荷数据的影响因素进行组合从而进行预测，此方法的预测模型单一，不需要过多的负荷数据，但易受到影响因素干扰，预测效果一般。

回归分析方法在实际应用中建模相对简单，然而面临影响负荷数据的气候变化的挑战，天气往往变化莫测，所以应用这种方法进行预测容易受到很多限制。

为分解一个含噪信号中的多个子信号并将它们重构为原来的信号，起到降噪效果，提高预测的准确度[1-2]，本文首先采用VMD方法将原始负荷数据分解为数个模态分量，随后利用长短期记忆网络对每个模态分量分别进行建模[3]。LSTM是一种特殊的循环神经网络（RNN），RNN只具有短时记忆，因此在序列上存在一些长期依赖问题[4-6]，而LSTM是RNN的变体，在一定程度上可以解决梯度消失和梯度爆炸的问题，从而提高时间序列中的预测精度[7]。

因此，本文提出一种VMD搭配LSTM的组合模型来进行短期电力负荷预测，并最终验证了VMD-LSTM模型的可行性。

1 VMD基本原理

VMD算法将第j条线路的暂态零序电流信号分解为K个中心角频率为ω的本征模态函数，其中K为人为指定的模态分量个数。不同于EMD，VMD将每个IMF定义为调幅调频函数，可表示为：

式中：uk（t）为模态分量；Ak（t）为瞬时幅值；φk（t）为相位函数；k为模态分量数；t为时间变量。

VMD算法可分为变分问题的构造和求解两部分。变分问题的构造：

对暂态零序电流信号进行Hilbert变换，获得K个模态分量的解析信号，并得到单边频谱：

式中：δ（t）为冲击函数；ωk（t）为中心频率。

计算式（3）梯度的平方范数，并估计每个模态信号的带宽，构造变分问题如下：

式中：f为原始信号。

变分问题的求解：

将上述约束性变分问题转化为非约束性变分问题，在式（4）中引入二次惩罚因子和拉格朗日乘法算子，扩展的拉格朗日表达式为：

式中：λ为拉格朗日乘子；α为二次惩罚系数。

2 LSTM神经网络

长短期记忆网络（Long-ShortTermMemory，LSTM）是循环神经网络（RNN）的一种特殊变体，主要由遗忘门、输入门、输出门控制，其基本结构如图1所示。

图1 LSTM基本结构图

运算过程如下：

式中：Wf、Wi、Wc、Wo分别为遗忘门、输入门、细胞状态和输出门的矩阵；bf、bi、bc、bo分别为对应的偏置常量；σ为sigmoid函数；为临时状态。

3 算例分析

3.1 VMD-LSTM模型预测流程

VMD-LSTM模型预测流程如图2所示。

图2 VMD-LSTM流程图

1）首先对原始电力负荷数据进行预处理；

2）对处理完的数据进行VMD分解，分解为5个模态分量和1个残差分量；

3）将各个模态分量输入LSTM，建立模型进行预测；

4）将各个预测结果相加得到最终的结果。VMD分解结果如图3所示。

3.2 预测结果分析

为验证本文所提模型的预测精准性，选取了某区电网的实际负荷数据，相隔15 min采样负荷数据，对负荷数据做出预测。将其中70%的数据作为训练集，30%的数据作为验证集，对比GRU模型、LSTM模型和本文所提的VMD-LSTM模型的预测效果，结果如图4所示。

图4 各模型预测对比

3.3 误差分析

为进一步确认预测模型的精准性，选用三个评价指标作为验证指标，分别为均方根误差（RMSE）、平均绝对百分比误差（MAPE）和决定系数R2，公式如下：

式中：MSE为均方误差；n为样本数量；yi为真实值为预测值为样本均值。

R2越大越好，而RMSE和MAPE越小则预测效果越好。

图5为VMD分解的各个模态分量建立LSTM模型的误差比较。

图5 误差对比

通过表1可以清晰地看到VMD-LSTM模型的均方根误差和平均绝对百分比误差都比另外两个模型小，决定系数则大于另外两个模型，所以本文提出的VMD-LSTM模型误差小，预测精度更高，预测效果更好。

表1 各模型评价指标

4 结束语

为了提高负荷预测精度，本文提出了一种VMD和LSTM模型相结合的组合模型，该模型与基本的GRU模型和LSTM模型比较，预测效果较好，具有更高的预测精度。