基于VMD-CNN-BIGRU 的電力系統短期負荷預測

楊胡萍，余陽，汪超，李向軍，胡奕濤，饒楚楚

(1. 南昌大學 信息工程學院，江西 南昌 330031；2. 廣東電網有限責任公司肇慶供電局，廣東 肇慶 526040；3. 南昌大學 軟件學院，江西 南昌 330031)

0 引言

隨著電力物聯網高速發展，電力系統正朝著更加智能、靈活的交互式系統過渡。電力系統負荷預測在未來的電網規劃、電力需求側管理以及電力企業運營中扮演著舉足輕重的角色。精確的短期負荷預測既能有效指導發電機組的組合調度，又能減少發電成本，增加經濟效益，維持電力系統的安全與穩定運行，還能合理安排電力市場運營。與此同時，環境污染與能源危機問題愈演愈烈，使得中國電網亟須在調度和運行等方面做出革新，其中精準的短期負荷預測是電網調度優化的必要條件。

國內外學者通過對短期負荷預測方法不斷研究和完善，推動了短期負荷預測領域發展。目前常用的短期負荷預測方法主要包括傳統方法和智能方法。傳統預測方法主要有時間序列法[1-2]、多元線性回歸[3]等，具有計算速度快、模型簡單的優點，但是傳統方法的預測效果都是建立在原始數據很穩定的基礎上，通常適用于影響因素較少的問題，其反映非線性因素的影響關系能力有限，魯棒性較差。

在智能算法方面，文獻[4-5]以反向傳播（back propagation，BP）神經網絡為模型進行預測。文獻[6-9] 以支持向量機（support vector machine，SVM）為模型進行預測，但沒有考慮時間序列且學習能力有限。文獻[10]提出了一種基于長短時記憶（long short-term memory，LSTM）網絡的短期負荷預測模型，克服了普通循環神經網絡梯度消失的問題，但其收斂過慢。門控循環單元（gated recurrent unit，GRU）是在LSTM 的基礎上進行改進優化的神經網絡，其在保持LSTM 準確率的同時，擁有更快收斂速度[11-12]。從實際工程情況來看，電力負荷由歷史影響因素與未來影響因素共同決定，GRU 欠缺對未來影響因素的考慮。

綜上，本文使用具有記憶單元的雙向門控循環網絡作為短期負荷預測的基本模型，它能夠彌補傳統人工神經網絡挖掘時間序列特征的局限性。然后結合歷史負荷的內在規律和外部影響因素對短期負荷預測的影響，提出一種基于變分模態分解（variational modal decomposition，VMD）-卷積神經網絡（convolutional neural networks，CNN）-雙向門控循環單元（bi-directional gated recurrent unit，BIGRU）混合網絡的短期負荷預測方法。該模型既能充分挖掘歷史負荷的內部規律，又能考慮到外部影響因素，減小模型的計算復雜度，從而在整體性能、預測精度以及預測效果方面都有一定的提升。

1 混合模型理論基礎

VMD 是一種新型非平穩信號自適應分解估計方法[13]。該方法可解決在分解原始信號過程中出現的模態混疊等問題。經驗模態分解（empirical mode decomposition，EMD）和集成經驗模態分解（ensemble empirical mode decomposition，EEMD）基于遞歸方法對信號進行分解[14-16]，但其在分解時難免出現模態混疊現象，從而影響預測效果。VMD基于非遞歸方法處理原信號，所得到的模態函數（intrinsic mode function，IMF）能夠特征互異，從而避免了模態混疊和端點效應，分解效果更好，魯棒性更高。本文進行變模態分解的表達式為

式中：vk(t)為時刻t的第k個分量信號；fk為信號經VMD 分解后的第k個中心頻率；K為模態分解的 個 數； δ(t) 為 狄 拉 克 函 數； ?表 示 卷 積 運 算；‖ ‖2為L2 范數；y(t)為時刻t的原始負荷序列。

為解決維度不匹配問題，采用一維卷積神經網絡（one-dimensional convolutional neural network，1 DCNN）的方法對短期電力負荷進行預測[17-19]。其工作原理如圖1 所示。本文采用1 DCNN 將較長的時間序列轉換為高維特征組成的更短序列，然后再通過池化層運算輸出至下一層網絡訓練?？蘴反向傳播的隱含信息；ct為時刻t的隱含信息；xt為時刻t的輸入值；ht為時刻t的BIGRU輸出值；→wt為時刻t前向傳播的GRU 隱藏層輸出權重；←wt為時刻t反向傳播的GRU 隱藏層輸出權重；bt為時刻t的隱藏層狀態所對應的偏置量；G(*)為GRU 傳播函數。

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

圖2 BIGRU 網絡結構模型Fig. 2 Network structure model of BIGRU

2 基于VMD-CNN-BIGRU 混合網絡的電力系統短期負荷預測模型

本文采用自適應矩估計（adaptive moment estimation，Adam）優化算法進行計算。Adam 優化算法既結合了動量梯度與均方根傳遞優化算法的優點，運行速度更快，能更好地收斂到全局最優值，又能為不同參數設計相應的自適應學習率，適用于廣泛的結構，且只需要少量的參數調整。

為了提升電力系統短期負荷預測的精度，本文提出了一種基于VMD-CNN-BIGRU 混合網絡的電力系統短期負荷預測模型。具體流程如圖3 所示。

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

本文首先通過VMD 方法將歷史負荷數據進行分解，并將分解后的各分量與氣溫、日期類型因素結合，然后輸入到模型中進行訓練。這樣既能充分挖掘歷史負荷的內在規律，又可以考慮到氣溫特征和日期類型特征等外部因素對電力負荷的影響，從而提高模型的預測精度和準確性。

為衡量預測模型輸出的預測值與實際值擬合程度的優劣，本文建立如下指標進行評價，即

式中：EMAE為平均絕對誤差；EMAPE為平均絕對百分比誤差；ERMSE為均方根誤差；R2為擬合優度；m為 預測樣本的個數；y?k為第k個樣本的預測負荷值；yk為第k個樣本的真實負荷值；yˉ為所有樣本平均值。

3 實例分析

3.1 數據處理及參數設置

本文仿真采用的歷史負荷數據來自新加坡國家電力市場。數據采集間隔為0.5 h。一天可分為48 個時間序列，數據采集范圍為2018 年1 月8 日—2019 年12 月28 日，共計34 560 條數據。氣溫數據和星期特征分別通過美國國家海洋和大氣管理局和日歷獲取。將數據按8∶1∶1 的比例劃分為訓練集、驗證集和測試集。

負荷數據經VMD 分解如表1 所示。從表1 可知，當K=5 時，固有模態函數IMF3 和IMF4 的中心頻率非常接近，此刻可以認為從K＞ 4 時，系統出現了模態混疊。綜上，本文取K=4 為最適合的分解尺度，與此同時， α取默認值2 000， ε取1×10-6。

表1 VMD 分解Table 1 VMD decomposition Hz

根據ERMSE對模型預測排序，最優和最差參數組合實驗結果如表2 所示。由表2 可知，當模型各層單元數分別為64、32、64、128、64 時預測效果最好。在各層參數選擇中，隨著卷積核的增加，提取數據間的高維特征就越多，模型的預測精度也會相應地提高。

表2 參數組合結果Table 2 Result of parameter combination

3.2 實驗結果分析

為充分體現本文模型與其他模型的差異性，將該模型與多元線性回歸（multiple linear regression，MLR）模型、SVR、LSTM 以及GRU 等模型在完全相同的條件下進行實驗比對，負荷曲線及評價指標分析如圖4 和圖5 所示。

圖5 模型評價指標分析Fig. 5 Model evaluation index analysis

由圖4 可以看出，MLR 和SVR 模型在波峰和波谷階段的預測誤差較大，曲線擬合效果較差。LSTM 和GRU 在負荷變動較頻繁的情況下不如本文模型穩定，表明LSTM 和GRU 模型不能充分挖掘歷史負荷的高維動態特征。

圖4 負荷曲線Fig. 4 Load curve

由圖5 可以看出，本文模型的ERMSE相較于MLR、SVR、LSTM 以及GRU 模型分別減少了619.68 MW、538.96 MW、336.05 MW、198.53 MW，說明本文模型的預測誤差較低。本文模型的EMAPE相比MLR、SVR、LSTM、GRU 模型分別下降了7.63%、6.45%、3.64%、2.03%，說明本文模型的整體預測結果較好。本文模型的擬合優度R2檢驗值達到了98.75%，說明所提方法的整體預測效果更好，更能夠提高電力系統短期負荷預測精度。

4 結語

本文提出一種基于VMD-CNN-BIGRU 模型的電力系統短期負荷預測方法。通過實驗將該模型與其他模型進行對比可知，采用CNN 來提取關鍵特征信息，減少了訓練時長和計算代價。本文所提方法結合氣溫和日期因素，增強了模型的預測性能，在電力系統短期負荷預測的研究中有著較高的預測精度。